1、可免費在以后培訓班中重聽；
        2、免費提供課后技術支持，保障培訓效果。
        3、培訓合格學員可享受免費推薦就業機會。

一、機器學習 1）機器學習概述2）定義問題
二、數據預處理 1）特征抽取2）特征轉換3）歸一化
三、線性回歸算法 1）線性回歸2）Ridge嶺回歸3）Lasso回歸4）Elastic Net算法
四、KNN K近鄰算法 1）KNN算法原理2）KNN算法應用
五、邏輯回歸算法 1）sigmoid函數2）邏輯回歸的損失函數3）邏輯回歸的優化4）邏輯回歸的多分類問題5）Softmax回歸多分類
六、梯度下降算法 1）批量梯度下降2）隨機梯度下降3）mini-batch梯度下降
七、牛頓法與擬牛頓法 1）牛頓法求函數根2）牛頓法求解函數最優化問題3）擬牛頓法—L-BFGS
八、決策樹算法 1）決策樹的簡介2）CART、ID-3、C4.53）gini系數4）信息增益5）信息增益率6）葉子節點的表達7）回歸樹8）預剪枝和后剪
九、Bagging集成算法 1）bootstrap2）隨機森林
十、Adaboost算法 1）Adaboost算法流程2）Adaboost算法損失函數優化
十一、GBDT算法 1）函數空間梯度下降2）GBM框架3）GBDT算法解決回歸問題
十二、XGboost和lightGBM算法 1）目標函數的建立2）子樹的分裂條件3） 子樹葉子節點的表達4）與傳統GBDT的比較
十三、支持向量機 1）線性可分支持向量機2）軟間隔支持向量機3）核函數方法4）SMO算法5）SVM回歸SVR和分類SVC
十四、聚類算法 1）各種相似度距離測度方法2）K-Means算法3）K-Means算法優缺點4）密度聚類5）層級聚類6）譜聚類
十五、PCA主成分分析算法 1） 方差最大化投影2） 矩陣的特征值與特征向量3） PCA降維
十六、LDA降維 1） LDA投影標準2） LDA降維算法
十七、MDS降維算法 1） 基于空間距離保持的方法2） MDS算法原理
十八、ISO-map降維算法 1) 近似測地距離的計算2) 最短路徑距離算法3) ISO-map算法原理
十九、LLE算法 1) 數據點的局部線性關系2) LLE算法原理
二十、SVD奇異值分解算法 1） 方陣的特征值分解2） 矩陣的奇異值分解3） 左右奇異向量4） 推薦系統應用
二十一、ALS矩陣分解算法 1） 矩陣分解的另一種方式2） 評估近似矩陣的方法3） ALS矩陣分解
二十二、FM 因子分解機 1） FM模型介紹2） FM算法詳解
二十三、樸素貝葉斯算法 1）樸素貝葉斯2）文本分類上的應用
二十四、貝葉斯網絡 1） 有向概率圖模型2） 生成模型3） 貝葉斯網絡聯合分布的表達4） 貝葉斯網絡性質
二十五、隱馬爾可夫模型 1）隱馬可夫模型的基本概念2）概率計算問題3）前向/后向算法4）維特比算法
二十六、最大熵模型 1） 隨機變量的熵、聯合熵、相對熵、互信息
2） 最大熵原理 3）最大熵模型的學習 4）最大似然估計 5）模型學習的最優化算法
二十七、EM算法 1）EM算法原理及收斂性2）EM算法在高斯混合模型學習中的應用
二十八、條件隨機場 1）條件隨機場的定義與形式2）條件隨機場的學習方法
二十九、PLSA 主題模型 1） LSA潛語義分析2） PLSA的模型拓撲3） EM算法應用于PLSA模型訓練
三十、LDA主題模型 1）LDA主題模型概述2）共軛先驗分布3）狄利克雷分布4）Laplace平滑5）Gibbs采樣詳解6）LDA與詞向量Word2Vec效果比較
三十一、神經網絡 1） 前向傳播2） 反向傳播3） 激活函數4） 梯度彌散/消失5） 參數初始化6） 多層感知機