课程系统地讲解了机器学习的理论与方法，主要内容包括：机器学习基础知识，包括机器学习基本概念、历史和发展现状、机器学习分类、性能度量；期望最大化（EM）算法，包括EM算法的相关理论、推导、收敛性分析；主题模型，包括主题建模的思想、隐狄利克雷分布模型（LDA）、吉布斯采样方法；聚类分析，包括K-means等经典聚类算法、谱聚类算法、基于约束的聚类和在线聚类算法；概率无向图模型，包括逻辑斯蒂回归模型、最大熵模型、条件随机场；概率有向图模型，包括贝叶斯网络、隐马尔可夫模型；支持向量机，包括线性支持向量机、非线性支持向量机、一分类和多分类支持向量机；神经网络，包括感知机和多层感知机、优化算法等；深度神经网络，包括卷积神经网络、循环神经网络；强化学习，包括马尔可夫决策过程、免模型的强化学习蒙特卡洛学习、TD学习、Q-Learning 和Sarsa、深度强化学习等。