目录
├─开篇词 _ 打通修炼机器学习的任督二脉
├─频率视角下的机器学习
├─贝叶斯视角下的机器学习
├─学什么与怎么学
├─计算学习理论
├─模型的分类方式
├─模型的设计准则
├─模型的验证方法
├─模型的评估指标
├─实验设计
├─特征预处理
├─基础线性回归：一元与多元
├─正则化处理：收缩方法与边际化
├─线性降维：主成分的使用
├─非线性降维：流形学习
├─从回归到分类：联系函数与降维
├─建模非正态分布：广义线性模型
├─几何角度看分类：支持向量机
├─从全局到局部：核技巧
├─非参数化的局部模型：K近邻
├─基于距离的学习：聚类与度量学习
├─基函数扩展：属性的非线性化
├─自适应的基函数：神经网络
├─层次化的神经网络：深度学习
├─深度编解码：表示学习
├─基于特征的区域划分：树模型
├─集成化处理：Boosting与Bagging
├─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
├─最简单的概率图：朴素贝叶斯
├─有向图模型：贝叶斯网络
├─无向图模型：马尔可夫随机场
├─建模连续分布：高斯网络
├─从有限到无限：高斯过程
├─序列化建模：隐马尔可夫模型
├─连续序列化模型：线性动态系统
├─精确推断：变量消除及其拓展
├─确定近似推断：变分贝叶斯
├─随机近似推断：MCMC
├─完备数据下的参数学习：有向图与无向图
├─隐变量下的参数学习：EM方法与混合模型
├─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
请先 ！