01 微積分與概率論基礎\\
02 參數估計與矩陣運算基礎\\3 P4 Q# m- `# G) y" W4 v# t7 I
03 凸優化基礎\\
04 廣義線性回歸和對偶優化\\
05 牛頓、擬牛頓、梯度下降、隨機梯度下降(SGD)\\! L7 E9 [, i4 C3 ?) [* {
06 熵、最大熵模型MaxEnt、改進的迭代尺度法IIS\\
07 聚類（k-means、層次聚類、譜聚類等）\\8 n$ S0 u. s V2 U; M
08 K近鄰、決策樹、隨機森林(random decision forests)\\5 o2 S2 ]2 J0 F% |
09 Adaboost\\( R4 w$ _0 \\3 e" e
10 樸素貝葉斯、與貝葉斯網絡\\2 o, A/ y; h" p5 {9 B8 z
11 支持向量機（最大間隔分類、拉格朗日乘值、對偶問題、損失函數、最優化理論、SMO）\\
12 EM、混合高斯模型\\* R- V1 m3 R1 L0 n8 |
12 衣服推薦系統\\$ Z6 C/ G& q+ ?5 |7 ]+ ^
13 主題模型（概率潛語義分析PLSA、隱含狄利克雷分布LDA）\\' X7 {2 M/ [6 O/ S9 g! ^/ f: M$ i
14.15 馬爾科夫鏈、隱馬爾可夫模型HMM、采樣\\
16 馬爾可夫隨機場(Markov Random Field)、條件隨機場CRF\\3 d- W8 k& J! q. M5 d' H+ T5 u
17 SVD、主成分分析PCA、因子分析、獨立成分分析ICA\\
18 卷積神經網絡(CNN)、深度學習淺析\\1 S& {$ {8 i) j" W+ s9 Y
19 變分推斷方法\\
20 知識圖譜\\
