一、数学基础
- 数学分析与凸优化
- 线性代数
- 概率与统计
二、经典算法学习
- 分类算法
- 逻辑回归
- 朴素贝叶斯
- 决策树
- KNN
- SVM
- 随机森林
- 神经网络
- 回归算法
- 线性回归
- 岭回归
- CART
- 聚类算法
- K-Means
- DBSCAN
- 谱聚类
三、编程技术
- Python入门
- Numpy库
- 数据分析库Pandas
- 数据可视化Matplotlib
- 机器学习库Scikit-learn
四、机器学习的基本原理
- 机器学习的特点与功能
- 机器学习的算法分类
- 机器学习的要素
- 机器学习模型求解
- 经验风险与结构风险
- 模型的评估与选择
五、CSDN推荐学习路线
- 数学基础
- py基础
- ML的基本原理
- 朴素贝叶斯
- 逻辑回归
- 支持向量机（SVM）
- 决策树
- 集成学习算法——AdaBoost
- 集成学习算法——随机森林
- 集成学习算法——GDBT算法原理
- 特征工程
- 聚类算法
- 神经网络（学习之后看深度学习的书）
- 综合——ML在推荐系统中的应用