最近写论文笔记是各种疯（捉）狂（襟）百（见）度（肘）啊，对于自身的技术能力个人感觉实在是“太下饭”了。算算从五月份自学到现在也半年有余，买过书上过课，从最开始接触 Andrew Ng 的 Coursera上的机器学习课程到入手第一本西瓜书之后，又陆陆续续买了《机器学习实战》、《统计学习方法（第2版）》、《百面机器学习》等等，其实我的想法是很简单，跟着书后面死磕，总会培养出感情，无奈这几个月非但没看得到进步，反而越发觉得这门技术并非单单凭兴趣就能攻克的，它所需要的知识脉络是全面的，容不得一丝侥幸，因此既然这样，干脆来个二次入门。再加上临近年末也需要个人总结一下这一年的得与失，是时候给自己立个FLAG。
这次死磕系列结合《统计学习方法》，这本书涵盖了机器学习领域涉及到的各种核心技术研究，包括自然语言处理、信息检索、文本数据挖掘等。我也会尝试融合西瓜书一起，从零开始，做到手推算法重理解，尽量直观展示备注说明，并在每章最后附上经典面试题，或者是一个案例实战（数据竞赛题之类），以期可以系统性的掌握一套方法论应对未来数据之战。
系列目录如下
继《统计学习方法》一书之后，接下来着手的是有着“AI圣经”之称的《模式识别和机器学习》，业界普遍称其为PRML，相信任何一个搞机器学习、深度学习的人都应该听说过甚至看过，它共有14章节的内容，且每一章都是干货满满。整体目录如下：
系列目录如下
第一章 介绍
第二章 概率分布
第三章 线性回归模型
第四章 线性分类模型
第五章 神经网络
第六章 内核方法：双重表征、构造内核、径向基函数网络、高斯过程
第七章 稀疏内核机器：最大边距分类器、相关向量机
第八章 图形模型：贝叶斯网络、条件独立、马尔科夫随机场、图形模型中的推理
第九章 混合模型和EM：K-means聚类、高斯混合、EM算法
第十章 近似推断
第十一章 采样方法
第十二章 连续潜在变量
第十三章 顺序数据
第十四章 组合模型
更令人兴奋地是，目前PRML已经被微软“开源”啦
传送门
附上学习路线图
