歡迎進入機器學習的世界

本教程是根據臺灣大學李弘毅老師的課程機器學習課程，斯坦福大學CS229、CS231N、CS224N、CS20i、倫敦大學學院 (UCL-Course課程，翻譯、總結、提煉，將零星的知識點、演算法進行串接，並加入個人的理解，形成機器學習基礎理論、影象處理、自然語言處理、強化學習、對抗學習的整體知識框架的入門、提高教程。

在本教程最開始的地方，首先忠心感謝這些高水平課程，本人是經過反覆觀看（至少十次）、思考、編碼，才獲得較淺層次領悟（本教程中也會引用這些課程的經典內容、圖片、程式碼，引用的時候我也會具體註明）。

1.編寫目的：

• 突破語言障礙：機器學習、深度學習核心課程、演算法、論文都是英文。機器學習愛好者可能在語言上望而卻步，而內容全面、高水平的中文教程相對較少。
• 內容全面：各類機器學習中文學習筆記比較多，但是隻是針對某個演算法或者某門課程（方向），整體上將機器學習理論、影象、自然語言處理、強化學習、對抗網路演算法和最新成果進行串聯的中文教程較少。
• 通俗易懂：用“最通俗的語言、最少的數學公式”，帶領徘徊在機器學習門口的同學們，入門、提升、掌握機器學習基礎理論、掌握深度學習的核心理念、演算法`。
  ##2.讀者要求：
  建議學習本教程的同學具備一定的高等數學、概率論、線性代數的知識和掌握Python語言。

2.學習路徑：

本教程一共分為五大部分，估計在50篇博文左右（每週一更或者兩更）：

5. 馬爾科夫過程（MDP）
6. 有模型估計（Model Predict）
7. 無模型控制 (Model Free Control)
8. 策略梯度（Policy Gradient)
9. 值函式估計（Value Function Approximation )
10. 深度強化學習 （Deep Reinforement learning）

• 第四部分：對抗學習 （待完成）
  1.對抗網路理論（Theory）
  2.條件對抗網路（Conditional GAN）
  3.非監督條件對抗網路（Unsupervised Conditional GAN）
  4.最新的對抗網路（WGAN, EBGAN, InfoGAN, VAE-GAN, BiGAN ）
  5.對抗網路應用（Application)
• 第五部分：深度學習框架（待完成）

1. TensorFlow
2. Pytorch