参考书籍《机器学习和深度学习：原理、算法、实战》

1 工业界流行的机器学习算法

• 线型回归
• 逻辑回归
• 决策树
• 随机森林
• 梯度提升机
• 人工神经网络
• 卷积神经网络
• 循环神经网络
• 贝叶斯技术
• 支持向量机
• 进化方法
• 马尔可夫逻辑网络
• 隐马尔可夫模型
• 生成对抗网络

2 机器学习

机器学习也被称为增强分析，被认为是人工智能的一个子集，与计算统计学密切相关。机器学习预测未来的准确率会随着经验积累而提高，为了达到目标准确率，机器学习算法需要用训练数据来进行训练。
典型的机器学习例程如下图所示：

3 深度学习

深度学习是机器学习算法的一个子集，又称分层学习，给定原始输入数据，深度学习逐步从多个层次中提取更高层次的表征，深度学习技术一个常用领域是图像学习。

4 预备知识

• 线型代数：标量、向量及其运算；特征值和特征向量；常用矩阵运算
• 初等微积分（高等数学）：函数、导数、偏导数、微分、梯度、基本积分
• 基本统计学和概率论：总体、样本、变量及其分类、均值、中位数、众数、参数、统计量、分布测度、定量和定性分析实例、概率论的基本理论和相关概念
• 编程基础：python（基础语法、NumPy、Pandas）->TensorFlow（开源库，丰富的工具）

5 监督学习与无监督学习

• 监督学习：典型算法有分类和回归算法，需要训练模型
• 无监督学习：典型算法有聚类分析，不需要预先训练模型