机器学习40讲

描述

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。 王天一，毕业于北京邮电大学，获得工学博士学位，在读期间主要研究方向是连续变量量子通信理论与系统，主持并参与了多项国家级 / 省部级科研项目，以第一作者身份发表了 5 篇 SCI 论文。目前在贵州大学大数据与信息工程学院担任副教授。 著有《人工智能革命》一书。 人工智能基础课两季的内容相互联系也各自独立，可以分别订阅。但如果想先学习数学基础，对人工智能各方面的技术有一个宏观把握，建议和第一季一起订阅。

专栏模块

专栏共 40 期，分为 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。 专栏详细目录如下：

适宜人群及所需基础

人工智能初学者；想系统学习机器学习，理解机器学习流行模型的研发人员；希望查漏补缺，巩固机器学习基础的从业者；对机器学习有浓厚兴趣的其他相关人员。 学习本专栏希望你能有一些高等数学的基础知识，能看懂简单的Python代码。