已學習內容

1、MCMC蒙特卡洛方法
https://www.cnblogs.com/pinard/p/6625739.html
https://www.cnblogs.com/pinard/p/6632399.html
https://www.cnblogs.com/pinard/p/6638955.html
https://www.cnblogs.com/pinard/p/6645766.html

Gibbs取樣
演算法應用場景

2、發現一個比較嚴重的問題：自己無法掌握閱讀和學習速度，可能之前學習不好頁跟這個有關係。
原來的時候放在面前一本書，自己非常希望能快速看完，當真正開始看這本書的時候，又總是因為各種原因耽誤學習速度，但是自己心裡有非常著急儘快看完，這個時候就會囫圇吞棗一樣的把東西看完了，看完之後的結果是：花時間翻了書，但是知識點卻幾乎沒有掌握；等一段時間再次拿起這本書的時候，只知道自己看過了，但是不知道里面的具體內容是什麼。
現在是不管拿到什麼書，看到什麼知識點都想拿筆記下來，這樣做的一個結果是：看書速度太慢，往往是一個小時只看一兩頁內容，而且這些內容自己都已經非常清楚了，但是就是不清楚是不是跟以前一樣，可能只是理解了字面意思，好像用筆寫下來就會理解更深入一樣。雖然目前感覺是用筆將知識點記下來，現在對知識的理解更加深入一些了，但是不知道這種理解會不會長久保留在心裡。
一種是囫圇吞棗式的閱讀，一種是事無鉅細的記筆記，兩種極端情況感覺都不太適合目前的學習，希望在後續的工作生活中能夠找到一種比較快速有效的學習方式
最近這幾天學習演算法，又發現了另外一個問題：由於很多時間是在工作的時候抽空看一下，導致很多知識點都沒有深入去學習，結果是花了時間，東西卻沒有學好。需要真正的學進去，知識點一步步看，不要跳著看。

(10-28 58/134) 深度神經網路（DNN）損失函式和啟用函式的選擇、深度神經網路（DNN）的正則化、卷積神經網路(CNN)模型結構、卷積神經網路(CNN)前向傳播演算法、主成分分析（PCA）原理總結、用scikit-learn學習主成分分析(PCA)
(10-29 64/134) 協同過濾推薦演算法總結、奇異值分解(SVD)原理與在降維中的應用、矩陣分解在協同過濾推薦演算法中的應用、分解機(Factorization Machines)推薦演算法原理、卷積神經網路(CNN)反向傳播演算法、Apriori演算法原理總結
(10-30 72/134) BIRCH聚類演算法原理、用scikit-learn學習BIRCH聚類、譜聚類（spectral clustering）原理總結、用scikit-learn學習譜聚類、word2vec原理(1、2、3)、用gensim學習word2vec
(10-31 78/134) 精確率與召回率，RoC曲線與PR曲線、樸素貝葉斯演算法原理小結、scikit-learn 樸素貝葉斯類庫使用小結、線性判別分析LDA原理總結、用scikit-learn進行LDA降維、LSTM模型與前向反向傳播演算法
(11-01 84/134) 典型關聯分析(CCA)原理總結、用scikit-learn研究區域性線性嵌入(LLE)、區域性線性嵌入(LLE)原理總結、PrefixSpan演算法原理總結、FP Tree演算法原理總結、 SimRank協同過濾推薦演算法