可以為自己建立一個機器學習的知識圖譜，並爭取掌握每一個經典的機器學習理論和演算法，簡單地總結如下：

1）迴歸演算法：

2）基於例項的演算法：

3）基於正則化方法：

4）決策樹學習：

5）基於貝葉斯方法：

• 樸素貝葉斯演算法
• 平均單依賴估計（AveragedOne-Dependence Estimators， AODE）
• Bayesian Belief Network（BBN）

6）基於核的演算法：

• 支援向量機（SupportVector Machine， SVM）
• 徑向基函式（Radial Basis Function ，RBF)
• 線性判別分析（Linear Discriminate Analysis ，LDA)

7）聚類演算法：

• k-Means演算法
• 期望最大化演算法（Expectation Maximization， EM）

8）基於關聯規則學習：

• Apriori演算法
• Eclat演算法

9）人工神經網路：

• 感知器神經網路（PerceptronNeural Network）
• 反向傳遞（Back Propagation）
• Hopfield網路
• 自組織對映（Self-OrganizingMap, SOM）
• 學習向量量化（Learning Vector Quantization， LVQ）；

10）深度學習：

• 受限波爾茲曼機（RestrictedBoltzmann Machine， RBN）
• Deep Belief Networks（DBN）
• 卷積網路（Convolutional Network）
• 堆疊式自動編碼器（Stacked Auto-encoders）

11）降低維度的演算法：

• 偏最小二乘迴歸（Partial Least Square Regression，PLS）
• Sammon對映
• 多維尺度（Multi-Dimensional Scaling, MDS）
• 投影追蹤（ProjectionPursuit）

12）整合演算法：

• Boosting
• Bootstrapped Aggregation（Bagging）
• AdaBoost
• 堆疊泛化（Stacked Generalization， Blending）
• 梯度推進機（GradientBoosting Machine, GBM）
• 隨機森林（Random Forest）

後續將持續更新機器學習演算法及其Python實踐程式碼，與大家一起學習探討。