1-参数估计与矩阵运算基础
2-凸优化
3- 广义线性回归和对偶优化
4-牛顿、拟牛顿、梯度下降、随机梯度下降(SGD)
5-熵、最大熵模型MaxEnt、改进的迭代尺度法IIS
6-聚类（k-means、层次聚类、谱聚类等）
7-K近邻、决策树、随机森林(random decision forests)
8-Adaboost
9-朴素贝叶斯、与贝叶斯网络
10-支持向量机（最大间隔分类、拉格朗日乘值、对偶问题、损失函数、最优化理论、SMO）
11-EM、混合高斯模型
12-主题模型（概率潜语义分析PLSA、隐含狄利克雷分布LDA）
13-马尔科夫链、隐马尔可夫模型HMM、采样
14-马尔可夫随机场(Markov Random Field)、条件随机场CRF
15- SVD、主成分分析PCA、因子分析、独立成分分析ICA
16-卷积神经网络(CNN)
17-变分推断方法
18-随机向量
19-多元高斯分布
20-条件期望
21-核定义、正定核
22-核主元
23-主坐标分析
24-期望最大算法
25-概率PCA
26-最大似然估计方法
27-EM算法
28-MDS方法
29-矩阵次导数
30-矩阵范数
31-Fisher判别分析
32-谱聚类
33-Apriori算法
34-线性回归与Logistic
35-岭回归，Lasso，变量选择技术
36-降维技术
37-Neyman—Pearson判决、实例
38-离散KL变换与特征提取
39-迁移学习
40-隐马尔柯夫模型