1、机器学习是什么
第一阶段：试图使用逻辑和规则直接来演绎人类的智商和智能
第二阶段： 让机器真正学会人类学习方式范式就是机器学习，通过大量的数据归纳出统计规律。
2、什么是模型
类似于y=ax+b的数学公式就是对一个模型的定义，线性回归模型就是假设建立一个模型，符合P=w1X1+w2X2+w3X3+b等式的线性模型，w1,w2,w3作为此模型的参数。
3、监督学习与损失函数
监督学习是一种归纳法！
求解方法：暴力求解法
结论：数据量太大，暴力无法做到求解
4、梯度下降
机器学习求解其实就是优化的过程，这里的优化也就是指的是梯度下降的方法。、
梯度下降也就是利用数学中求导的思想，求解下降到代价函数最优解的方法。
为什么一定能找到一个代价函数的最小值（最优解）？
代价函数J(θ)是一个多元的二次函数，数学中凸问题（凸优化）一定是有最优解。
5、数据标注的价值
大数据时代1.0： 数据的积累和呈现
大数据时代2.0： 机器学习用经验数据预测未来
机器学习给数据赋予价值
6、 线性回归模型代码展示（一）
线性回归，是最简单的回归模型。所谓回归问题，是指从一组特征，预测另一个连续的特征。
7、 线性回归模型代码展示（二）
8、 线性回归模型代码展示（三）
9、机器学习的三大基本范式（一）
dimensionality reduction 降维
reinforcement learning 强化学习
10、机器学习的三大基本范式（二）
监督学习大多数作预测，而强化学习大多数作决策。
11、 监督学习中分类和回归的特征
分类问题和回归问题都是x——y的映射，前者属于离散值，后者是连续值。
12、感知机
树突是感知信息，轴突是传递决策作用。
13、代价函数
求d,直接用点到直线的距离公式就好了。
14、随机梯度下降、如何判断分类器的好坏
随机梯度下降基于单个数据点进行调整，而不是基于整个数据集来进行调整。
随机梯度下降可能会增加时间开销，当数据集很大的情况，随机梯度下降可能花费时间会相对短，不失为一种主流的优化方法。
判断分类好坏的几个重要指标
F1-score是召回率和准确率的调和平均数，中和权衡这两个指标来判断分类的好坏。
15、感知机的缺陷及总结
16、代码展示
随即梯度下降代码展示：
17、 KNN的算法是什么
18、 如何选择KNN中的K
19、过拟合和交叉验证
20、代码展示 及KNN算法的问题
1、维度（特征）增加，距离失效
2、数据量大，算法超慢
21、 机器学习什么时候会成功
机器学习适用的条件
22、如何用概率论度量模型的不确定性（一）
23、如何用概率论度量模型的不确定性（二）
24、如何用概率论度量模型的不确定性（三）
25、如何用概率论度量模型的不确定性（四）
26、如何用概率论度量模型的不确定性（五）
27、模型误差的两种分类（一）
28、模型误差的两种分类（二）
偏差——预测值的期望值(ED)与真实值(h(x))的差值
方差——预测的真实值(y(x,Di))与预测期望值(ED)的差值
29、模型误差的两种分类（三）
如何减小泛化误差
- 数据量增加，减小方差
- 增加模型复杂度，减小偏差
- 最好的模型都有上限，噪声的限制
30、代码展示
用于训练的数据越多，预测结果的方差就越小；
用于训练的模型越复杂，预测结果的偏差就越小；
31、如何选择好的特征值（一）
相关性来看与特征是正相关还是负相关。
32、如何选择好的特征值（二）
33、如何选择好的特征值（三）
34、正则化（一）
35、正则化（二）
36、代码展示（一）
37、代码展示（二）
38、逻辑斯蒂(Logistic)模型
即机器学习的三步骤：找模型、损失函数、调参（梯度下降）
逻辑斯蒂(Logistic)模型和概率有关系，需要将线性回归-∞—+∞转化为0—1的概率，；
39、交叉熵KL散度
40、如何度量模型的目标（一）
41、如何度量模型的目标（二）
42、如何求解逻辑斯蒂回归模型的优化问题（一）
43、如何求解逻辑斯蒂回归模型的优化问题（二）
44、代码展示（一）
45、代码展示（二）
46、代码展示（三）
47、决策树是什么
48、信息熵，如何衡量哪些特征重要
49、如何用信息增益在决策树中选择特征（一）
50、如何用信息增益在决策树中选择特征（二）
51、决策树的构建何时停下来
52、决策树如何应对连续特征
53、决策树如何应对过拟合
54、随机森林在回归问题上的代码演示
55、复习决策树
56、Bagging方法
典型的例子：随机森林（并行思维）
57、Boosting方法（一）
另一种集成方法是stacking，形如Bagging和Boosting两种方法特点的结合；
Boosting方法的演化和改进方法：
GradientBoosting的方法核心思想——残差拟合
58、Boosting方法（二）
59、Boosting方法（三）
60、Boosting方法（四）
AdaBoost是尝试不同损失函数的结果
AdaBoost和Gradient Boosting很像，只不过处理梯度的方法不一样，另外Gradient Boosting是对样本的权重进行调整，AdaBoost是最后测试加合时给了不同的比重，正确率越高，权重越大；
61、主成分分析背后的直觉
62、PCA怎么做
63、代码展示（一）
64、代码展示（二）
65、传统机器学习方法的问题（一）
66、传统机器学习方法的问题（二）
67、神经网络的历史发展
68、神经网络三要素之一：权重矩阵
69、神经网络三要素之**函数、决策层
70、网页展示
71、SVM的目标：如何将间隔最大化
72、SVM要解决什么样的优化问题
73、拉格朗日最优问题的解法（一）
74、拉格朗日最优问题的解法（二）
75、SVM中的软间隔
76、SVM中的核函数
77、核函数为什么有用（一）
78、核函数为什么有用（二）
79、SVM与其他模型的对比
SVM同样是解决线性不可分问题的办法，作用在原特征的基础上，后来被复杂的神经网络所慢慢取代地位；
SVM的核心思想是正则（使分类区两端尽可能分的开，硬间隔和软间隔）；
SVM通过升维（非线性项x1x2）的方式来解决二维线性不可分；
VC维增加，拟合能力变强，容易产生过拟合；其中C参数能限制过拟合，C越小，过拟合越小；