大致总结一下得出如下思维导图，如不完善日后迭代更新

1. python基础三方库

1.1 科学计算库 ---- numpy库

1.2 科学计算库 ---- Scipy库

1.3 数据分析处理库 ---- pandas库

1.4 可视化库 ---- matplotlib库

1.5 可视化库 ---- seaborn库

1.6 机器学习和数据挖掘库 ---- scikit-learn库

2. 数学基础知识

了解常用基础即可，啃不动，实在啃不动

名称	名称	名称	名称	名称
微积分	泰勒公式和拉格朗日	特征值和矩阵分解	随机变量	数据科学分布
核函数变换	熵与激活函数	回归分析	假设检验	相关分析
方差分析	聚类(k-means、层次聚类、谱聚类)	朴素贝叶斯、贝叶斯网络	参数估计与矩阵运算	凸优化基础
广义线性回归和对偶优化	拟牛顿、梯度、随机梯度下降(SGD)	支持向量机	K近邻、决策树、随机森林	Adaboost
EM、混合高斯算法	主题模型(PLSA、LDA)	马尔科夫链、HMM、采样	马尔科夫随机场、条件随机CRF	SVD、主成分分析PCA、因子分析、独立成分分析ICA
CNN	高斯分布	连续分布	Laplace变换	多元分布

3. python数据结构与算法

3.1 数据结构

3.1.1 表

3.1.2 树

3.1.3 图

3.2 算法

3.2.1 枚举、排序算法

3.2.2 动态规划

3.2.3 贪心算法、双指针、模拟

4. 机器学习

5. 深度学习

5.1 深度学习框架

5.2 深度学习流程

5.3 深度学习应用领域

6. 数据挖掘