一些学习计划

学习计划

1. reivew知识，夯实基础。按着sklearn中User Guide中的6个模块来review一遍文档和其中涉及到的相关知识。不过不会以完整的罗列出来全部内容的形式来做，这样就不符合DRY原则了(笑)，只打算列出各个API中涉及到的不熟悉的知识点的相关知识，又或者是相关链接，自己做一定的归纳总结。

   具体来说就是：

   • 理论知识上，在学习到一定程度下，留下学习到的相关链接，总结自己的理解；
   • 代码实现上，在完全不熟悉或者理解不够透彻的情况下，需进行一定量的coding(暂不打算开源)；
   • 主要方向上，主要围绕Supervised Learning, Model selection and evaluation, Dataset transformations, Unsupervised Learning这4个模块进行，除此之外对于XGBoost, LightGBM, CatBoost等Kaggle常见模型进行复习。
   • 估计耗时：1个半月-2个月

2. 继续实战。

   具体目标有：

   1. 完成对Stantar customer transaction prediction 2019的kernel和discussion的学习，并在别人给出的hints下，自己实现一个top 1 % kernel并开源出来。

   2. 在Don't Overfit 和TMDB Box Office Prediction 两个Plaground competition中争取进去Sliver Zone，并在Don't Overfit 结束并学习完后赶紧进入Jigsaw和Earthquake的两个比赛中去。

   3. review Matplotlib和seaborn两个package，根据Kaggle开源kernel熟悉可视化部分。之前这块太弱了，严重影响了EDA的能力。

   4. review Numpy和Pandas两个package，加强数据处理的能力。

      • 估计耗时：

        1. 10-15天
        2. 持续2个月+
        3. 15-20天
        4. 10-15天

3. Book Reading&Thesis Learing

   具体目标有：

   1. reivew线代(之前被搁置过)。把UTM-Applied-Linear-Algebra-and-Matrix-Analysis这本书剩下的地方内容+课后带答案的题仔细刷一遍(之前搁置到50%)；
   2. 开PRML/ESL/MLAPP的坑。
   3. 开Boyd的凸优化的坑。
   4. 开NLP的坑。
   5. 开Stanford ML相关公开课的坑
      • 估计耗时：2-3天一节，争取1.5个月内review完UTM这本线代书，再考虑开什么坑比较合适...

   将这些任务同时进行，争取2个月之内完成这些目标，中间老板可能会有各种任务，最多不要拖过2周。在大部分结束前1-2周，会定制新的计划。