开篇词 | 入门机器学习，已迫在眉睫
大家好，我是李烨。现就职于微软（Microsoft），曾在易安信（EMC）和太阳微系统（Sun Microsystems）任软件工程师。先后参与过聊天机器人、大数据分析平台等项目的开发。在未来的 10 周里，我将通过“机器学习极简入门课”与同学们分享关于机器学习方面的一些心得。
课程背景
首先，我们来看一下当前机器学习领域招聘市场的行情。
上面表格中所有带有“算法”、“人工智能”、“数据挖掘”、“视觉”字样的职位，都需要懂机器学习。
在产品和服务中应用机器学习模型，已经逐步成为了互联网行业的通行方法。甚至很多传统软件企业，也开始尝试应用机器学习。说得更直接一点，人工智能正处在炙手可热的风口浪尖上，作为程序员不会机器学习都不好意思去找工作了。
很多技术开发者迫切希望快速进入人工智能领域，从事工程或者算法等相关工作，这也是我推出这门课程的初衷。
课程大纲
本课程针对机器学习初学者，从机器学习、深度学习最基本的原理及学习意义入手，以模型为驱动，带领大家吃透几大最经典的机器学习模型——学习其原理、数学推导、训练过程和优化方法。配合精心设计的极小数据量的“极简版”实例，方便读者从直观上了解模型的运行原理，利用实例大家还可将自己变身为“人肉计算机”，通过口算/笔算每一步的推导，模拟算法全过程，进而彻底理解每个模型的运作方式。结合自身实践经验，我总结了多个构建数据集、特征选择、调参、验证模型的高效方法，并教授大家如何同步进行编程语言学习，助您快速拥有机器学习产品开发的基本能力。
本课程大纲分为六大部分，共计 42 篇：
第一部分：绪论
- 授人以鱼不如授人以渔。本部分从意义和作用出发，给出相应的学习方法和与理论配套的编程学习。
第二部分：基本原理
-
深谙其理，才能灵活应变。本部分开始带大家了解什么是机器学习、机器如何自己学习、以及机器学习三要素：数据、模型、算法之间的关系。
-
模型是机器学习的核心，那么模型是怎么得到的呢？本部分也将讲解模型的获取（训练）和评价（验证/测试）过程，相应的数据集合的划分以及具体的评价指标。
-
这部分知识和后面讲述的具体模型结合起来，就可以实践了！
第三部分：有监督学习 I
- 抓住关键，个个击破。本部分重在详细讲解有监督学习中经典的线性回归、朴素贝叶斯、逻辑回归、决策树模型。这几个模型不仅基础、经典、常用，而且数学工具特别简单。
第四部分：有监督学习 II
- 百尺竿头，更上一层楼。本部分讲述支持向量机、支持向量回归、隐马尔科夫和条件随机场模型，从支持向量机开始，数学工具的需求较之前上了一个台阶，难度明显加大。
第五部分：无监督学习
- 无须标注，方便运行。本部分重在讲解无监督学习中的聚类、高斯混合及主成分分析等模型。这部分模型的特征是所需训练数据无须标注，方便在各种数据上随时进行尝试。在现实中，经常用来作为有监督的辅助手段使用。
第六部分：从机器学习到深度学习
- 超越自我，实现蜕变。本部分重在讲解深度学习基本原理、深度学习与机器学习的关联与衔接、以及深度学习目前的应用领域，为读者下一步学习“深度学习”奠定基础。
整个课程以经典模型为驱动，讲述每一个模型所解决的问题域，模型的原理和数学推导过程。作为课程的主体，第三部分和第四部分讲解的每个模型，都附有实例和相应的 Python 代码。每个例子的数据量都非常小——这样设计就是为了让读者可以用人脑模拟计算机，根据刚刚学到的模型算法对这些极小量数据进行“模拟训练/预测”，以此来加深对模型的理解。
你将收获什么
AI 技术岗位求职知识储备
如果大家真的有意投身到人工智能领域做技术性工作，那么经过技术笔试、面试是必要条件。在面试中被要求从头解释某一个机器学习模型的运行原理、推导过程和优化方法，是目前非常常见的一种测试方法。机器学习模型虽然很多，但是经典、常用的很有限。如果能把本课程中讲解的经典模型都学会，用来挑战面试题相信是足够了。
触类旁通各大模型与算法
各种机器学习模型的具体形式和推导过程虽然有很大差别，但却在更基础的层面有许多共性。掌握共性之后，再去学新的模型、算法，就会高效得多。虽然本课的第二部分集中描述了部分一般性共同点，但真要理解个中含义，却还要以若干具体模型为载体，从问题发源，到解决方案，再到解决方案的数学抽象，以及后续数学模型求解的全过程，来了解体味。这也就是本课以模型为驱动的出发点。
极简版实例体验实际应用
运用到实践中去，是我们学习一切知识的目的。机器学习本身更是一种实操性很强的技术，学习它，原本就是为了应用。反之，应用也能够促进知识的深化理解和吸收。本课虽然以原理为核心，但也同样介绍了：划分数据集、从源数据中提取特征、模型训练过程、模型的测试和评估等方法和工具。
配套数据+代码快速实操上手
本课程中各个实例的 Python 代码及相应数据，大家可以下载、运行、改写、参考。
课程寄语
我希望本课的读者在知识和技巧的掌握之外，能够将学习到的基本规律运用到日常生活中，更加理性地看待世界。
再遇到“人工智能产品”，能够根据自己的知识，去推导：How it works——
- 它背后有没有用到机器学习模型？
- 如果有的话是有监督模型还是无监督模型？
- 是分类模型还是回归模型？
- 选取的特征是哪些？
- 如果由你来解决这个问题，有没有更好的方法？
我们自己用来判断万事万物的“观点”、“看法”、“洞察”，实际上都是我们头脑中一个个“模型”对所闻所见（输入数据）进行“预测”的结果。这些模型自身的质量，直接导致了预测结果的合理性。
借鉴机器学习认识客观规律的过程，可以知道，模型是由数据和算法决定的。对应到人脑，数据是我们经过见过的万事万物，而算法则是我们的思辨能力。
我们作为人类不必被动等待一个外来的主宰者。完全可以主动训练自己的思维模型，通过改进算法和增大数据量及数据多样性来提升模型质量——如果能在这方面给读者朋友们带来些许启发，我实在不胜荣幸。
最后，预祝每一位订阅课程的朋友，能够通过学习找到心仪的工作，如果大家有任何疑问和建议，也欢迎通过读者圈与我交流，我们共同学习，共同进步。
我之前分享的一场 Chat 《入行 AI，选个脚踏实地的岗位》中曾提到，工业界所需的 AI 技术人员，更多集中在算法、工程、数据相关岗位之上，并全面总结了不同岗位角色所需要具备的素质、日常工作的状态，及职业发展路径。这场 Chat 也将收录在课程最后，作为福利供大家免费阅读，加油！