7月30之前做了什么

监督学习的常见算法，如决策树，SVM，GLM，naive bayes，非监督算法，k-means，kNN

相关的概率论知识补充，除神经网络与深度学习外的资料收集，对脑机研究的基本了解，对整体机器学习，深度学习，数据挖掘这块宏观的认识

接下来还需要继续学习的有：

1.继续传统机器学习算法的学习

重点是（1）和（2） 其他的略了解就行

（1）非监督学习 聚类.降维等

a.（高斯判别），混合高斯模型，层次聚类，（线性判别分析LDA和其核化版本）（混合贝叶斯模型），EM算法等

b.主成分分析，奇异值分解 等降维算法

（2）集成学习 Boosting，bagging与随机深林    （）

（3）半监督学习 

（4）概率图模型

（5）规则学习

（6）强化学习

2.神经网络，深度学习这条线的研究

书籍资料还没买，回家再买

预计有：

（1）.深度学习，ai圣经

（2）深度学习  优化与识别

（3）深度学习导论与案例分析

（4）面向机器智能的TensorFlow实践

 

 

3.数字信号分析，脑电信号分析方法及应用的学习

两本书

4.数据挖掘中各种工具技巧的学习

（1）数据清洗

（2）特征工程，特征选择　

（3）模型评估与选择

 

参考书籍：

1.周志华，李航的书

2.python机器学习 预测分析核心算法  （两大核心算法族与工程应用）

3.python大战机器学习　　

4.EEG与信号处理两本书