gitbook/人工智能基础课/docs/8642.md

# 第2季回归 | 这次我们来聊聊机器学习

    你好，我是王天一，好久不见。

我想告诉你个好消息，我的新专栏“机器学习40讲”终于可以和你见面了！

首先，要谢谢你的一路陪伴，咱们“人工智能基础课”这个专栏，从去年12月5日上线以来，累计订阅5000+，可以说，是你的支持让我有了写新专栏的动力。

基础课是学习人工智能的入门第一课，相当于给了你一张人工智能的地图，我希望你可以按图索骥，一点点摸清楚人工智能的大概轮廓，找到学习的方向。

但是人工智能领域的内容浩如烟海，40期的基础课也基本上是浅尝辄止，只能算是带着你品尝了一下味道。要想继续在人工智能领域深耕，就要沿着人工智能的学习路径，继续打好基础，而人工智能里最重要的基础一定是机器学习。

近年来深度学习很火热，特别是CNN、RNN等深度学习模型都取得了很好的效果，获得了极大的关注。但是深度学习的很多模型、算法其实都是根植于机器学习的。对机器学习没有深入学习和深刻理解的话，也很难真正掌握深度学习的精髓。毫无疑问，**机器学习依然占据着人工智能的核心地位，也是人工智能中发展最快的分支之一**。

在这个新专栏中，我会从机器学习中的共性问题讲起，从**统计机器学习**和**概率图模型**两个角度，详细解读一系列最流行的机器学习模型。除了理论之外，在每个模型的介绍中还会穿插一些基于Python语言的简单实例，帮你加强对于模型的理解。

“机器学习40讲”专栏共40期，分为3大模块。

**机器学习概观**。这一模块将从频率学派与贝叶斯学派这两个视角来看机器学习，并讨论超脱于模型和方法之外的一些共性问题，包括模型的分类方式、设计准则、评估指标等。

**统计机器学习模型**。这一模块将以线性模型为主线，讨论模型的多种扩展和修正，如正则化、线性降维、核方法、基函数变化、随机森林等，探究从简单线性回归到复杂深度网络的发展历程。

**概率图模型**。这一模块将以高斯分布为起点，将高斯分布应用到从简单到复杂的图模型中，由此认识不同的模型特性与不同的计算技巧，如朴素贝叶斯、高斯混合模型、马尔科夫随机场等。

专栏详细目录如下：

![](https://static001.geekbang.org/resource/image/5d/78/5d51a2322e9cf8bce991fdfbb952da78.jpg)

希望可以和你一起，在人工智能的道路上继续探索。

对了，专栏的运营同学还给你发了**10元专属优惠券**，优惠券可以和限时特价同享，也就是只用35元就能买到原价68元的“机器学习40讲”，但是优惠券有效期仅**4天**，所以提醒你抓紧使用。

我们新专栏见！

[![](https://static001.geekbang.org/resource/image/35/18/355b6c6ffaec827191b09dfdcecf8618.jpg)](https://time.geekbang.org/column/intro/97?utm_source=app&utm_medium=62&utm_campaign=97-presell&utm_content=new-article)