（一）統(tǒng)計(jì)分析、數(shù)據(jù)倉(cāng)庫(kù)與可視化表達(dá)

1、  綜述（大數(shù)據(jù)、人工智能、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)：這些詞的確切含義）

2、  假設(shè)檢驗(yàn)：“小數(shù)據(jù)”時(shí)代是怎么玩的？

3、  “回歸”是數(shù)據(jù)挖掘算法嗎？

4、  度量、指標(biāo)與維度

5、  星型模型與雪花模型

6、  下鉆與上卷

7、  數(shù)據(jù)倉(cāng)庫(kù)的應(yīng)用案例

8、  圖表該怎么畫(huà)才對(duì)？

（二）大數(shù)據(jù)相關(guān)技術(shù)綜述

1、  hadoop：HDFS、Map-Reduce、Hbase、Hive、sqoop、pig、oozie等

2、  spark：scala、spark-SQL、spark-Streaming等

3、  搜索引擎：lucene（solr）、ES

4、  并發(fā)的機(jī)器學(xué)習(xí)工具：R-hadoop、spark-MLLIB、 spark-R、pyspark

（三）存儲(chǔ)在hbase中的數(shù)據(jù)

1、  NoSQL（key-value）

2、  Hbase：安裝

3、  行鍵與列簇

4、  如何利用Hbase的特點(diǎn)存儲(chǔ)行業(yè)數(shù)據(jù)

5、  應(yīng)用程序如何訪問(wèn)Hbase中的數(shù)據(jù)

6、  數(shù)據(jù)遷移工具：sqoop

7、  Hbase的應(yīng)用場(chǎng)景

（四）Hive：為SQL開(kāi)發(fā)者留的活路

1、  Hive：安裝（單用戶與多用戶）

2、  Hive：基本操作

3、  Hive：與典型的關(guān)系型數(shù)據(jù)庫(kù)的區(qū)別

4、  存儲(chǔ)業(yè)務(wù)數(shù)據(jù)時(shí)的注意點(diǎn)

5、  如果“想慢”，你還可以這樣…（不恰當(dāng)使用hive的案例介紹）

6、  Hive的應(yīng)用場(chǎng)景

（六）Spark各組件的應(yīng)用

1、  Hadoop最大的特點(diǎn)是什么？

2、  Spark概述與安裝

3、  Scala：你可以一直“點(diǎn)”下去

4、  RDD：“映射”、“轉(zhuǎn)換”解決一切

5、  spark-SQL

6、  spark-streaming

7、  spark-graphX

8、  spark-MLLIB

9、  應(yīng)用場(chǎng)景

（七）機(jī)器學(xué)習(xí)-1

1、  數(shù)據(jù)挖掘、知識(shí)發(fā)現(xiàn)與機(jī)器學(xué)習(xí)

2、  工具：（早期）SPSS、SAS；

3、  目前流行的工具R、Python等

4、  決策樹(shù)（熵、貪心法、連續(xù)的和離散的）

5、  聚類(lèi)（k-means、k-medoid）

6、  監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)的差異

7、  機(jī)器學(xué)習(xí)性能評(píng)價(jià)指標(biāo)

（八）機(jī)器學(xué)習(xí)-2

1、  KNN

2、  關(guān)聯(lián)規(guī)則（頻繁項(xiàng)集、Apriori、支持度、置信度、提升度）

3、  神經(jīng)網(wǎng)絡(luò)（神經(jīng)元、激勵(lì)函數(shù)、前饋神經(jīng)網(wǎng)絡(luò)的BP算法）

4、  SVM（最大間隔、核函數(shù)、多分類(lèi)的支持向量機(jī)）

（九）機(jī)器學(xué)習(xí)-3

1、   “概率派”與“貝葉斯派”

2、  樸素貝葉斯模型（皮馬印第安人患糖尿病風(fēng)險(xiǎn)預(yù)測(cè)）

3、  極大似然估計(jì)與EM算法

4、  HMM（三個(gè)基本問(wèn)題：評(píng)估、解碼、學(xué)習(xí)）

（十）機(jī)器學(xué)習(xí)-4

1、  遺傳算法 （交叉、選擇、變異，“同宿舍”問(wèn)題）

2、  無(wú)監(jiān)督學(xué)習(xí)

3、  集成學(xué)習(xí)（adaboost、RF）

4、  強(qiáng)化學(xué)習(xí)

（十一）深度學(xué)習(xí)-1

1、  連接主義的興衰

2、  地形要更陡：改進(jìn)的目標(biāo)函數(shù)

3、  0.9的100次方等于幾？克服梯度消散的方法（改進(jìn)的激勵(lì)函數(shù)、BN）

4、  利用“慣性”下山：改進(jìn)的優(yōu)化算法（Adagrad、RMSprop、Adam）

5、  防止“大鍋飯”：dropout

6、  記憶的關(guān)鍵是“合理的忘記”：weight decay

（十二）深度學(xué)習(xí)-2

1、  讓AI理解圖像：典型CNN

2、  各種CNN

3、  讓AI理解語(yǔ)言：RNN與LSTM、GRU

4、  左右互搏術(shù)：GAN

5、  電子游戲的新玩法：DQN