欢迎在文章下方评论，建议用电脑看
经过挺久的输出，终于基本上写好了这个系列，斗胆称为博文，其实还是笔记占大多数的，当然，还有很多的不对的地方，还有很多事很难理解的地方，也有很多事我也不理解的地方，见谅，之后有什么新的见解和认识，我都会进行相应的添加或者修改，见谅！还有就是这个系列是没有代码的，全理论，但机器学习是讲究理论和实践结合的，对于我，也是很大程度上是工程能力不够的，再补吧。。。。
从上学期11月中旬吧，入机器学习的坑以来，一直是在学习，很多时候是很骄傲的，因为这个方向够高大上，一直都是这样想的。虽然现实可能并不是这样，人工智能也是经过多次大起大落，在2012年（不准确）以来由于深度学习的出现，而又一次的大火，不知道这次会火多久，希望是一直下去，但不管它火多久，反正内心那学习的火要一直火就行了。
下面介绍一下机器学习吧！先上一个图：
最简单的理解，就是看上面的图了，在我们常说的机器学习是AI中的一个分支，而现在非常火的深度学习是机器学习的分支，其实深度学习就是深度神经网络，只不过由于end-to-end（end-to-end就是构建一个整体的系统，输入是最原始素材（比如图像分类就是原始图像），中间经过系统自身的处理（卷积和池化等操作），最后是分类任务（分类器）。这样的系统从头至尾不受人的干预，当然卷积等操作中的参数还是hyperparameter，这个还暂时没办法自行学习。）的思想，不用经过很多如降维之类预处理了，其实还是神经网络。
关于学习机器学习，我的看法是，最重要要的是英语和数学基础，为什么要标注英语为重点，因为结合现在很多学机器学习的人的英语都不好，但是如果想发展的更快，想直接读那些paper，讲真这个领域的牛人还是外国人较多的,想看他们的教学或者blog的话，必须英语好，现在我也是烂啃英语之中。。。对于数学的话，不用说了，各种模型，下面的笔记中有！
(1):机器学习有关的数学基础知识-线代
(2):机器学习有关的数学基础知识-概率
此外，机器学习中也用了挺多高数导数的知识，比如BP算法等，在这里就不Generative Adversarial networks详细介绍了，等讲到相应的算法会进行讲述。
(3):数据处理，特征工程
(4):模型选择与评价，降维
(4):机器学习基础概念
(1):线性回归
(2):一般线性模型
(3):决策树
(4):支持向量机（SVM）
(5):生成，判别模型-贝叶斯分类
(6):排序算法-ListNet原理
(7):集成学习(一)–Boosting
(8):集成学习(二)–Bagging
(9):关联分析（一）Apriori
(10):关联分析(二) FP-growth算法
(11):EM算法
(12):简单聚类
(1):DQN
(2):Policy Gradient
(3):Actor critic
(4):蒙特卡洛树搜索 mcts
一个关于RL的课！应该说很练内功，很值得一看。附上链接
(1):introduction for reinforcement learning
(3):Planning by dynamic programming
(6):Value Function Approximation
(7):Policy Gradient
(8):Integrating Learning and Planning
(9): Exploration and Exploitation
(1):神经网络-基本概念
(2):神经网络-BP，更新参数策略
(3):convolution neural network
(4):word2woc
(6):Generative Adversarial networks
(7):Wasserstein GAN
(1):paper-ImageNet
(3):paper-GAN
(4):paper about batch normalization and dropout
(5):Paper about Very Deep Convolutional Networks for Text Classification
(6):paper about Sequence to Sequence Learning with Neural Networks
这是一个关于自然语言处理的深度学习教程，很值得一看！下面是关于这个课程的一些笔记和我的观点！
(1): cs224d-word Vectors
(2):cs224d-neuro network (交叉熵)
(4):cs224d-Recursive Neural Networks
在入门deep learning的时候，非常推荐的是《neural network and deep learning》这本书，这本书中用简单的minist手写任务来通俗的讲解。然后在需要理论积累的时候，就非常推荐《deep learning》这本书，特别是part2部分，被很多人所称赞！
(1):《Deep Learning》-Machine Learning Basics
(2):《Deep Learning》-Deep Feedforward Networks
(3):《Deep Learning》-cnn and rnn
(4):《Deep Learning》-representation learning
最后，学习，最重要的是思考，深入的去思考！加油，前行！
