- 包括一些机器学习的一般流程（收集数据、数据预处理、选择模型、训练、评估、超参调整以及预测）、常用的机器学习模型（C4.5，朴素贝叶斯，SVM，KNN，Adaboost，CART，K-means，EM，Apriori，PageRank）、常用的深度学习模型（CNN : LeNet-5、AlexNet、VGG、GoogleNet、ResNet、DenseNet；RNN;DBN;GAN;DRL）、深度学习轮子（Tensorflow、Keras、Pytorch）
- 推荐系统中冷启动问题
- 常用的推荐算法（基于标签的SimpleTagBased、NormTagBased、TagBased-TFIDF等；基于内容的推荐、协同过滤User-CF、Item-CF;CTR预估GBDT+LR，Wide&Deep, FM, FFM, DeepFM, NFM, Deep & Cross, xDeepFM，DIN, DIEN, DSIN等）
- 数据标签
- AutoML
- 数据可视化
- 数据集（MovieLens）
- 推荐系统轮子（Superise）
与推荐算法相关的一些理论知识
关于推荐的一些竞赛或者数据处理思路
一些面试或者coding过程中遇到的问题或者难点
推荐领域相关的papers包括代码实现