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。