None

不需要学得太深 多学一些工程常用的模型，按下面的顺序

• NN 神经网络 掌握梯度下降优化方法，掌握BP（利用动态规划来优化求导的计算量）
• crf 序列模型 知道还有其他的优化算法（牛顿法和拟牛顿法），不过不必深究LBFGS，掌握前向后向算法（一种针对线性链模型的概率推断算法，同样是利用动态规划来减少计算量）
• lda 掌握多项分布（一种最常用的分布），了解贝叶斯，了解生成模型的建模方法和常用的估计推断算法（变分推断和采样），趁机搞懂gibbs 采样。理解EM算法（又是一种优化算法）。对于推断算法，可主要专注于gibbs采样的实现。

把这三个的推导搞懂 关注原始的模型 不需花太多时间研究什么变种 做做笔记 然后实现一遍 把你的代码放在github上 进行一定的消化理解。

机器学习的代码都很短，尤其是核心代码，这三个模型的核心算法，根据你用的语言和库的不同，实现大概在50-1000行。当然，如果要考虑复用性和性能，代码要稍微长点。