第一部分 基础知识（T=3W）
1.1 数学（T=1W）
- 高数：导数、微分、积分、梯度、泰勒展开式
- 线性代数：向量、矩阵、运算、范数、特征向量和特征值
- 概率论：条件概率、期望等
1.2 Python（T=1W）
- 廖雪峰免费教程：（从第一讲看到常用的第三方模块，了解面向对象编程）
- Python实战：利用Python进行数据分析
第二部分 机器学习理论入门（T=3W）
2.1 统计学习方法（李航）
2.1.1 三个准则
（1）作为入门不要每章都看
（2）不要从零开始实现代码，太浪费时间
（3）必须能手推公式
2.1.2 章节目录
统计学习概论、感知机、朴素贝叶斯、决策树、逻辑回归与最大熵、提升树、xgboost
2.2 刘建平博客
第三部分 机器学习实战入门（T=1W）
3.1 阿里云天池大赛赛题解析（机器学习篇）
3.2 四个任务
- 工业蒸汽预测
- 天猫用户重复购买预测
- O2O优惠券预测
- 阿里云安全恶意程序检测
3.3 怎么学习
赛题理解、数据探索、特征工程、模型训练、模型验证、特征优化、模型融合
第四部分 深度学习理论入门（T=1M）
4.1 深度学习
4.2 NLP（T=2W）
文本分类、文本匹配、序列标注、文本生成
CS224n：一共18讲，P1-P5，P8，P9，P11
作业：重点看a1，a2，a4，a5；其实a5这个不做的话，也没问题，把前面给的这个三个一定自己走一遍；
必须熟悉的掌握：反向传播，词向量，RNN，GRU，Lstm，Seq2Seq以及attention机制；初步了解卷积神经网络；
4.3 CV（T=2W）
图像理解（分类、检测、分割、追踪）、图像生成（GAN模型）
CS231n：一共32讲，P1-P22
作业：1，2，3不用看
反向传播梯度回传，损失函数，优化算法，多层感知机，卷积神经网络，普通的循环神经网络，以及一些dropout和BN掌握住；
4.4 必看的一本书：邱锡鹏
4.5 Pytorch框架
- B站刘二大人：《PyTorch深度学习实践》完结合集，源代码
- 一个仓库
第五部分 深度学习实战入门（T=2W）
5.1 自然语言处理-新闻文本分类（T=1W）
5.1.1 赛题解析
5.1.2 分析数据
5.1.3 基于机器学习的文本分类任务
5.1.4 不同深度学习模型
5.2 计算机视觉-街景符号识别（T=1W）
5.2.1 赛题解析
5.2.2 数据读取与数据扩增
5.2.3 构建模型
5.2.4 模型训练与验证
5.2.5 模型集成
5.3 要求
- 必须弄清楚每行代码
- 调参