王天一,毕业于北京邮电大学,获得工学博士学位,在读期间主要研究方向是连续变量量子通信理论与系统,主持并参与了多项国家级/省部级科研项目,以第一作者身份发表了5篇SCI论文。目前在贵州大学大数据与信息工程学院担任副教授。 著有《人工智能革命》一书。
人工智能基础课两季的内容相互联系也各自独立,可以分别订阅。但如果想先学习数学基础,对人工智能各方面的技术有一个宏观把握,建议和第一季一起订阅。
“机器学习40讲”终于和你见面了!
2017年12月,王天一老师在极客时间开设了“人工智能基础课”专栏,带你进入人工智能的大门,介绍了人工智能所需要的基础数学、当前流行的深度学习技术、以及其他可能突破的技术路径等方方面面的内容。
人工智能基础课的第2季聚焦于机器学习。在新技术层出不穷的今日,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。
那么,怎样入门机器学习?又有哪些学习路径呢?无论机器学习领域充斥着多少花哨的技术,归根结底,都是基本模型与基本方法的结合,而理解这些基本模型和基本方法就是掌握机器学习的要义所在。那么,问题来了,这么多模型到底要怎么学习呢?其实,这里面最关键的,是要梳理出机器学习的主线,把握不同模型之间的内在关联,能够融会贯通、系统地理解机器学习。
在本专栏中,王天一老师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30个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。
专栏共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。
人工智能初学者;想系统学习机器学习,理解机器学习流行模型的研发人员;希望查漏补缺,巩固机器学习基础的从业者;对机器学习有浓厚兴趣的其他相关人员。
学习本专栏希望你能有一些高等数学的基础知识,能看懂简单的Python代码。