此计划来自公众号：量化投资与机器学习，在此处只为了方便自己补充知识。
第一节：机器学习与Python库
1. Python基础：
numpy/scipy/matplotlib/panda的介绍和典型使用
多元高斯分布
典型图像处理
scikit-learn的介绍和典型使用
多种数学曲线
多项式拟合
快速傅里叶变换FFT
奇异值分解SVD
Soble/Prewitt/Laplacian算子与卷积网络
2. 代码和案例实践：
卷积与(指数)移动平均线
股票数据分析
实际生产问题中算法和特征的关系
缺失数据的处理
环境数据异常检测和分析
第二节：回归
1. 理论学习 ：
线性回归
Logistic/Softmax回归
广义线性回归
L1/L2正则化
Ridge与LASSO
ElasticNet
梯度下降算法：BGD与SGD
特征选择与过拟合
Softmax回归的概念源头
最大熵模型
K-L散度
2. 代码和案例实践：
1.股票数据的特征提取和应用
2.泰坦尼克号乘客缺失数据处理和存活率预测
3.环境检测数据异常分析和预测
4.模糊数据查询和数据校正方法
5.PCA与鸢尾花数据分类
6.二手车数据特征选择与算法模型比较
7.广告投入与销售额回归分析
8.鸢尾花数据集的分类
第三节：决策树和随机森林
1. 理论学习：
熵、联合熵、条件熵、KL散度、互信息
最大似然估计与最大熵模型
ID3、C4.5、CART详解
决策树的正则化
预剪枝和后剪枝
Bagging
随机森林
不平衡数据集的处理
利用随机森林做特征选择
使用随机森林计算样本相似度
异常值检测
2. 代码和案例实践：
1.随机森林与特征选择
2.决策树应用于回归
3.多标记的决策树回归
4.决策树和随机森林的可视化
5.社会学人群收入预测
6.葡萄酒数据集的决策树/随机森林分类
7.泰坦尼克乘客存活率估计
第四节：SVM
1. 理论学习：
线性可分支持向量机
软间隔
损失函数的理解
核函数的原理和选择
SMO算法
支持向量回归SVR
多分类SVM
2.代码和案例实践：
1.原始数据和特征提取
2.调用开源库函数完成SVM
4.葡萄酒数据分类
5.数字图像的手写体识别
5.MNIST手写体识别
6.SVR用于时间序列曲线预测
7.SVM、Logistic回归、随机森林三者的横向比较
第五节：聚类
1.理论学习：
各种相似度度量及其相互关系
Jaccard相似度和准确率、召回率
Pearson相关系数与余弦相似度
K-means与K-Medoids及变种
AP算法(Sci07)/LPA算法及其应用
密度聚类DBSCAN/DensityPeak(Sci14)
谱聚类SC
聚类评价和结果指标
2.代码和案例实践：
1.K-Means++算法原理和实现
2.向量量化VQ及图像近似
3.并查集的实践应用
4.密度聚类的异常值检测
5.谱聚类用于图片分割
第六节：隐马尔科夫模型HMM
1.理论学习：
主题模型LDA
词潜入和word2vec
前向/后向算法
HMM的参数学习
Baum-Welch算法详解
Viterbi算法详解
隐马尔科夫模型的应用优劣比较
共轭先验分布
Laplace平滑
Gibbs采样详解
Metropolis-Hastings算法
MCMC
2. 代码和案例分析：
1.敏感话题分析
2.网络爬虫的原理和代码实现
3.LDA开源包的使用和过程分析
4.HMM用于中文分词
5.文件数据格式UFT-8、Unicode
6.发现新词和分词效果分析
7.高斯混合模型HMM
8.GMM-HMM用于股票数据特征提取
第七节：卷积神经网络
1.卷积神经网络介绍：
神经网络结构，滤波器，卷积，池化，激活函数，反向传播
- 目标分类与识别、目标检测与追踪
- 经典AlexNet
- 高级卷积网络模型：VGG、ResNet、GoogleLeNet、DenseNet
- 深度图片生成网络U-Net
- 物体检测：RCNN，Fast-RCNN，Faster-RCNN, FPN系列
2.代码和案例实践：
1.如何搭建自己的卷积神经网络
2.迁移学习（Transfer Learning）
3.基于CNN的图像识别
4.实时人脸检测系统（视频流处理+识别+定位 RCNN）
5.CNN文本分类
6.卷积神经网络调参经验分享
第八节：循环神经网络
1.理论学习：
RNN进阶
RNN基本原理
LSTM、GRU
注意力机制（Attention）
编码器与解码器结构
语言特征提取：word2vec
循环神经网络进阶模型
搭配CNN使用，组成CNN+LSTM模型
Bi-LSTM双向循环神经网络结构
Seq2seq模型
2.代码和案例实践：
1.如何搭建自己的循环神经网络
2.图片标注与图片问答
3.智能对话和阅读理解
4.循环神经网络调参经验分享
