1

【试读】

开篇词 | 入门机器学习，已迫在眉睫

2

热身课 | 入行 AI，选个脚踏实地的岗位

3

[作者撰写中] 第01课：为什么要学原理和公式推导

4

[作者撰写中] 第02课：学习机器学习原理，改变看待世界的方式

5

[作者撰写中] 第03课：如何学习“机器学习”

6

[作者撰写中] 第04课：为什么要学 Python 以及如何学 Python

7

[作者撰写中] 第05课：机器是如何学习的？

8

[作者撰写中] 第06课：机器学习三要素之数据、模型、算法

9

[作者撰写中] 第07课：模型的获取和改进

10

[作者撰写中] 第08课：模型的质量和评判指标

11

[作者撰写中] 第09课：最常用的优化算法——梯度下降法

12

[作者撰写中] 第10课：线性回归——从模型函数到目标函数

13

[作者撰写中] 第11课：线性回归——梯度下降法求解目标函数

14

[作者撰写中] 第12课：朴素贝叶斯分类器——从贝叶斯定理到分类模型

15

[作者撰写中] 第13课：朴素贝叶斯分类器——条件概率的参数估计

16

[作者撰写中] 第14课：逻辑回归——非线性逻辑函数的由来

17

[作者撰写中] 第15课：逻辑回归——用来做分类的回归模型

18

[作者撰写中] 第16课：决策树——既能分类又能回归的模型

19

[作者撰写中] 第17课：决策树——告诉你 Hello Kitty 是人是猫

20

[作者撰写中] 第18课：SVM——线性可分 SVM 原理

21

[作者撰写中] 第19课：SVM——直观理解拉格朗日乘子法

22

[作者撰写中] 第20课：SVM——对偶学习算法

23

[作者撰写中] 第21课：SVM——线性 SVM，间隔由硬到软

24

[作者撰写中] 第22课：SVM——非线性 SVM 和核函数

25

[作者撰写中] 第23课：SVR——一种“宽容”的回归模型

26

[作者撰写中] 第24课：直观认识 SVM 和 SVR

27

[作者撰写中] 第25课：HMM——定义和假设

28

[作者撰写中] 第26课：HMM——三个基本问题

29

[作者撰写中] 第27课：HMM——三个基本问题的计算

30

[作者撰写中] 第28课：CRF——概率无向图模型到线性链条件随机场

31

[作者撰写中] 第29课：CRF——三个基本问题

32

[作者撰写中] 第30课：从有监督到无监督：由 KNN 引出 KMeans

33

[作者撰写中] 第31课：KMeans——最简单的聚类算法

34

[作者撰写中] 第32课：谱聚类——无需指定簇数量的聚类

35

[作者撰写中] 第33课：EM算法——估计含有隐变量的概率模型的参数

36

[作者撰写中] 第34课：GMM——将“混”在一起的样本各归其源

37

[作者撰写中] 第35课：GMM——用 EM 算法求解 GMM

38

[作者撰写中] 第36课：PCA——利用数学工具提取主要特征

39

[作者撰写中] 第37课：PCA——用 SVD 实现 PCA

40

[作者撰写中] 第38课：人工智能和神经网络

41

[作者撰写中] 第39课：几种深度学习网络

42

[作者撰写中] 第40课：深度学习的愿景、问题、应用和资料