理解机器学习 - 系列总结

大家好! 理解机器学习这个系列到今天就告一段落了，就在这里做一下小结和展望

我从十月开始到现在上传了二十个视频，完成了预定的计划，也就是UML这本书的一学期教学大纲，基本没有跳过任何证明。我的目标是理论推导的部分尽量简明，算法的来龙去脉尽量清楚，让更多人能从这本出色的教材中学到理论机器学习的核心内容。机器学习对我来说也是一个新的学科，做视频的过程其实是一个学习的过程，所以特别感谢大家的支持和鼓励。如果有疏漏的地方，也请大家包涵。

正如作者所说，UML的目标读者群是高年级的理工科本科生或者研究生，也就是假设了读者已经知道概率论，线性代数，微积分。我在做视频的时候尽量做到逻辑自洽，但有读者完全没有学过上述内容也想看视频/书的话，可以考虑先学习下面的课题（搜一下B站上各种公开课，选一个愉悦度高的）：

微积分：理解多元Taylor公式（包括梯度，Hessian，极限）

线性代数：理解线性变换（包括但不限于向量，矩阵，子空间，投影，正交变换，谱分解，奇异值分解）

概率：理解条件概率和几个基本不等式（e.g.Markov) ，基本组合（查数）技巧

本系列的最后一个视频是生成模型。关于下一个系列，我的一个初步计划是就是做一个生成模型的专题， AIGC的热潮下这个方向非常热闹，从stable diffusion到chatGPT，无论是AI作画还是大语言模型的问答能力都已经强到了匪夷所思的地步。这也是概率味道最浓的机器学习方向，符合我的个人审美。

一个新的系列需要好的筹划。我在休息几周过后会开始阅读相关文献，如果屏幕前的你有好的建议，也不妨给我留言。

再见！