算法要求：原理、公式推导、自己实现、分布式、优缺点、使用场景、如何选型

机器学习目录（暂定）

CART

GBDT

KKT

KNN

L1，L2

LR

SVM

libsvm和liblinear

random forest

bagging,adaboost,boosting,线性加权,cascade

EM

K-Means

k-fold 交叉验证

xgboost

softmax

数据归一化

优化方法（梯度下降、牛顿法、拟牛顿法，坐标下降……）

过拟合

贝叶斯估计

朴素贝叶斯

SVD,SVD++

信息熵、薪资增益、互信息、基尼系数

CNN

RNN

LSTM

决策树

分类、回归模型

判别、生成模型

损失函数、目标函数、代价函数

HMM

激活函数

评估模型效果

BP算法

特征选择（互信息、卡方检验、树模型……）

ML与DL区别

数据不平衡

word2vec

哈夫曼树

C4.5，ID3，CART区别

样本采样