机器学习（Machine Learning, ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
下面分机器学习和深度学习分开理清楚知识点
机器学习
最近在开始找工作，顺便复习一下之前学习的机器学习知识点，从而对机器学习和深度方面有一个比较系统的了解，还有机器学习和深度学习优化过程中出现的技术。
推荐的博客：https://www.cnblogs.com/jerrylead/tag/Machine%20Learning/
该博客列表如下：
偏最小二乘法回归（Partial Least Squares Regression）
典型关联分析（Canonical Correlation Analysis
增强学习（Reinforcement Learning and Control
因子分析（Factor Analysis）
线性判别分析（Linear Discriminant Analysis）（一)
线性判别分析（Linear Discriminant Analysis）（二）
ICA扩展描述
独立成分分析（Independent Component Analysis）
主成分分析（Principal components analysis）-最小平方误差解释
主成分分析（Principal components analysis）-最大方差解释
主成分分析（Principal components analysis）-最大方差解释
在线学习（Online Learning）
（EM算法）The EM Algorithm
混合高斯模型（Mixtures of Gaussians）和EM算法
K-means聚类算法
规则化和模型选择（Regularization and model selection）
支持向量机SVM（一）
支持向量机SVM（二）
支持向量机（三）核函数
支持向量机（四）
支持向量机（五）SMO算法
判别模型、生成模型与朴素贝叶斯方法
对线性回归，logistic回归和一般回归的认识
机器学习知识点补充：
参见链接：https://github.com/HuiZhou-xmu/Machine-Learning-Deep-Learning-Summary
朴素贝叶斯方法
决策树
随机森林
bagging和boost算法
adboost算法
激活函数
过拟合贝叶斯定理以及贝叶斯网络
参考博客：https://blog.csdn.net/v_JULY_v/article/details/40984699机器学习优化方法
参考博客：https://zhuanlan.zhihu.com/p/22252270
深度学习
半监督学习
可以参考：半监督学习方法
无监督学习
参考邱锡鹏教授第九章书籍:神经网络与深度学习第九章
强化学习
参考邱锡鹏教授第十四章书籍:神经网络与深度学习第十四章
迁移学习
参考机器之心博客：迁移学习
当然迁移各家都有自己的看法，这一部分没有固定的知识点，很灵活，最终的目的都是要最大可能的优化和提升模型的计算速度和准确度
概率图模型
参考邱锡鹏教授第十一章书籍:神经网络与深度学习第十一章
注意
本博客主要是对现在网络上的机器学习和深度学习以及相关的优化方法进行系统性的汇总，从而让自己的知识形成体系，原则上自己只书写少量知识点，主要内容来自其他网络作者，相当于文献中的综述吧，也希望能够给别人带来方便。