机器学习40讲

“机器学习 40 讲”终于和你见面了！

2017 年 12 月，王天一老师在极客时间开设了“人工智能基础课”专栏，带你进入人工智能的大门，介绍了人工智能所需要的基础数学、当前流行的深度学习技术、以及其他可能突破的技术路径等方方面面的内容。

人工智能基础课的第 2 季聚焦于机器学习。在新技术层出不穷的今日，机器学习依然占据着人工智能的核心地位，也是人工智能中发展最快的分支之一。

那么，怎样入门机器学习？又有哪些学习路径呢？无论机器学习领域充斥着多少花哨的技术，归根结底，都是基本模型与基本方法的结合，而理解这些基本模型和基本方法就是掌握机器学习的要义所在。那么，问题来了，这么多模型到底要怎么学习呢？其实，这里面最关键的，是要梳理出机器学习的主线，把握不同模型之间的内在关联，能够融会贯通、系统地理解机器学习。

在本专栏中，王天一老师会从机器学习中的共性问题讲起，从统计机器学习和概率图模型两个角度，详细解读 30 个最流行的机器学习模型。除了理论之外，在每个模型的介绍中还会穿插一些基于 Python 语言的简单实例，帮你加强对于模型的理解。

专栏共 3 大模块。

机器学习概观。这一模块将从频率学派与贝叶斯学派这两个视角来看机器学习，并讨论超脱于模型和方法之外的一些共性问题，包括模型的分类方式、设计准则、评估指标等。

统计机器学习模型。这一模块将以线性模型为主线，讨论模型的多种扩展和修正，如正则化、线性降维、核方法、基函数变化、随机森林等，探究从简单线性回归到复杂深度网络的发展历程。

概率图模型。这一模块将以高斯分布为起点，将高斯分布应用到从简单到复杂的图模型中，由此认识不同的模型特性与不同的计算技巧，如朴素贝叶斯、高斯混合模型、马尔科夫随机场等。

续写新篇：再启机器学习之旅
解锁小样本学习的3种典型方法
开启黑箱：可解释机器学习的构建
多模态学习中的信息融合和对齐
AutoML与神经架构搜索：如何让机器学习“自主优化”？
开篇词 | 打通修炼机器学习的任督二脉
01 | 频率视角下的机器学习
02 | 贝叶斯视角下的机器学习
03 | 学什么与怎么学
04 | 计算学习理论
05 | 模型的分类方式
06 | 模型的设计准则
07 | 模型的验证方法
08 | 模型的评估指标
09 | 实验设计
10 | 特征预处理
11 | 基础线性回归：一元与多元
12 | 正则化处理：收缩方法与边际化
13 | 线性降维：主成分的使用
14 | 非线性降维：流形学习
15 | 从回归到分类：联系函数与降维
16 | 建模非正态分布：广义线性模型
17 | 几何角度看分类：支持向量机
18 | 从全局到局部：核技巧
19 | 非参数化的局部模型：K近邻
20 | 基于距离的学习：聚类与度量学习
21 | 基函数扩展：属性的非线性化
22 | 自适应的基函数：神经网络
23 | 层次化的神经网络：深度学习
24 | 深度编解码：表示学习
25 | 基于特征的区域划分：树模型
26 | 集成化处理：Boosting与Bagging
27 | 万能模型：梯度提升与随机森林
总结课 | 机器学习的模型体系
28 | 最简单的概率图：朴素贝叶斯
29 | 有向图模型：贝叶斯网络
30 | 无向图模型：马尔可夫随机场
31 | 建模连续分布：高斯网络
32 | 从有限到无限：高斯过程
33 | 序列化建模：隐马尔可夫模型
34 | 连续序列化模型：线性动态系统
35 | 精确推断：变量消除及其拓展
36 | 确定近似推断：变分贝叶斯
37 | 随机近似推断：MCMC
38 | 完备数据下的参数学习：有向图与无向图
39 | 隐变量下的参数学习：EM方法与混合模型
40 | 结构学习：基于约束与基于评分
总结课 | 贝叶斯学习的模型体系
结课 | 终有一天，你将为今天的付出骄傲
如何成为机器学习工程师？
结课测试 | 这些机器学习知识你都掌握了吗？