一、KKT條件
KTT條件解決最優化問題得時候用到的。我們這裏提到的最優化問題通常是指對於給定的某一函數，求其在指定作用域上的全局最小值。
最優化問題三種情況：
（1）無約束條件
解決方法通常是函數對變量求導，令求導函數等於0的點可能是極值點。將結果帶回原函數進行驗證即可。
（2）等式約束條件
（3）不等式約束條件
二、tensorflow
優勢：模塊化、可組合、易於擴展
常見的數據類型載體：List、np.array、tf.Tensor
(1)什麼是Tensor
(2)常用數據類型
三、機器學習的分類
（1）監督學習（2）無監督學習（3）半監督學習（4）強化學習
四、機器學習整體流程
數據收集→數據清洗→特徵選取與選擇→模型訓練→模型評估測試→模型部署與整合
（1）梯度下降
（2）模型的有效性
（3）迴歸
（4）分類
