安装过程注意避免用旧版本替换较高的版本。

docker原理，docker 与虚拟机区别，docker安装，docker常用操作，镜像操作，容器操作，docker开机启动，docker镜像开机启动

全连接前馈神经网络可以抽象为信息传播公式，其理论依据为通用近似定理，与机器学习结合可以解决分类问题，对交叉熵损失函数使用梯度下降算法求参数矩阵求导在nndl中以分母布局为主，以链式法则为计算依据，但同时也可采用更为高效的计算方法反向传播算法：第l层的误差项可以通过第 l+1 层的误差项计算得到，前向计算每一层净输出和活性值，再反向计算出每一层的误差项，得到本层梯度，用随机梯度下降法来训练参数自动梯

AI与符号主义，一阶谓词逻辑 （命题与谓词逻辑关系，谓词逻辑）推理能力产生式系统，产生式系统组成，推理方式自动推理机分析，形式逻辑的本质问题——哥德尔不完备性定理认知可计算主义局限性

凸优化目标无约束优化：梯度下降法，随机梯度下降法，牛顿法，非线性搜索方法——置信域方法，非地毯式搜索——启发式算法约束优化问题：约束优化与Lagrange函数，对偶问题，等式约束优化，不等式约束优化，KKT条件

组件化与模块化，微服务与单体应用，微服务重要部件（服务注册中心，负载均衡：常见负载均衡策略，容错：容错策略），熔断，限流和降级

集合：- 创建：{},set()- 判断存在：in ,not in- 元素个数：len(set)- 修改：集合新增：s.add(),s.update(iterable),集合删除：s.pop(),s.remove() 集合复制:s.copy() ,集合清空:s.clear()- 集合运算：交集&,并集|,差集-,异或集^,子集=......

线性模型概念线性回归模型，回归模型损失函数，梯度下降法分析，最小二乘法分析，多角度理解最小二乘法回归方程衡量标准：拟合优度，判定系数显著性检验：线性关系检验，回归系数检验利用回归直线进行预测，置信区间估计多元回归问题：多重共线性，过拟合问题，岭回归，LASSO回归

核函数，核技巧，正定核函数的构造，核函数作用于SVM，SVM参数求解算法，SVM与线性模型

全连接前馈神经网络可以抽象为信息传播公式，其理论依据为通用近似定理，与机器学习结合可以解决分类问题，对交叉熵损失函数使用梯度下降算法求参数矩阵求导在nndl中以分母布局为主，以链式法则为计算依据，但同时也可采用更为高效的计算方法反向传播算法：第l层的误差项可以通过第 l+1 层的误差项计算得到，前向计算每一层净输出和活性值，再反向计算出每一层的误差项，得到本层梯度，用随机梯度下降法来训练参数自动梯