什么是函數(shù)丨極限的定義丨無(wú)窮小與無(wú)窮大丨連續(xù)性與導(dǎo)數(shù)丨偏導(dǎo)數(shù)丨方向?qū)?shù)丨微積分的基本思想丨定積分原理丨牛頓-萊布尼茨公式丨泰勒公式及應(yīng)用丨拉格朗日優(yōu)化問(wèn)題

矩陣觀點(diǎn)的由來(lái)-方程可解性丨矩陣的逆丨行列式丨矩陣的向量空間與秩丨為什么要做矩陣分解丨特征值與特征向量丨基于特征值的矩陣分解丨SVD如何進(jìn)行矩陣分解丨SVD在推薦系統(tǒng)中的應(yīng)用

概率與頻率-古典學(xué)派丨條件概率與文氏圖丨離散隨機(jī)變量丨連續(xù)隨機(jī)變量丨什么是隨機(jī)抽樣丨從貝葉斯學(xué)派到貝葉斯推斷丨多維隨機(jī)變量丨期望及其求法丨大數(shù)定律與中心極限定律告訴我們什么丨極大似然估計(jì)丨統(tǒng)計(jì)推斷的做了哪些事情丨z分布與t分布丨f分布丨卡方分布丨使用卡方分布檢測(cè)相關(guān)性丨f分布與回歸分析

什么是回歸丨多元回歸的定義丨解析求解-最小二乘法丨梯度下降與迭代求解原理丨手?jǐn)]梯度下降丨梯度下降的改進(jìn)丨模型的評(píng)估方法-r2評(píng)分丨非線性問(wèn)題如何解決-泰勒級(jí)數(shù)丨回歸問(wèn)題的更一般表達(dá)丨模型復(fù)雜度與擬合丨如何解決過(guò)擬合與欠擬合丨嶺回歸與lasso回歸丨sklearn中的線性回歸丨sklearn中的嶺回歸與lasso回歸丨AR模型在回歸中的應(yīng)用丨回歸項(xiàng)目（kaggle舊金山犯罪率預(yù)測(cè)）

分類問(wèn)題的定義丨從回歸到分類-邏輯函數(shù)的作用丨貝葉斯推斷與似然函數(shù)丨使用最大似然進(jìn)行參數(shù)估計(jì)丨邏輯斯蒂損失定義丨邏輯斯蒂梯度下降推導(dǎo)丨手?jǐn)]邏輯斯蒂丨使用邏輯斯蒂進(jìn)行手寫體識(shí)別丨文本分類問(wèn)題與NLP丨復(fù)習(xí)使用樸素貝葉斯框架的推斷丨使用樸素貝葉斯進(jìn)行文本分類的原理丨樸素貝葉斯進(jìn)行文本分類的實(shí)例丨sklearn中樸素貝葉斯實(shí)現(xiàn)丨高斯貝葉斯及其應(yīng)用丨項(xiàng)目實(shí)戰(zhàn)（新聞分類）丨什么是決策樹(shù)丨信息如何度量丨信息增益表達(dá)了什么？丨使用ID3算法構(gòu)建決策樹(shù)丨C4.5與CART樹(shù)使用的度量方法丨CART樹(shù)如何進(jìn)行回歸丨分類方法的最優(yōu)化思考丨支持向量與最優(yōu)分類超平面丨svm模型的構(gòu)建丨svm對(duì)偶問(wèn)題的轉(zhuǎn)換丨smo算法與對(duì)偶問(wèn)題的求解丨核函數(shù)如何解決非線性問(wèn)題丨綜合項(xiàng)目(使用svm進(jìn)行車牌識(shí)別)

數(shù)據(jù)的潛在結(jié)構(gòu)與聚類丨距離的度量標(biāo)準(zhǔn)丨KMeans原理丨KMeans實(shí)現(xiàn)丨聚類算法的評(píng)估-輪廓系數(shù)丨基于密度的聚類丨層次聚類丨綜合項(xiàng)目

集成學(xué)習(xí)概述-弱分類與強(qiáng)分類丨boosting與bagging丨adaboost概述丨adaboost原理丨adaboost推導(dǎo)與計(jì)算丨bagging抽樣的若干問(wèn)題丨使用bagging與決策樹(shù)構(gòu)建隨機(jī)森林丨隨機(jī)森林為什么有效？丨使用boosting與決策樹(shù)構(gòu)建提升樹(shù)丨什么是梯度提升丨GBDT的原理與推導(dǎo)丨xgboost的原理與推導(dǎo)丨lightgbm的進(jìn)一步改進(jìn)丨綜合項(xiàng)目

什么是神經(jīng)網(wǎng)絡(luò)丨神經(jīng)網(wǎng)絡(luò)能進(jìn)行學(xué)習(xí)的原因-從XOR問(wèn)題入手丨正向傳播的計(jì)算丨基于梯度的學(xué)習(xí)丨反向傳播的計(jì)算丨梯度消失與梯度爆炸-激活函數(shù)的選擇丨控制模型復(fù)雜度-神經(jīng)網(wǎng)絡(luò)的正則化丨注意力機(jī)制

機(jī)器學(xué)習(xí)概述和kNN算法丨回歸算法丨邏輯回歸丨樸素貝葉斯丨決策樹(shù)丨支持向量機(jī)丨聚類算法和輪廓系數(shù)丨集成算法丨特征工程和評(píng)價(jià)指標(biāo)丨機(jī)器學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)

計(jì)算機(jī)如何理解圖片丨卷積運(yùn)算丨池化丨LeNet-一個(gè)完整的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)丨卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)化輸出與數(shù)據(jù)類型丨VGG網(wǎng)絡(luò)-向深度邁進(jìn)丨RESNET-解決退化問(wèn)題作出的努力丨yolo-一次掃描完成多目標(biāo)檢測(cè)丨其他流行的網(wǎng)絡(luò)結(jié)構(gòu)介紹

綜合項(xiàng)目丨時(shí)間序列處理的發(fā)展和演進(jìn)丨計(jì)算圖及其展開(kāi)丨RNN網(wǎng)絡(luò)結(jié)構(gòu)丨RNN如何處理時(shí)間序列丨雙向RNN丨RNN為什么起作用?丨遞歸與深度循環(huán)丨改進(jìn)RNN的短視-LSTM丨使用LSTM完成詩(shī)歌生成器丨綜合項(xiàng)目

編碼與解碼丨什么是受限玻爾茲曼機(jī)丨受限玻爾茲曼機(jī)推導(dǎo)丨構(gòu)建DBN丨使用DBN進(jìn)行推薦與編碼丨綜合項(xiàng)目-廣告點(diǎn)擊優(yōu)化

什么是強(qiáng)化學(xué)習(xí)丨多臂賭博機(jī)丨MDP過(guò)程丨動(dòng)態(tài)規(guī)劃丨策略梯度原理

什么是Q-Learning丨Q-Learning的更新丨Q-Learning的實(shí)現(xiàn)丨什么是Sarsa丨Sarsa的原理與實(shí)現(xiàn)丨什么是DQN丨DQN如何更新丨DQN的實(shí)現(xiàn)丨什么是Actor Critic丨Actor Ctitic原理與實(shí)現(xiàn)