欢迎进入机器学习的世界
本教程是根据台湾大学李弘毅老师的课程机器学习课程，斯坦福大学CS229、CS231N、CS224N、CS20i、伯克利CS294课程，翻译、总结、提炼，将零星的知识点、算法进行串接，并加入个人的理解，形成机器学习基础理论、图像处理、自然语言处理、强化学习、对抗学习的整体知识框架的入门、提高教程。
在本教程最开始的地方，首先忠心感谢这些高水平课程，本人是经过反复观看（至少十次）、思考、编码，才获得较浅层次领悟（本教程中也会引用这些课程的经典内容、图片、代码，引用的时候我也会具体注明）。
1.编写目的：
- 突破语言障碍：机器学习、深度学习核心课程、算法、论文都是英文。机器学习爱好者可能在语言上望而却步，而内容全面、高水平的中文教程相对较少。
- 内容全面：各类机器学习中文学习笔记比较多，但是只是针对某个算法或者某门课程（方向），整体上将机器学习理论、图像、自然语言处理、强化学习、对抗网络算法和最新成果进行串联的中文教程较少。
- 通俗易懂：用“最通俗的语言、最少的数学公式”，带领徘徊在机器学习门口的同学们，入门、提升、掌握机器学习基础理论、掌握深度学习的核心理念、算法`。
2.读者要求：
建议学习本教程的同学具备一定的高等数学、概率论、线性代数的知识和掌握Python语言。
3.学习规划：
本教程一共分为五大部分，估计在50篇博文左右（每周一更或者两更）：
- 第一部分：机器学习
1. 导论（Introduction）
2. 监督学习(Supervised learning)
3. 非监督学习(Unsupervised learning)
4. 半监督学习(Semi-Supervised learning)
5. 迁移学习（Transfer learning)
6. 强化学习初步（Reinforement learning）
- 第二部分：深度学习
1. 深度学习理论（Theory）
2. 神经网络训练（Special Training Technology）
3. 计算机视觉（CV:CNN）
4. 自然语言处理（NLP：WordVector, RNN, LSTM, GRU, Seq2Seq, Attention-based)
- 第三部分：强化学习
1. 马尔科夫过程（MDP）
2. 有模型估计（Model Predict）
3. 无模型控制 (Model Free Control)
4. 策略梯度（Policy Gradient)
5. 值函数估计（Value Function Approximation )
6. 深度强化学习 （Deep Reinforement learning）
- 第四部分：对抗学习
1.对抗网络理论（Theory）
2.条件对抗网络（Conditional GAN）
3.非监督条件对抗网络（Unsupervised Conditional GAN）
4.最新的对抗网络（WGAN, EBGAN, InfoGAN, VAE-GAN, BiGAN ）
5.对抗网络应用（Application)
- 第五部分：Tensorflow 框架学习