机器学习 MOOC（柳杨）
00 绪论
机器学习理论
综述：
S0 学习模型与评估
有监督学习：
A1-1 线性模型①（线性回归、逻辑回归）
A1-2 线性模型②（LDA、多分类、类别不平衡）
+ A1+1 离散回归（序数回归）
A2 决策树
A3 感知机与神经网络
A4 支持向量机
A5a 贝叶斯方法①：决策论、极大似然估计
A5b 贝叶斯方法②：朴素、半朴素、贝叶斯网
聚类：
B0 无监督学习与聚类综述
B1a 原型聚类①：K-Means, LVQ
B1b 原型聚类②：高斯模型与 EM 算法
B2 其他聚类方法
降维可视化：
C1 降维综述、MDS、PCA
C2 流形学习（等度量映射、局部线性嵌入 LLE）
C3 距离度量学习
[TODO] t-SNE
复合学习：
D1 集成学习
概率图模型与序列标注：
G1 概率图模型综述、HMM（隐马模型）
G2 马尔科夫随机场、CRF（条件随机场）
G3 概率图模型的学习与推断 [Empty]
GAN：
GAN-1 综述
其他：
O1 特征选择
O2 自编码器（AEN, VAE, CVAE）
O3 求最优的排列
机器学习基础（原始的课程笔记，有的都整理到外面来了）
杂项
多线程
多线程基础
数据集
数据集
Python 基础
Pandas.DataFrame 使用
Pandas.DataFrame：关于 MultiIndex 的使用
Pandas 存储分层结构数据的方法
sklearn.preprocessing
**Wandb (**Weight and Bias) 可视化工具
sklearn.
类脑计算
类脑计算
人体神经系统概述
其他平台：