本文主要讲解关于有关物体检测的相关网络，具体包括R-CNN，Fast R-CNN，Faster R-CNN和Mask R-CNN等。在此之前会先将常见的几个比较有效的CNN网络也作简单的介绍。

我听说那些附庸风雅的人，最后大多也都变得真正风雅，所以我要做一个附庸风雅的俗人。

本文主要讲解有关EM算法的相关知识，除了给出算法的基本思想，还会给出该算法的由来及公式推导，这又涉及到极大似然估计和Jensen不等式的相关内容。

番外篇的内容主要是讲解一些在机器学习中经常会用到但是比较边缘化的知识，或者是某几个知识之间的一些联系和思考。番外篇的第一篇文章就来说一下“极大似然估计”，以及它与最小二乘法、负的对数似然之间的联系。

以下代码基于 Github 中的一个短信轰炸的代码，并在其基础上进行了一点改进。不过首先声明，不得利用本代码做违法的事，使用本代码所产生的任何后果本人都不承担任何责任。

本文主要讲解有关自编码器、深度信念网络和深度玻尔兹曼机的相关知识。

前面机器学习的主要部分已经都涉及到了，虽然SVM的部分有些烂尾，并且中间也有好多地方因为自己没弄懂而一带而过……现在也应该开始深度学习的部分了，深度学习的内容没有机器学习那么有条理，可能就是看到哪写到哪，最主要的目的还是理清自己的思路。自己也在纠结一个知识点应该细致到什么程度，是否应该多加一些发散思维。但是又怕文章太过冗长，影响整体的结构。还是随性来吧。

本文主要讲解有关深度学习的相关内容，具体包括感知机、神经网络和反向传播算法、卷积神经网络中的卷积层和池化层，以及dropout、批量正则化和激活函数等内容。

本文将讲解有关支持向量机（SVM）的有关知识，主要包括线性可分SVM，线性SVM和非线性SVM的相关原理和算法过程，以及SMO算法。该部分内容数学公式的推导非常非常多，一环扣一环，所以我尽量从中学数学的角度，尽可能直观的展现整个思维过程，读者们最好在了解整个算法流程之后自己在草稿本上推导一遍。此外，本文中将不再提前给出相关的定义，而是在遇到的时候再给出，或者在事后总结的时候给出。

本文将讲解有关提升算法的知识，主要包括提升算法的基本思想，以及几个具体的提升算法——AdaBoost算法、梯度提升决策树。以及梯度提升、加法模型和前向分步算法等内容。在本文中会先给出每个算法的思想和算法流程，最后再对其中用到的某些定义做总结。

本文将讲解决策树和随机森林的基本思想，以及信息增益、信息增益率（比）、Gini系数等理论部分的内容，此外还有决策树的剪枝等内容。该部分内容主要是定义比较多，算法思想并不是很难。