一、数学基础

• 数据分析

1）常数e
2）导数
3）梯度
4）Taylor
5）gini系数
6）信息熵与组合数

• 概率论

1）概率论基础
2）古典模型
3）常见概率分布
4）大数定理和中心极限定理
5）协方差(矩阵)和相关系数
6）最大似然估计和最大后验估计

• 线性代数与矩阵

1）线性空间及线性变换
2）矩阵的基本概念练
3）状态转移矩阵
4）特征向量
5）矩阵的相关乘法
6）矩阵的QR分解
7）对称矩阵、正交矩阵、正定矩阵
8）矩阵的SVD分解
9）矩阵的求导
10）数据白化及其应用

二、Python基础

• Python基础语法

1）变量
2）数据类型
3）列表
4）元组
5）字典
6）控制语句
7）循环语句
8）函数
9）类对象

• Python常用库

1）numpy：
  用Numpy创建数组并查看其属性Numpy的基本运算Numpy的基本函数索引，切片和迭代形状操作深拷贝广播法则

2）pandas：
  Series的创建和基本的操作DataFrame的创建和基本的操作Panel的创建和基本的操作用Pandas常用函数查看和操作数据

3）scipy:
  基本可以代替Matlab的工具包，方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等

4）matplotlib：
  Python中最著名的绘图系统
  散点图，折线图，条形图，直方图，饼状图，箱形图的绘制
  坐标轴的调整，添加文字注释，区域填充，及特殊图形patches的使用

5）seaborn:
  在matplotlib的基础上进行了更高级API的封装，从而使得作图变得更加容易。

6）time
  Python 时间模块常用函数

• Python机器学习模块

Scikit-Learn

三、机器学习

• 机器学习

1）机器学习概述
2）定义问题

• 数据预处理

1）特征抽取
2）特征转换
3）归一化

• 线性回归算法

1）线性回归
2）Ridge岭回归
3）Lasso回归
4）Elastic Net算法

• KNN K近邻算法

1）KNN算法原理
2）KNN算法应用

• 逻辑回归算法

1）sigmoid函数
2）逻辑回归的损失函数
3）逻辑回归的优化
4）逻辑回归的多分类问题
5）Softmax回归多分类

• 梯度下降算法

1）批量梯度下降
2）随机梯度下降
3）mini-batch梯度下降

• 牛顿法与拟牛顿法

1）牛顿法求函数根
2）牛顿法求解函数最优化问题
3）拟牛顿法—L-BFGS

• 决策树算法

1）决策树的简介
2）CART、ID-3、C4.5
3）gini系数
4）信息增益
5）信息增益率
6）叶子节点的表达
7）回归树
8）预剪枝和后剪

• Bagging集成算法

1）bootstrap
2）随机森林

• Adaboost算法

1）Adaboost算法流程
2）Adaboost算法损失函数优化

• GBDT算法

1）函数空间梯度下降
2）GBM框架
3）GBDT算法解决回归问题

• XGboost和lightGBM算法

1）目标函数的建立
2）子树的分裂条件
3） 子树叶子节点的表达
4）与传统GBDT的比较

• 支持向量机

1）线性可分支持向量机
2）软间隔支持向量机
3）核函数方法
4）SMO算法
5）SVM回归SVR和分类SVC

• 聚类算法

1）各种相似度距离测度方法
2）K-Means算法
3）K-Means算法优缺点
4）密度聚类
5）层级聚类
6）谱聚类

• PCA主成分分析算法

1） 方差最大化投影
2） 矩阵的特征值与特征向量
3） PCA降维

• LDA降维

1） LDA投影标准
2） LDA降维算法

• MDS降维算法

1） 基于空间距离保持的方法
2） MDS算法原理

• ISO-map降维算法

1) 近似测地距离的计算
2) 最短路径距离算法
3) ISO-map算法原理

• LLE算法

1) 数据点的局部线性关系
2) LLE算法原理

• SVD奇异值分解算法

1） 方阵的特征值分解
2） 矩阵的奇异值分解
3） 左右奇异向量
4） 推荐系统应用

• ALS矩阵分解算法

1） 矩阵分解的另一种方式
2） 评估近似矩阵的方法
3） ALS矩阵分解

• FM 因子分解机

1） FM模型介绍
2） FM算法详解

• 朴素贝叶斯算法

1）朴素贝叶斯
2）文本分类上的应用

• 贝叶斯网络

1） 有向概率图模型
2） 生成模型
3） 贝叶斯网络联合分布的表达
4） 贝叶斯网络性质

• 隐马尔可夫模型

1）隐马可夫模型的基本概念
2）概率计算问题
3）前向/后向算法
4）维特比算法

• 最大熵模型

1） 随机变量的熵、联合熵、相对熵、互信息
2） 最大熵原理
3）最大熵模型的学习
4）最大似然估计
5）模型学习的最优化算法

• 神经网络

1） 前向传播
2） 反向传播
3） 激活函数
4） 梯度弥散/消失
5） 参数初始化
6） 多层感知机

四、深度学习

• 深度学习Tensorflow基础

1）TensorFlow框架特性与安装
2）Tensorflow编程基础

• 深度神经网络DNN

Tensorflow深度神经网络实现

• 卷积神经网络CNN

1）Tensorflow卷积神经网络实现
2）Tensorflow实现经典AlexNet模型
3）Tensorflow实现经典VGG模型

• 循环神经网络RNN

1） BasicRNNCell
2） GRU单元
3） LSTM单元

• 自编码器AutoEncoder

1） Tensorflow 自编码网络实现

• 对抗生成网络 GAN

1） 深度卷积生成网络DCGAN

• Tensorflow框架进阶

1）Tensorflow源代码解析
2）Tensorboard可视化

• Word2Vec词向量算法

1） CBOW模式
2） Skip-Gram模式
3） Tensorflow实现Word2Vec词向量算法

• Keras框架

1）Keras简介及Keras中的数据处理
2）Keras中的模型
3）Keras中的重要对象
4）Keras中的网络层构造