前言
机器学习已经慢慢演变成了根据已知模型 框架运用的开发，用不了多久机器学习就会变成像多媒体，图形开发等一样，只要根据已知的 api 开发相应的 AI app 就行了，但是不了解机器学习的根本原理很难优化模型计算，也就很难发挥出 AI 专有场景的性能。
一直想写个 AI 基础课程的系列，针对机器学习初学者，从机器学习，深度学习最基本的原理入手，以模型为驱动，和大家一起吃透几个最经典的机器学习模型——学习这些模型的原理，数据推导，训练过程和优化方法。
本课程旨在为每个模型提供极小数据量的实例，方便公众号的粉丝们从本质上了解模型的运行原理。借助这些实例，大家通过每一步的推导，模拟算法的全过程，进而彻底地理解每个模型的运作方式。
课程介绍
- 首先介绍 AI 最基本的概念，让大家了解机器学习是什么；什么是有监督学习，无监督学习，深度学习；机器学习中数据，模型，算法之间的关系；数据集应该怎么划分；模型是怎么训练和验证的。
- 然后介绍有监督学习中的线性回归，朴素贝叶斯，逻辑回归，决策树，向量机，隐马尔科夫等。
- 接着介绍无监督学习中的聚类，高斯混合等模型。
- 最终从机器学习到深度学习的演进。
本系列课程虽然是介绍 AI 的原理本质，但也会介绍如何划分数据集，从数据集中提取特征，如何训练模型，测试模型。此外还会尽量为每个实例提供源码和数据，供大家运行体验。希望大家支持和转发。
