计划1：《机器学习实战》(5个月)
第2章 k-近邻
第3章 决策树
第4章 朴素贝叶斯
第5章 logistic回归
第6章 SVM
第7章 AdaBoost
第8章 数值型线性回归
第9章 树回归
第10章 k-均值聚类算法
第11章 Apriori算法关联分析
第12章 FP-growth寻找频繁项集
第13章 PCA降维
第14章 SVD奇异矩阵分解
计划2：自然语言处理（6个月）
TF-IDF算法
skip-gram模型
CBOW模型
Word2Vec模型
Doc2Vec模型
RNN模型
LSTM模型
Seq2Seq模型
HMM模型
CRF模型
贝叶斯网络
计划3：评价指标计算（2个月）
TP：1-1
FN：0-1
FP：1-0
TN：0-0
Precision(P)精确度，查准率：预测对的正例/预测为正例总数 TP/TP+FP
Recall(R)召回率，查全率：预测对的正例数/正例总数 TP/TP+FN
sensitivity(sn)敏感度：预测对的正例数/正例总数 TP/TP+FN
specificity(sp)表示特异性: 预测对的负例/总负例数 TN / FP + TN
TPR表示正阳率：TP/TP+FN
FPR表示假阳率: FP/FP+TN
Accuracy表示准确度，正确分类率： TP+TN/TP+FN+FP+TN
F1 表示 precision和recall的调和平均，通常用于二分类任务, 分割任务的模型评价指标：F1=2PR/(P+R) = 2/(1/P+1/R)
AP：横轴R，纵轴P，曲线下面积表示AP，曲线为递减趋势
MAP：对于多分类任务，每一类都有个AP，取各个AP的平均，即 MAP。
ROC：横轴FPR（假阳率），纵轴TPR（正阳率），曲线通常是在y=x上方，越趋近于左上角，模型越好。
AUC： ROC下的面积。
计划4：数据处理（1个月）
归一化
标准化
离散化