今天是2017年12月30日，2017年的年尾，2018年马上就要到了，回顾2017过的确实很快，不知不觉就到年末了，再次开篇对2016.2017年的学习数据挖掘，机器学习方面的知识做一个总结，对自己所学的知识也做一个梳理，查漏补缺关于数据挖据、数据分析，可视化，ML,DL,NLP等。
作者：csj
更新时间:2017.12.27email:59888745@qq.com
说明：因内容较多，会不断更新 *学习总结；
2016.10 主要看的书 《Python3-廖雪峰》，《Python核心编程》
通过这些书籍的学习，能掌握python常用的基本知识：1.python数据类型、判断与循环流程，list,tuple,dict,map,filter,reduce等
2.文件/数据读写、面向对象、第三方库等; 3.python高级特性等等;2016.11 主要看的书是关于数据获取，scrapy等方面的知识，如《用python写网路爬虫》李斌译; 1.requests抓取与静态网页解析,bs4的使用； 2.user-agent模拟登陆与分布式爬虫； 3.selenium与动态网站爬取 2016.12 主要看的书是关于数据挖据&数据分析方面的知识.如 pandas,numpy,scipy 1.pandas数据统计与分析技能 2.用pandas完成机器学习数据预处理与特征工程
scipy的学习总结-原2017.01 主要看的书是关于数据可视化方面的知识.如 matplotlib,d3,process等数据可视化 1.好用的python可视化利器matplotlib 2.自带各种数据拟合分析的可视化利器seaborn d3的学习总结 process的学习总结 2017.02 主要看的书是关于Spark，hadoop,map-reduce大数据处理等方面的知识
《Spark快速数据处理》 余璜，张磊译，《spark sql编程指南》 韩保礼 译
未完
2017.03-04--- 主要看的书是关于机器学习原理到实战方面的书，如
《统计学习方法-李航》--介绍统计学常用的算法和模型；《机器学习实战-李博》--介绍机器学习常用算法及阿里巴巴PAI平台使用的机器算法解决方案模型《推荐系统实践-项亮》--介绍推荐系统方面的知识。1. 2.. 3. 4.
项目:
京东2017 猪脸识别 项目分析实现
百度PaddlePaddle AI大赛 项目分析实现
2017.05-06-- 主要学习是深度学习原理到实战方面的知识，了解常用深度学习模型Tensorflow，caffe 1.深度神经网络、deep模型 2.卷积神经网络、 3.循环神经网络、2017.07-08-- 主要学习的是自然语言处理方面的知识，了解常用NLP方面的知识如分词，词向量，词云，文本分类,jieba,gensim等
0.
1.用机器学习方法完成中文文本分类
NB模型SVM模型(数据清洗 + 特征提取(tfidf,textrank) + 抽取有用的特征，如对文本抽取,词代模型，NB模型测试， 参数调优，交叉验证（kf,分组），用不同的算法svm,tfidf模型测试；
输出结果和分析,tfidf在多文本类别的分类效果不错。2.用Tensorflow深度学习做文本分类
CNN做文本分类 数据预处理 停用词 构建数据集 神经网络搭建 训练和预测3.LSTM/GRU文本分类 捕捉时序信息的长短时记忆神经网络 词袋模型 GRU文本分类 4.推荐系统根据不同用户的喜好挖掘生成用户画像，为每位用户提供“千人千面”的个性化推荐内容，帮助传媒、
电商等行业有效提升点击率、转化率及用户粘性，极大地增加客户的经营效益。推荐系统主要功能：
1.多维度挖掘用户长短期兴趣画像，精准把脉用户偏好诉求.2.基于用户行为历史数据挖掘多样性的个性化推荐结果.3.对用户兴趣和个性化需求进行精准预测.4.主要解决两个问题，一个是信息过载，一个是用户需求的多样性.实现方法：
1. 相似度,通过用户对物品的历史行为，例如评分、访问、下单、收藏等等行为，判断用户之间的相似情况输出推荐列表.2. 组合推荐:基于用户推荐(UserCF)，物品推荐(ItemCF)和内容的推荐可能会达到比较好的效果.
2017.09-10-11-12 机器学习，深度学习，NLP等方面知识深化学习