1.开篇词
├──开篇词 _ 打通修炼机器学习的任督二脉
2.机器学习概观
├──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
3.统计机器学习模型
├──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
4.概率图模型
├──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
5.结束语
├──结课 _ 终有一天，你将为今天的付出骄傲
6.加餐
├──如何成为机器学习工程师？
请先 ！