整体内容

        1.基础监督学习算法:k 近邻、线性回归、决策树、感知机[深度学习基底]、k-means、逻辑回归、随机森林、朴素贝叶斯。

        2.加强版监督学习算法:Adaboost算法、GBDT算法、EM算法、竞赛神器XGBoost和lightGBM、最大熵模型、支持向量机、隐马尔克服模型、条件随机场。

        3.无监督学习模型：k-means模型、PCA降维、SVD奇异值分解。

        4.强化学习体系： 策略迭代和价值迭代、蒙特卡洛、DQN算法和A3C算法

        5.额外的算法：遗传算法和蚁群算法、模拟退火算法、关联规则Apriori算法

 

路线规划（时间和内容上互补并进,两部分之间相互铺垫,可商量互换内容）

日常内功：python、numpy、pandas、matplotlib、Tensorflow

第一路线

已学

1.决策树

2.k近邻

3.逻辑回归

接下来

1.感知机算法（理论、代码复现）           

2.Adaboost算法（理论、代码复现）   

3.竞赛神器XGBoost（讲述论文、调包编程）                      

4.竞赛案例（解决实际预测问题，数据预处理、特征工程、模型利用、效果提升策略）

5.EM算法（理论及推导）

6.隐马尔克夫模型（理论及推导）

7.PCA降维（理论及推导、代码复现）

8.关联规则Apriori算法（理论、代码复现）

9.遗传算法（理论及代码案例）

10.DNN（推导、原理、Tensorflow代码案例）

11.RNN时序神经网络（推导、原理、Tensorflow代码案例）

12.迁移学习通理（大致体系、原理）

13.强化学习（蒙特卡洛和时间差分方法原理）

14.强化学习（DQN、DDPG、A3C方式、Tensorflow代码案例）

第二路线

已学

1.决策树

2.随机森林

接下来

1.朴素贝叶斯算法（理论、代码复现 ）

2.GBDT算法（理论、代码复现）

3.LightGBM（讲述论文、调包编程）

4.SVM算法（理论及推导、调包编程）

5.最大熵模型（理论及推导）

6.条件随机场（理论及推导）

7.SVD奇异值分解（理论及推导、代码复现）

8.k-means模型（理论及推导、代码复现）

9.蚁群算法（理论及代码案例）

10.Tensorflow体系学习

11.CNN卷积神经网络（推导、原理、Tensorflow代码案例）

12.GAN生成对抗网络（原理、Tensorflow代码案例）

13.强化学习（马尔科夫决策过程原理、动态规划）

14.强化学习（Q-learning、Sarsa、PG、AC）