机器学习入门笔记（一）学习计划

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练习。

第二部分：基本原理

• 深谙其理，才能灵活应变。本部分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。本部分主要讲述支持向量机、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。训练数据无须标注，方便在各种数据上随时进行尝试，是这些模型的特征。在现实中，经常用来作为有监督的辅助手段。

第六部分：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。