本站原创文章，转载请说明来自《老饼讲解-机器学习》ml.bbbdata.com

本文介绍学习机器学习所需要学习的具体内容

    01.  学习内容简介    

    所需学习内容类别    

这里我们并不考虑机器学习学术上的知识体系和完整性，
而是描述实际应用中的使用体系、知名度和性价比

需要学习的内容分为
👉 模型(算法)  
👉 求解算法    
👉 综合知识    

其中，模型/算法是指最终所需使用的对象，
而求解算法是服务于模型的，求解模型所需的参数
综合知识则是根据具体实践项目，灵活性补充的相关知识

    02.  具体学习内容介绍    

本节列举一些重要的、具体的学习知识内容

   01. 模型(算法)   

模型非常多，下面列举一些知名度较高的模型，
也可以认为是常见的Base模型
系列模型
线性回归-->逻辑回归-->SVM                                                    
决策树-->集成算法(随机森林、Adboost、GBDT)-->Xgboost    
PCA-->LDA-->FA-->ICA（该系列通常用于降维）                     
线性回归-->岭回归-->Lasso回归                                               
  散装模型
 KNN、K-means、朴素贝叶斯、隐马可夫链、Apriori

✍️说明
(1)标红的是必学的模型                                   
(2)系列模型是指这些模型是相关的，学习时按顺序递进式学习
散装模型则是独立的，没有依赖，独立学习即可       

   02.  求解算法   

1、精确求解：线性方程最小二乘求解                                               
2、基于微分的优化算法：梯度下降、牛顿法与拟牛顿法、共轭梯度法
3、*启发式智能算法：模拟退火、遗传算法、蚁群算法                      
 加*的代表该系列优先度不高

   03.  综合知识   

常见的有：过拟合、正则化、数据清洗、AUC、KS等等
综合知识往往是在学习模型或实践中慢慢积累而成，不需特地专门去学习

这里只是把较具代表性的列出来，能搞完上面这些，已经不错了

事实上，上面的内容并不会要求全部学完

一般先学一部分，再按具体工作所需进行补充学习即可

 End