无监督学习：K-means、层次聚类、DBSCAN 三种聚类与轮廓系数等评估指标；SVD 与 PCA 的降维原理。
10SVM与朴素贝叶斯
SVM：找间隔最大的超平面——支持向量、硬间隔、软间隔与核函数；朴素贝叶斯：贝叶斯定理 + 条件独立假设，拉普拉斯平滑。
09决策树与集成学习
决策树：用信息熵和信息增益让机器自己学会玩「20 个问题」；剪枝防过拟合；集成学习三剑客 Boosting/Bagging/Stacking，AdaBoost 与随机森林。
08感知机
感知机：手调参数实现与门、与非门、或门，XOR 为什么一条线切不开，多层感知机如何破局——通往神经网络的第一课。
07KNN
KNN：物以类聚的惰性学习——四种距离度量、特征缩放的实战意义、One-Hot 与距离对称性，心脏病案例（Pipeline + 网格搜索全流程）。
06逻辑回归
逻辑回归：sigmoid 如何把线性模型变成分类器，log-odds 才是它真正「回归」的对象，对数损失的由来，OvR 与 Softmax 多分类，双案例实战。
05线性回归
线性回归：从一条直线看懂模型、损失与求解——最小二乘、正规方程、梯度下降，附广告投放效果预测完整案例。
04模型求解与评价指标
模型求解：解析法、梯度下降、牛顿法；模型评价：MAE/MSE/RMSE/R² 与混淆矩阵、Accuracy/Precision/Recall/F1、ROC/AUC。
03模型评估与选择
机器学习三要素、建模流程、损失函数、经验误差与泛化误差、欠拟合与过拟合、正则化、交叉验证。
02特征工程
特征工程四件套：特征选择、特征转换、特征构造、特征降维，附低方差过滤、相关系数法与 PCA 实操。