写在前面
这一周的情况确实有些超过了我的预期，突如其来的智齿发炎真的没办法，被迫去县城医院看医生并且挂水才能维持生活这样子。
我这中间也抽时间把表弟的高三质检过了一轮，了解了基本情况，也分享了一些方法。高考加油！
书籍笔记什么的我后边整理好后来补档。我一直认为书本是思想的积聚，也是传播的桥梁。很庆幸站在其他人肩膀上还能说一些自己的理解。
安排
课程项目研究与针对复习
说明：其实在我翻看之前的一些项目时候，发现自己对于项目的一些很基础的原理性的细节和整体流程理解不清晰，一方面的原因是自己以前能力原因，另一方面也是自己没有注意这方面的内容。其实也是为自己以后的面试打一个基础。
现在进行一个摸底式的针对复习，涉及到：理论复习，整合调研内容。
理论复习也就是顾名思义，对原理内容进行复习，涉及算法原理和架构，需要结合必要的代码内容；
整合调研内容较为落地，是针对某一个或几个使用的技术进行深度或者成熟度的调研，然后对其架构进行分析，参照并整合资料。
初步的设想的模块是：机器学习，cv，系统项目。
后续细化的版本会放在blog中留档。
机器学习
老生常谈但是又很难吃透。
经典模型与方法：
-
形式语言，语法树，自动机，基于概率的语言模型
-
智能搜索方法论，智能路径搜索，此基础上的爬虫
-
动态规划，线性优化，多种距离与文本相似度
-
词向量，word2vec，关键词提取，实体识别，依存分析，主题模型
-
线性回归，逻辑回归，CNN，可视化，经典CNN，SGD，adam
-
RNN，LSTM，训练问题
参考仓库：
深度学习500问 —— 问题粒度比较小，拆分理解更方便。
cv
-
基本概念与操作：图像属性，投影变化，图像一二阶导数，边缘检测、锐化、模糊，角点检测
-
特征点：SIFI，HoG特征，RANSAC算法，传统cv流程，opencv
-
基于pytorch的基础层搭建，网络层搭建，FLOPS计算，网络参数初始化策略，图像预处理，参数调优方式，评价指标
-
cuda加速，Thread、Block、Grids,Memory层级，cuda变量，1 block and 1 thread 到 N block and N thread
-
RCNN，Fast RCNN，Faster RCNN，Yolo3
-
图像分割，图像风格转换。 卡尔曼滤波
系统项目（偏数据挖掘）
RS 推荐系统
-
基础概念：商业智能场景和工具，信息流产品——推荐架构，广告，搜索，推荐方法，冷启动，E&E
-
关联规则：apriori， FPGrowth，最小值尺度、最小置信度，超市小票关联分析案例，电影分类中的关联分析
-
决策树与随机森林，SVM支持向量机，贝叶斯分类器，K-Means与层级聚类
-
矩阵分解ALS算法，spark中的ALS工具，surprise推荐工具的使用，Netflix电影评分预测
-
因子分解机，FM，FFM，NFM，工具libFM、xlearn，广告点击率预测
价格预测
-
预测GBDT，XGBoost，LightGBM，NGBoost
-
AR，MA，ARMA，ARIMA，股市预测
路径规划
-
复杂度，DFS，BFS，动态规划
-
PageRank为例的图论经典模型，社区发现LPA，最短路径规划Dijkstra，Floyd，
-
autoML，工具TPOT、ModelArts; Q-learning,Deep Q learning,价值网络，策略网络
算法模板计划
说明：刚好趁着这学期的算法课程的巧，对一些算法原理和算法实现进行系统化的整理和归纳。
虽然网上的这样的教程很多，但基本上都是对于一个单一算法的分享，介绍其原理或者实现。
这里我的侧重点不是放在介绍原理或者实现（实现可以参考the algorithms的实现），而是放在针对面试算法的重点上。
包括常问的细节，要求的复杂度和简化处理的原理，其中会补充相关论文资料。
而后在此基础上整合出代码模板，作为这个计划的留痕。
阅读与记录计划
说明：准备从两方面入手。
阅读方面：思考方式梳理——参考书籍《跃进》,文学素养提升。
记录方面：阅读笔记的记录，糅杂碎碎念的思考的记录，自己的一些方面经验的整理：目前想到的思路：search,analysis,think。
