2016总计划(一)

1.  英语Level-10

            4月15： Level-5

            5月15： Level-6

            6月15： Level-7

            7月15： Level-8

            8月15： Level-9  

            9月15： Level-10

            10月15： Level-11

            11月15： Level-12

            12月15： Level-13

            每周： 1节F2F，1节WS，1节Appply，1节在线小组，1节私人课.

 2. 数学知识

        2.1.微积分基础

              2.1.1.函数概念

              2.1.2.函数极限

              2.1.3.导数与微分

              2.1.4.极值与凸性

              2.1.5.泰勒公式

              2.1.6.定积分

        2.2.概率论基础

              2.2.1.基本概念

              2.2.2.随机变量及其分布

              2.2.3.多维随机变量及其分布

              2.2.4.随机变量的数字特征

              2.2.5.大数定律和中心极限定理

        2.3.随机过程基础

             2.3.1.随机过程及其统计描述

             2.3.2.马尔可夫链

             2.3.3.时间序列

       2.4.线性代数

             2.4.1.行列式

             2.4.2.矩阵及其运算

             2.4.3.矩阵的初等变换与线性方程组

             2.4.4.向量组的线性相关性

             2.4.5.特征值与特征向量

             2.4.6.矩阵分解

             2.4.7.矩阵、向量求导

             2.4.8.矩阵与几何

       2.5.优化算法基础知识1

            2.5.1.凸优化简介

           2.5.2.无约束优化问题

           2.5.3.等式约束优化问题

      2.6.优化算法基础知识2

           2.6.1.不等式约束优化问题

           2.6.2.不等式约束优化算法

           2.6.3.SVM的对偶问题

      2.7.优化算法基础知识3

           2.7.1.随机梯度下降法

           2.7.2.坐标下降方法

           2.7.3.基于近端梯度的ISTA算法

           2.7.4.增广拉格朗日法

           2.7.5.ADMM算法

3. C++博客书写

4.  嵌入式所有课程

5.  机器学习基础课        

      5.1.机器学习基础和分类

            5.1.1.机器学习基础

            5.1.2.贝叶斯分类及应用

            5.1.3.K最近邻分类

            5.1.4.实训：训练朴素贝叶斯分类器进行文档分类

      5.2感知机和SVM

            5.2.1.线性感知机分类

            5.2.2.支持向量机

            5.2.3.理论性质和工具

            5.2.4.实训：SVM工具包使用

      5.3聚类

           5.3.1.聚类基础知识

           5.3.2.凝聚层次聚类

           5.3.3.K-means聚类

           5.3.4.基于GMM的聚类

           5.3.5.实训：利用K-means算法完成新闻聚类

      5.4回归

           5.4.1.线性回归

           5.4.2.逻辑回归

           5.4.3.正则化框架

           5.4.4.搜索广告算法

           5.4.5.实训：广告点击率预估

     5.5关联规则

          5.5.1.关联规则挖掘介绍

          5.5.2.Apriori算法

          5.5.3.FP-Growth算法

          5.5.4.协同过滤基础

          5.5.5.实训：电影演员关联规则挖掘


     5.6图模型与中文分词

           5.6.1.中文分词技术概述

           5.6.2.马尔科夫模型与语言模型

           5.6.3.隐马尔科夫模型及应用

           5.6.4.实训：训练HMM切词器，对任意输入字符串进行解码

6.  机器学习高级课 

      6.1.主题模型

            6.1.1.概率图模型基础

            6.1.2.EM算法

            6.1.3.PLSA模型

            6.1.4.LDA模型

            6.1.5.实训：基于EM算法的PLSA训练程序

     6.2条件随机场与最大熵模型

            6.2.1.最大熵模型

            6.2.2.隐马模型

            6.2.3.条件随机场

            6.2.4.实训：实现最大熵的GIS算法

      6.3.SMO和CD算法

            6.3.1.SVM对偶问题

            6.3.2.SMO算法

            6.3.3.CD算法

            6.3.4.实训：编写基于SVM的单变量优化算法

       6.4.L-BFGS迭代优化和OWLQN

            6.4.1.拟牛顿法

            6.4.2.L-BFGS算法

            6.4.3.OWLQN算法

            6.4.4.实训：基于LR回归问题，编写对应LBFGS算法

       6.5神经网络和深度学习

            6.5.1.神经网络

            6.5.2.什么是深度学习

            6.5.3.深层网络的基本构成单元

            6.5.4.深层网络的学习方法和应用成果

            6.5.5.实训：基于MNIST数据集，构建深层神经网络进行人写体识别

      6.6决策树和模型融合

            6.6.1.决策树简介

            6.6.2.模型集成

            6.6.3.Bagging集成

            6.6.4.Boosting算法

            6.6.5.Tree-based&混合模型

            6.6.6.实训：使用Adaboost算法分类

•