user guide
https://scikit-learn.org/stable/user_guide.html
1. 监督式学习(Supervised learning)
1.1. 广义线性模型(Generalized Linear Models)
1.2. 线性和二次判别分析(Linear and Quadratic Discriminant Analysis)
1.3. 内核岭回归(Kernel ridge regression)
1.4. 支持向量机(Support Vector Machines)
1.5. 随机梯度下降(Stochastic Gradient Descent)
1.6. 最近邻KNN(Nearest Neighbors)
1.7. 高斯过程(Gaussian Processes)
1.8. 交叉分解(Cross decomposition)
1.9. 朴素贝叶斯(Naive Bayes)
1.10. 决策树(Decision Trees)
1.11. 整体方法-随机森林/adaboost(Ensemble methods)
1.12. 多类多标签算法(Multiclass and multilabel algorithms)
1.13. 特征选择(Feature selection)
1.14. 半监督学习(Semi-Supervised)
1.15. 保序回归(Isotonic regression)
1.16. 概率校准(Probability calibration)
1.17. 神经网络模型(Neural network models (supervised))
2. 非监督学习(Unsupervised learning)
2.1. 高斯混合模型(Gaussian mixture models)
2.2. 多方面学习(Manifold learning)
2.3. 聚类(Clustering)
2.4. 双聚类(Biclustering)
2.5. 矩阵分解(Decomposing signals in components (matrix factorization problems))
2.6. 协方差估计(Covariance estimation)
2.7. 新颖性和离群点检测（Novelty and Outlier Detection）
2.8. 密度估计(Density Estimation)
2.9. 神经网络模型(Neural network models (unsupervised)）
3. 模型选择与评估(Model selection and evaluation)
3.1. 交叉验证:评估估计器性能(Cross-validation: evaluating estimator performance)
3.2. 调整估计器的超参数(Tuning the hyper-parameters of an estimator)
3.3. 模型评估:量化预测的质量(Model evaluation: quantifying the quality of predictions)
3.4. 模型的持久性(Model persistence)
3.5. 验证曲线:绘制评估模型的分数(Validation curves: plotting scores to evaluate models)
4. 检查(Inspection)
4.1. 部分依赖图(Partial dependence plots)
5. 数据集转换(Dataset transformations)
5.1. 管道和复合估计器(Pipelines and composite estimators)
5.2. 特征提取(Feature extraction)
5.3. 数据预处理(Preprocessing data)
5.4. 缺失值的归算(Imputation of missing values)
5.5. 无监督降维(Unsupervised dimensionality reduction)
5.6. 随机投影(Random Projection)
5.7. 内核近似(Kernel Approximation)
5.8. 两两度量，亲和度和核(Pairwise metrics, Affinities and Kernels)
5.9. 转换预测目标(y)(Transforming the prediction target (y))
6. 数据加载工具(Dataset loading utilities)
6.1. 一般数据API(General dataset API)
6.2. 虚拟数据集(Toy datasets)
6.3. 现实世界的数据集(Real world datasets)
6.4. 生成数据集(Generated datasets)
6.5. 加载其他数据集(Loading other datasets)
7. scikit-learn计算(Computing with scikit-learn)
7.1. 以计算方式扩展的策略:更大的数据(Strategies to scale computationally: bigger data)
7.2. 计算性能(Computational Performance)
7.3. 并行性、资源管理和配置(Parallelism, resource management, and configuration)
——以上，未标红的表示完全不了解。建议学习路径1/2标红部分，4/5在使用中并行学习，6需要时了解即可，再到其他，7可以不看。