1. 模型训练
2. 回归问题 & 分类问题 & 聚类问题：
2.0 K-Means算法 用于聚类问题；
2.1 线性回归算法 用于回归问题；
2.2 逻辑回归算法、朴素贝叶斯 用于分类问题；
2.3 KNN、决策树、集成学习、支持向量机 既可用于分类、又可用于回归；
3. K-Means 算法 用于聚类问题：
3.1 K-Means 算法 的模型评估方法：SSE、SC、CH
4. 线性回归算法 用于回归问题：
3.1 线性回归问题的求解：线性回归API、损失函数、导数和矩阵、正规方程法、梯度下降法；
3.2 线性回归模型评估方法：MAE、MSE、RMSE
3.3 过拟合和欠拟合：
5-1. 逻辑回归算法 用于分类问题
5.1 逻辑回归简介：
5.2 逻辑回归原理：
5.3 逻辑回归 分类问题评估：混淆矩阵、精确率（Precision）、召回率（Recall）、F1-Score、ROC曲线、AUC指标；
5-2. 朴素贝叶斯 用于分类问题
6-1. KNN 算法 用于回归 & 分类问题
6-2. 决策树 用于回归 & 分类问题
6-3. 集成学习 用于回归 & 分类问题
6-4. 支持向量机SVM 用于回归 & 分类问题
将二维数据通过超平面映射到三维进行分离；
6.1 SVM 的API的使用
6.2 SVM 的算法原理
6.3 SVM的核函数
