1 教程介绍

机器学习的各大模型在工程领域具有非常广泛的应用，也非常便于与其他算法集成使用，在实践和学术上都具有非常宝贵的研究价值。举例而言：

• 强化学习结合蚁群算法增强路径规划寻优性；
• 决策树与整数规划算法结合增强任务调度可解释性；
• 聚类与降维应用于数据清洗，提高数据质量；
• …

在机器学习这门课程的学习过程中，不难体会到这是一门“推公式”、“讲理解”的学科，但是不论是教材还是很多文章都不重视对公式的讲解，这对初学者而言很难站稳理论根基，导致理解知识点时云里雾里，最终从入门到退坑。

因此，本教程聚焦深度和广度，加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理；“广”在分析多个机器学习模型：决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。写这套教程的目的在于：

• 重新回顾所学，整理归纳知识点，便于复习
• 对经典模型进行编程，构建代码库，方便二次开发
• 构建规范化的新手入门体系

2 教程大纲

? 第零篇——初识机器学习

• 机器学习教程0-1：教程导读
• 机器学习教程0-2：什么是机器学习？
• 机器学习教程0-3：数据集的构造和划分
• 机器学习教程0-4：天下没有免费午餐——机器学习基本思想
• 机器学习教程0-5：常见的机器学习数据预处理方法

? 第一篇——线性模型

• 机器学习教程1-1：感知机
• 机器学习教程1-2：线性回归——以房价预测为例
• 机器学习教程1-3：对数几率回归
• 机器学习教程1-4：线性判别分析
• 机器学习教程1-5：线性多分类问题

? 第二篇——决策树

• 机器学习教程2-1：熵
• 机器学习教程2-2：决策树基本算法
• 机器学习教程2-3：决策树剪枝+例题分析

? 第三篇——支持向量机

• 机器学习教程3-1：什么是超平面？
• 机器学习教程3-2：支持向量机基本原理
• 机器学习教程3-3：核方法图文详解与推导
• 机器学习教程3-4：支持向量回归

? 第四篇——贝叶斯决策

• 机器学习教程4-1：你真的分得清频率、概率、几率和似然吗？
• 机器学习教程4-2：详解极大似然估计(MLE)与极大后验估计(MAP)
• 机器学习教程4-3：贝叶斯方法
• 机器学习教程4-4：贝叶斯分类器
• 机器学习教程4-5：贝叶斯网络+例题分析

? 第五篇——马尔科夫决策

• 机器学习教程5-1：马尔科夫链与马尔科夫决策过程
• 机器学习教程5-2：马尔科夫链的性质+例题分析
• 机器学习教程5-3：马尔科夫随机场
• 机器学习教程5-4：条件随机场

? 第六篇——强化学习

• 机器学习教程6-1：环境与智能体
• 机器学习教程6-2：单步强化学习——K摇臂赌博机模型
• …

上面的内容已经成稿，其余内容正在筹备。

3 强基计划

目前博主正在组建机器学习技术交流群，群中成员是有明确共同目标，共同愿景的，这样才能共同成长，所以只要你想学好机器学习就请私信我，让我们一起从理论到实践攻克机器学习，为从事相关工作或科研打下基础！

当然群里也配套长期更新的资源福利等你领取！

Reference

• 《机器学习》周志华
• 《Deep Learning》
• 《统计学习方法》李航
• …