極客時間出品的《機器學習40講》由王天一所作，王天一是工學博士，副教授。本專欄課程幫你打通機器學習的任督二脈。
《機器學習40講》課程背景
機器學習40講”終於和你見面了！
2017年12月，王天一老師在極客時間開設了“人工智慧基礎課”專欄，帶你進入人工智慧的大門，介紹了人工智慧所需要的基礎數學、當前流行的深度學習技術、以及其他可能突破的技術路徑等方方面面的內容。
人工智慧基礎課的第2季聚焦於機器學習。在新技術層出不窮的今日，機器學習依然佔據著人工智慧的核心地位，也是人工智慧中發展最快的分支之一。
那麼，怎樣入門機器學習？又有哪些學習路徑呢？無論機器學習領域充斥著多少花哨的技術，歸根結底，都是基本模型與基本方法的結合，而理解這些基本模型和基本方法就是掌握機器學習的要義所在。那麼，問題來了，這麼多模型到底要怎麼學習呢？其實，這裡面最關鍵的，是要梳理出機器學習的主線，把握不同模型之間的內在關聯，能夠融會貫通、系統地理解機器學習。
在本專欄中，王天一老師會從機器學習中的共性問題講起，從統計機器學習和概率圖模型兩個角度，詳細解讀30個最流行的機器學習模型。除了理論之外，在每個模型的介紹中還會穿插一些基於Python語言的簡單例項，幫你加強對於模型的理解。
《機器學習40講》講師介紹
王天一，畢業於北京郵電大學，獲得工學博士學位，在讀期間主要研究方向是連續變數量子通訊理論與系統，主持並參與了多項國家級\/省部級科研專案，以第一作者身份發表了5篇SCI論文。目前在貴州大學大資料與資訊工程學院擔任副教授。 著有《人工智慧革命》一書。
人工智慧基礎課兩季的內容相互聯絡也各自獨立，可以分別訂閱。但如果想先學習數學基礎，對人工智慧各方面的技術有一個巨集觀把握，建議和第一季一起訂閱。
《機器學習40講》專欄模組
專欄共40期，分為3大模組。
機器學習概觀。這一模組將從頻率學派與貝葉斯學派這兩個視角來看機器學習，並討論超脫於模型和方法之外的一些共性問題，包括模型的分類方式、設計準則、評估指標等。
統計機器學習模型。這一模組將以線性模型為主線，討論模型的多種擴充套件和修正，如正則化、線性降維、核方法、基函式變化、隨機森林等，探究從簡單線性迴歸到複雜深度網路的發展歷程。
概率圖模型。這一模組將以高斯分佈為起點，將高斯分佈應用到從簡單到複雜的圖模型中，由此認識不同的模型特性與不同的計算技巧，如樸素貝葉斯、高斯混合模型、馬爾科夫隨機場等。
《機器學習40講》專欄目錄
機器學習概觀 (10講)
01 | 頻率視角下的機器學習
02 | 貝葉斯視角下的機器學習
03 | 學什麼與怎麼學
04 | 計算學習理論
05 | 模型的分類方式
06 | 模型的設計準則
07 | 模型的驗證方法
08 | 模型的評估指標
09 | 實驗設計
10 | 特徵預處理
統計機器學習模型 (18講)
11 | 基礎線性迴歸：一元與多元
12 | 正則化處理：收縮方法與邊際化
13 | 線性降維：主成分的使用
14 | 非線性降維：流形學習
15 | 從迴歸到分類：聯絡函式與降維
16 | 建模非正態分佈：廣義線性模型
17 | 幾何角度看分類：支援向量機
18 | 從全域性到區域性：核技巧
19 | 非引數化的區域性模型：K近鄰
20 | 基於距離的學習：聚類與度量學習
21 | 基函式擴充套件：屬性的非線性化
22 | 自適應的基函式：神經網路
23 | 層次化的神經網路：深度學習
24 | 深度編解碼：表示學習
25 | 基於特徵的區域劃分：樹模型
26 | 整合化處理：Boosting與Bagging
27 | 萬能模型：梯度提升與隨機森林
總結課 | 機器學習的模型體系
概率圖模型 (14講)
28 | 最簡單的概率圖：樸素貝葉斯
29 | 有向圖模型：貝葉斯網路
30 | 無向圖模型：馬爾可夫隨機場
31 | 建模連續分佈：高斯網路
32 | 從有限到無限：高斯過程
33 | 序列化建模：隱馬爾可夫模型
34 | 連續序列化模型：線性動態系統
35 | 精確推斷：變數消除及其擴充
36 | 確定近似推斷：變分貝葉斯
37 | 隨機近似推斷：MCMC
38 | 完備資料下的引數學習：有向圖與無向圖
39 | 隱變數下的引數學習：EM方法與混合模型
40 | 結構學習：基於約束與基於評分
適宜人群及所需基礎
人工智慧初學者；想系統學習機器學習，理解機器學習流行模型的研發人員；希望查漏補缺，鞏固機器學習基礎的從業者；對機器學習有濃厚興趣的其他相關人員。
學習本專欄希望你能有一些高等數學的基礎知識，能看懂簡單的的Python程式碼。
訂閱價格：
為回報猿人學的粉絲，所有通過我分享的二維碼購買的使用者，請加我微訊號：dismissmewp，備註：返現。
享受完其它優惠後，我再給大家立即返￥12元現金。
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***