AI/機器學習（熱點及趨勢？）
人工智慧，人工神經網路領域歸為深度學習。
在微博，機器學習被廣泛地應用於微博的各個業務，如Feed流、熱門微博、訊息推送、反垃圾、內容推薦等。
深度學習AI美顏系列---天天P圖瘋狂變臉演算法- https://blog.csdn.net/Trent1985/article/details/80295532
瘋狂變臉演算法DEMO- https://download.csdn.net/download/trent1985/10410917
騰訊圍棋AI技術PhoenixGo正式開源- https://github.com/Tencent/PhoenixGo
深度學習框架Caffe- http://caffe.berkeleyvision.org/
TensorFlow
16個GitHub收藏和貢獻率最高的深度學習框架- https://blog.csdn.net/tkkzc3E6s4Ou4/article/details/80267827
技術及思維模式的調整：網際網路 -> 雲 -> 手機 -> AI/機器學習；
機器學習的開發工作，最好首先完成這麼幾項課程：
➤ 入門，瞭解概念，演算法基礎：
Coursera 機器學習課程 - by 吳恩達
Machine Learning Coursera
https://www.coursera.org/learn/machine-learning
➤ 進階，多層神經網路，卷積和softmax迴歸：
斯坦福機器學習課程 UFLDL
UFLDL Tutorial
http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial
重點關注其中的softmax迴歸，卷積和池化這幾個章節
➤ 進階，計算機視覺，卷積神經網路的新進展，實現和應用：
斯坦福計算機視覺課程 CS231n
斯坦福CS231n -深度學習與計算機視覺 - 網易雲課堂http://study.163.com/course/introduction/1003223001.htm
目前機器學習的框架非常的多，從面向的使用者這個維度去劃分，大體上分成這麼兩個陣營：
➤ 學術友好型：Theano，Torch，Caffe
➤ 工業友好型：Tensorflow，MXnet，Caffe
STEM（科學、技術、工程、數學）能力；
貝葉斯思想概述：從貝葉斯定理到貝葉斯網路- https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247492199&idx=2&sn=cdea715746f387776c506ac34abbe483
AI學習者必備 | 聖母大學公開統計計算課程講義（視訊+PPT+作業）- https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247492189&idx=2&sn=5e7315eaaf83b99e3e5ee8e45361bb6e
> 學習TensorFlow（AI/機器學習）
Google Drive：https://drive.google.com/drive/folders/0B41Zbb4c8HVyY1F5Ml94Z2hodkE百度網盤：https://pan.baidu.com/s/1c19SI56#list/path=%2F
概念：監督學習;非監督學習;增強學習;貝葉斯公式;推斷;歸納 Induction;演繹 Deduction;反推出因 Abduction;分類;迴歸 Regression 預測資料;
機器學習，TensorFlow在圖形分類、音訊處理、推薦系統和自然語言處理等場景下都有豐富的應用。
integrating TensorFlow into Android application- https://github.com/MindorksOpenSource/AndroidTensorFlowMachineLearningExample
numerical computation using data flow graphs- https://github.com/tensorflow/tensorflow
MachineLearningDemo- https://github.com/Fndroid/MachineLearningDemo
TensorFlow的流行讓深度學習門檻變得越來越低，只要你有Python和機器學習基礎，入門和使用神經網路模型變得非常簡單。TensorFlow支援Python和C++兩種程式語言，再複雜的多層神經網路模型都可以用Python來實現，如果業務使用其他程式設計也不用擔心，使用跨語言的gRPC或者HTTP服務也可以訪問使用TensorFlow訓練好的智慧模型。
李飛飛、吳恩達、Bengio等人的15大頂級深度學習課程- http://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/79136408
> 機器學習演算法和常用統計模型
1.機器學習演算法核心演算法
迴歸/分類樹
降維（PCA、MDS、tSNE等）
經典的前饋神經網路
Bagging ensembles方法（隨機森林、KN N迴歸整合）
Boostingensembles方法（梯度提升、XGBoost演算法）
引數調整或設計方案的優化演算法（遺傳演算法，量子啟發式演化演算法，模擬退火/simulated annealing，粒子群優化/ particle-swarm optimization）
拓撲資料分析工具，特別適用於小樣本量的無監督學習（持續同調/persistent homology，Morse-Smale聚類，Mapper ...）
深度學習架構（通用深度學習架構）
用於區域性建模的KNN方法（迴歸，分類）
基於梯度的優化方法/Gradient-based optimization methods
網路度量/Network metrics和演算法（中心度量，跳數，多樣性，熵，拉普拉斯運算元，疫情傳播/epidemic spread，譜聚類/spectral clustering）
深層架構中的卷積和池化層/pooling layers（特別適用於計算機視覺和影象分類模型）
分層聚類（與k均值聚類和拓撲資料分析工具相關）
貝葉斯網路（路徑挖掘/pathway mining）
複雜性和動態系統（與微分方程有關）
此外，部分領域還可能需要與自然語言處理、計算機視覺相關演算法。
2.機器學習演算法常用模型
廣義線性模型（是多數監督機器學習方法的基礎，如邏輯迴歸和Tweedie迴歸）
時間序列方法（ARIMA，SSA，基於機器學習的方法）
結構方程建模（針對潛變數之間關係進行建模）
因子分析（調查設計和驗證的探索型分析）
功效分析/試驗設計（特別是基於模擬的試驗設計，以避免分析過度）
非引數檢驗（MCMC）
K均值聚類
貝葉斯方法（樸素貝葉斯，貝葉斯模型平均/Bayesian model averaging，貝葉斯適應性試驗/Bayesian adaptive trials等）
懲罰性迴歸模型（彈性網路/Elastic Net，LASSO，LARS ...）以及對通用模型（SVM，XGBoost ...）加罰分，這對於預測變數多於觀測值的資料集 很有用,在基因組學和社會科學研究中較為常用）
樣條模型/Spline-based models(MARS等）：主要用於流程建模
馬爾可夫鏈和隨機過程（時間序列建模和預測建模的替代方法）
缺失資料插補方法及其假設（missForest，MICE ...）
生存分析/Survival analysis（主要特點是考慮了每個觀測出現某一結局的時間長短）
混合建模/Mixture modeling
統計推斷和組群測試（A/B測試以及用於營銷活動的更復雜的方法）