此篇内容，随时对课程有理解，随时会进行修改。
笔记部分 W？是老师所给的任务
/***************************W1*****************************/
01 —— Regression，中间包含 Gradient Descent。所有课程的基础
/***************************W2*****************************/
02 —— Where does the error come from？
03 —— 概率生成模型
04 —— 逻辑回归 基础模型，后面的model很多都是建立在这之上
/***************************W3*****************************/
05 —— deep learning / why deeper is better？/ Backpropagation 此部分为deep learning 求微分的方法详述
06 —— Anomaly Detection 异常判别，此两部分在其他课程里顺序在后面。
/***************************W4*****************************/
08 —— keras DNN的编程软件，还没写，学完此课程之后，学python再来学
09 —— CNN 卷积神经网络，基础内容已完成，还差keras示例部分未写
10 —— Attack ML Models 如何对一个训练好的model进行攻击/干扰，如何防止这种攻击。
/***************************W5*****************************/
07 —— Tips of Deep Learning 关于deeo learning的一些问题
11 —— Explainable ML 让机器给出他判别的原因 / 是哪部分让机器做出了这个判别
/***************************W6*****************************/
12 —— RNN 1 什么是RNN，RNN的结构
13 —— RNN 2 RNN模型 如何training
机器学习主要包括：（来自百度等）
/*************************************回归算法
线性回归
逻辑回归
多元自适应回归（MARS）
本地散点平滑估计（LOESS）
/*************************************基于实例的学习算法
K - 邻近算法（kNN）
学习矢量化（LVQ）
自组织映射算法（SOM）
局部加权学习算法（LWL）
/*************************************正则化算法
岭回归（Ridge Regression）
LASSO（Least Absolute Shrinkage and Selection Operator）
Elastic Net
最小角回归（LARS）
/*************************************决策树算法
分类和回归树（CART）
ID3 算法 (Iterative Dichotomiser 3)
C4.5 和 C5.0
CHAID（Chi-squared Automatic Interaction Detection(）
随机森林（Random Forest）
多元自适应回归样条（MARS）
梯度推进机（Gradient Boosting Machine， GBM）
/*************************************贝叶斯算法
朴素贝叶斯
高斯朴素贝叶斯
多项式朴素贝叶斯
AODE（Averaged One-Dependence Estimators）
贝叶斯网络（Bayesian Belief Network）
/*************************************基于核的算法
支持向量机（SVM）
径向基函数（Radial Basis Function ，RBF)
线性判别分析（Linear Discriminate Analysis ，LDA)
/*************************************聚类算法
K - 均值
K - 中位数
EM 算法
分层聚类
/*************************************关联规则学习
Apriori 算法
Eclat 算法
/*************************************神经网络
感知器
反向传播算法（BP）
Hopfield 网络
径向基函数网络（RBFN）
/*************************************深度学习
深度玻尔兹曼机（DBM）
卷积神经网络（CNN）
递归神经网络（RNN、LSTM）
栈式自编码算法（Stacked Auto-Encoder）
/*************************************降维算法
主成分分析法（PCA）
主成分回归（PCR）
偏最小二乘回归（PLSR）
萨蒙映射
多维尺度分析法（MDS）
投影寻踪法（PP）
线性判别分析法（LDA）
混合判别分析法（MDA）
二次判别分析法（QDA）
灵活判别分析法（Flexible Discriminant Analysis，FDA
/*************************************集成算法
Boosting
Bagging
AdaBoost
堆叠泛化（混合）
GBM 算法
GBRT 算法
随机森林
/*************************************其他算法
特征选择算法
性能评估算法
自然语言处理
计算机视觉
推荐系统
强化学习
迁移学习