机器学习 - 学习计划

先声明大部分都参照（https://zhuanlan.zhihu.com/p/22543073）

数学知识的复习

• 线性代数:（矩阵、特征值、特征向量、秩）
• 微积分：（极限、导数、拉格朗日中值、泰勒级数展开、傅里叶变换）
• 概率论：（https://blog.csdn.net/chybin500/article/details/78470705）需要的概率论知识
• 统计学基础：
  • 相关性分析（相关系数r、皮尔逊相关系数、余弦相似度、互信息）
  • 回归分析（线性回归、L1/L2正则、PCA/LDA降维）
  • 聚类分析（KNN、K-Means）
  • 分布（正态分布、t分布、密度函数）
  • 指标（协方差、ROC曲线、AUC、变异系数、F1-Score）
  • 显著性检验（t检验、z检验、卡方检验）
  • A/B测试

算法和数据结构 

• 枚举（8皇后问题）
• 递归（汉诺塔问题、树的前中后序遍历）
• 分治（求中位数、快排）
• 贪婪（Dijkstra 求最短路、Prim 最小生成树）
• 动态规划（背包问题、Floyd 求最短路）
• 链表（增删改查、循环链表、判环）
• 栈（用队列模拟栈、售货员卖棒冰找零问题）
• 队列（用栈模拟队列，双向队列、优先队列）
• 二叉树（BST、平衡树、线段树）
• 堆（最小/最大堆、堆排序）
• 排序（冒泡、选择、插入、快速、归并、堆、桶）
• 图论（DFS、BFS、最小生成树、最短路、关键路径、流网络）
• 字符串（KMP、字典树、AC自动机）
• 计算几何（线性规划、凸包）

机器学习基础 

• 关联规则（Apriori、FP-Growth）
• 回归（Linear Regression、Logistics Regression）
• 决策树（ID3、C4.5、CART、GBDT、RandomForest）
• SVM（各种核函数）
• 推荐（User-CF、Item-CF）