1、机器学习基础

有监督学习/无监督学习

分类和回归

训练集、测试集、验证集

数据预处理和特征工程

网格搜索和学习曲线

欠拟合，过拟合，正则化

代价函数/损失函数

泛化性能—偏差，方差和误差

分类打分：准确率/召回率/F1/roe/ruc

回归打分：r^2，mse,rmse

2、有监督学习

回归（连续型）

线性回归，决策树回归，SVR，集成学习回归

分类（离散型）

逻辑回归，决策树分类，贝叶斯，SVC，神经网络，集成学习(bagging,boosting,stacking,

案例

竞赛：国内天池，国外kaggle

3、无监督学习

聚类：kmeans,dbscan

4、推荐系统

关联规则

协同过滤

基本内容

SVD分解

隐语义模型