開篇詞 | 打通修煉機器學習的任督二脈
01 | 頻率視角下的機器學習
02 | 貝葉斯視角下的機器學習
03 | 學什么與怎么學
04 | 計算學習理論
05 | 模型的分類方式
06 | 模型的設計準則
07 | 模型的驗證方法
08 | 模型的評估指標
09 | 實驗設計
10 | 特征預處理
11 | 基礎線性回歸：一元與多元
12 | 正則化處理：收縮方法與邊際化
13 | 線性降維：主成分的使用
14 | 非線性降維：流形學習
15 | 從回歸到分類：聯系函數與降維
16 | 建模非正態分布：廣義線性模型
17 | 幾何角度看分類：支持向量機
18 | 從全局到局部：核技巧
19 | 非參數化的局部模型：K近鄰
20 | 基于距離的學習：聚類與度量學習
21 | 基函數擴展：屬性的非線性化
22 | 自適應的基函數：神經網絡
23 | 層次化的神經網絡：深度學習
24 | 深度編解碼：表示學習
25 | 基于特征的區域劃分：樹模型
26 | 集成化處理：Boosting與Bagging
27 | 萬能模型：梯度提升與隨機森林
總結課 | 機器學習的模型體系
28 | 最簡單的概率圖：樸素貝葉斯
29 | 有向圖模型：貝葉斯網絡
30 | 無向圖模型：馬爾可夫隨機場
31 | 建模連續分布：高斯網絡
32 | 從有限到無限：高斯過程
33 | 序列化建模：隱馬爾可夫模型
34 | 連續序列化模型：線性動態系統
35 | 精確推斷：變量消除及其拓展
36 | 確定近似推斷：變分貝葉斯
37 | 隨機近似推斷：MCMC
38 | 完備數據下的參數學習：有向圖與無向圖
39 | 隱變量下的參數學習：EM方法與混合模型
40 | 結構學習：基于約束與基于評分
總結課 | 貝葉斯學習的模型體系
結課 | 終有一天，你將為今天的付出驕傲
