第一章：机器学习基础

01 机器学习

第二章：监督学习

01 感知机
02 感知机原始形式(鸢尾花分类)
03 感知机对偶形式(鸢尾花分类)
04 线性回归
05 scikit-learn库之线性回归
06 普通线性回归(波斯顿房价预测)+特征选择
07 多元线性回归(波士顿房价预测)
08 多项式回归(波士顿房价预测)
09 对数线性回归(波士顿房价预测)
10 正则化线性回归(波士顿房价预测)
11 RANSAC算法线性回归(波斯顿房价预测)
12 Logistic(逻辑)回归
13 Softmax回归
14 scikit-learn库之逻辑回归
15 Logistic回归(鸢尾花分类)
16 k近邻算法
17 kd树
18 scikit-learn库之k近邻算法
19 k近邻算法(鸢尾花分类)
20 kd树(鸢尾花分类)
21 决策树ID3算法
22 决策树C4.5算法
23 决策树CART算法
24 决策树总结
25 scikit-learn库之决策树
26 决策树(鸢尾花分类)
27 朴素贝叶斯
28 scikit-learn库之线朴素贝叶斯
29 朴素贝叶斯(垃圾邮件分类)
30 线性可分支持向量机
31 线性支持向量机
32 线性支持向量机(鸢尾花分类)
33 非线性支持向量机
34 非线性支持向量机(鸢尾花分类)+自定义数据分类
35 scikit-learn库之支持向量机
36 支持向量回归
37 支持向量机总结

第三章：无监督学习

01 K-Means聚类算法

第四章：集成学习

01 集成学习基础
02 AdaBoost算法
03 scikit-learn库之AdaBoost算法
04 AdaBoost算法代码(鸢尾花分类)
05 提升树
06 梯度提升树
07 scikit-learn库之梯度提升树
08 梯度提升算法代码(鸢尾花分类)
09 XgBoost算法
10 Bagging和随机森林
11 随机森林代码(葡萄酒质量检测)
12 scikit-learn库之随机森林

第五章：特征工程

01 特征预处理
02 特征选择
03 主成分分析(PCA)
04 scikit-learn库之主成分分析
05 主成分分析代码(手写数字识别)
06 模型选择

第六章：深度学习

01 DeepLearning-图像识别

第七章：推荐系统

01 推荐系统常用度量指标
02 基于协同过滤的推荐算法

第八章：sklearn实战

01 课程习得
02 通过线性回归了解算法流程
03 机器学习算法原理
04 细分构建机器学习应用程序的流程-流程简介
05 细分构建机器学习应用程序的流程-数据收集
06 细分构建机器学习应用程序的流程-数据预处理
07 细分构建机器学习应用程序的流程-训练模型
08 细分构建机器学习应用程序的流程-测试模型
09 细分构建机器学习应用程序的流程-模型优化

第九章：tensorflow实战

01 Tensorflow1基本使用

附录A：优化算法

01 最小二乘法
02 梯度下降法
03 牛顿法和拟牛顿法
04 坐标轴下降法
05 前向选择法和前向梯度法
06 最小角回归法
07 前向分步算法
08 拉格朗日对偶性

附录B：数学

01 微积分-Sigmoid函数
02 微积分-sign(符号)函数
03 概率论-常见的概率分布模型
04 概率论-条件概率
05 概率论-极大似然估计
06 概率论-熵和信息增益
07 概率论-贝叶斯决策
08 线性代数-矩阵转置
09 线性代数-范数
10 线性代数-距离公式汇总
11 经济学-基尼指数

附录C：项目

01 手写数字识别
02 推荐系统