今天列下具体的学习计划以及知识点汇总
推荐算法：CF，LR，SVM，FM，FTRL，GBDT，RF，SVD，RBM，RNN，LSTM，RL
数据挖掘：分类，聚类，回归，降维，特征选择，模型评价
数学：微积分，统计学，线性代数
周边学科：信息论基础
（数学和周边学科可以顺带巩固）
以上是理论知识。
—————————————————————————————————
以下是实践验证或者工程化具备技能：
编程语言：Python/R， Java/C++/C，sql，shell
RPC框架：thrift， Dubbo，gRPC
web服务：tornado, django, flask
数据存储：redis, hbase, cassandra, mongodb, mysql, hdfs，hive, kafka, elasticsearch
机器学习/深度学习：Spark MLib，GraphLab/GraphCHI，Angel，MXNet，TensorFlow，Caffe, Xgboost，VW，libxxx
文本处理：Word2vec，Fasttext，Gensim，NLTK
矩阵分解：Spark ALS，GraphCHI，implicit，qmf，libfm
相似计算：kgraph, annoy，nmslib, GraphCHI, columnSimilarities(spark.RowMatrix)
实时计算：Spark Streaming, Storm，Samza
————————————————————————————
工程中检验标准学习：
熟悉常见离线效果指标：准确率，召回率，AUC，基尼系数
能够定义产品效果指标：点击率，留存率，转换率，观看完整率
会做对比试验并分析实验结果：指标数据可视化
知道常见推荐产品的区别：Feed流推荐，相关推荐，TopN推荐，个性化推送
————————————————————————————————
软实力：
英文阅读；读顶级会议的论文、一流公司和行业前辈的经典论文和技术博客，在Quora和Stack Overflow上和人交流探讨；
代码阅读；能阅读开源代码，从中学习优秀项目对经典算法的实现；
沟通表达；能够和其他岗位的人员沟通交流，讲明白所负责模块的原理和方法，能听懂非技术人员的要求和思维，能分别真需求和伪需求并且能达成一致。
________________________________
所以基本学习思路是：理论基础+开源库（经典算法实现）+效果指标+软实力（需求沟通+分解技术）
