整体内容
1.基础监督学习算法:k 近邻、线性回归、决策树、感知机[深度学习基底]、k-means、逻辑回归、随机森林、朴素贝叶斯。
2.加强版监督学习算法:Adaboost算法、GBDT算法、EM算法、竞赛神器XGBoost和lightGBM、最大熵模型、支持向量机、隐马尔克服模型、条件随机场。
3.无监督学习模型：k-means模型、PCA降维、SVD奇异值分解。
4.强化学习体系： 策略迭代和价值迭代、蒙特卡洛、DQN算法和A3C算法
5.额外的算法：遗传算法和蚁群算法、模拟退火算法、关联规则Apriori算法
路线规划（时间和内容上互补并进,两部分之间相互铺垫,可商量互换内容）
日常内功：python、numpy、pandas、matplotlib、Tensorflow
第一路线
已学
1.决策树
2.k近邻
3.逻辑回归
4.朴素贝叶斯算法（理论、代码复现 ）
5.决策树
6.随机森林
7.感知机算法（理论、代码复现）
8.GBDT算法（理论、代码复现）
接下来
1.Adaboost算法（理论、代码复现）
2.LightGBM（讲述论文、调包编程）
3.竞赛神器XGBoost（讲述论文、调包编程）
4.竞赛案例（解决实际预测问题，数据预处理、特征工程、模型利用、效果提升策略）
5.SVM算法（理论及推导、调包编程）
6.最大熵模型（理论及推导）
5.EM算法（理论及推导）
7.隐马尔克夫模型（理论及推导）
8.条件随机场（理论及推导）
9.PCA降维（理论及推导、代码复现）
10.SVD奇异值分解（理论及推导、代码复现）
11.k-means模型（理论及推导、代码复现）
12.关联规则Apriori算法（理论、代码复现）
13.遗传算法（理论及代码案例）
14.蚁群算法（理论及代码案例）
15.Tensorflow体系学习
16.DNN（推导、原理、Tensorflow代码案例）
17.CNN卷积神经网络（推导、原理、Tensorflow代码案例）
18.RNN时序神经网络（推导、原理、Tensorflow代码案例）
19.GAN生成对抗网络（原理、Tensorflow代码案例）
20.迁移学习通理（大致体系、原理）
21.强化学习（马尔科夫决策过程原理、动态规划）
22.强化学习（蒙特卡洛和时间差分方法原理）
23.强化学习（Q-learning、Sarsa、PG、AC）
24.强化学习（DQN、DDPG、A3C方式、Tensorflow代码案例）