時至今日，距離小夕發布的第一篇正式文章已經過去整三個月啦。今天又回頭看了一下自己寫的第一篇文章，不禁有點感慨“文風”變了這么多，甚至有點受不了第一篇文章中的萌氣了\(//?//)\然后文章還寫的不怎么樣。。。

雖然第一篇文章寫的好差，還沒有任何排版和用戶體驗可言，小夕自己都看不下去了，但是還是階段性的貼個鏈接出來以作紀念啦~

引爆人工智能黑夜的是！統！計！

其實小夕是真的沒有想到可以堅持的寫到現在的，本來以為，開學后導師肯定又那么煩的把事情往我身上丟，還不給加工資（萬一哪天不小心被導師關注了，老師看到這里不要打我\(//?//)\，逃~），覺得可能寫寫就沒人看了，也沒得寫了，就掛掉惹。然而沒有想到，今天，寫文章竟然幾乎成了我的一個習慣。

其實現在小夕都覺得會有人喜歡看自己的文章是很不可思議的事情，小夕畢竟不是行業大牛，有時還會在文章中犯錯誤，但是總有你們一直默默的容忍小夕，支持小夕，好不可思議。好像說謝謝有點俗氣，但是還是好謝謝你們啦。

然后，小夕就不啰嗦了，否則不小心煽情了又停不下來了~下面進入正文。

訂閱號建立之初，文章就是想起什么寫什么，內容很雜，很碎片。后來想了想，小夕致力于讓盡可能多的人看懂每一篇人工智能，尤其是機器學習相關的干貨文章，但是如果一直碎片的話，好像很難又通俗又系統的講解整個機器學習相關體系，必將導致知識特別零散不成體系，這樣就跟大部分中國人寫的書以及速成培訓班沒有本質區別了。所以在公眾號主頁下方的“舊的故事”標簽的“萌味干貨”里，小夕將文章分成了三類：入門指導、科普干貨和技術干貨。

入門指導就不必說啦。

科普干貨就是以科普為目的，所以會繼續保持碎片化、廣覆蓋面的特點，還會以一些比較欺騙性的文風來做科普，比如《如何優雅的追到女神夕小瑤》（這一篇是科普搜索算法）、《如果你跟夕小瑤戀愛了（上）》《（下）》（這兩篇是科普隱馬爾可夫模型）、《一位老師，一位領導，一個讓全體學生考上目標學校的故事》（這一篇是科普機器學習的AdaBoost模型）。小夕接下來會繼續保持這樣的文風來做科普~

技術干貨是小夕的寫作計劃的重點，訂閱號成立之初，技術干貨的知識點比較散。但是從不久前，小夕決定在這里以“為讀者建立大一統的機器學習體系”為核心目標，來努力寫出既容易懂，又有一定深度，又不孤立的文章。當然，這是小夕努力實現的目標啦，小夕在實現的過程中肯定有很多做的不好的地方，就要靠你們幫小夕改進啦（嚶嚶嚶，羨慕背后有團隊的公眾號作者）。

下面是小夕在技術干貨的寫作計劃（已完成冰山一角）：

ps：同一個模型可能由于不同視角或者不同應用場景而分成好幾篇文章講。

樸素貝葉斯←→邏輯回歸→神經網絡→深度學習→概率圖模型

前饋神經網絡→循環神經網絡（RNN）→長短時記憶網絡（LSTM）

前饋神經網絡→神經張量網絡（NTN）

前饋神經網絡→遞歸神經網絡（Recursive NN）→矩陣-張量遞歸神經網絡（MV-RNN）→遞歸神經張量網絡（RNTN）

前饋神經網絡→卷積神經網絡（CNN）→卷積長短時記憶網絡（convLSTM，一種時空模型）

前饋神經網絡→自編碼器（Auto-Encoder）

邏輯回歸→受限玻爾茲曼機（RBM）→玻爾茲曼機→概率圖模型

概率圖模型→有向圖模型→貝葉斯網絡

概率圖模型→無向圖模型→馬爾科夫隨機場→條件隨機場、玻爾茲曼機等

樸素貝葉斯←→隱馬爾可夫模型（HMM）

邏輯回歸←→條件隨機場（CRF）

隱馬爾可夫模型（HMM）←→條件隨機場（CRF）

若干機器學習模型→一般化機器學習

一般化機器學習→損失函數

一般化機器學習→最優化算法

一般化機器學習→支持向量機（SVM）

小夕版線性代數→核函數、PCA等

上面的是暫時想好怎么寫的~還有一些知識點小夕也沒有來得仔細研究（比如強化學習、監督學習中的lazy學習等），這些可能一時半會來不及考慮去寫。當然實際中可能發現更好的講解路線，就會進行動態調整，但是基本框架是這樣啦。好期待把這些所有文章寫完之后畫出一個大大的網絡~

然后，為了大家閱讀和梳理方便，小夕會將上面的框架放在訂閱號主頁下方的標簽“知識網絡”里（好像要過幾個小時才能同步到所有人的設備），然后以后大家就可以方便的找到這個知識網絡，并且進入相應文章啦~（當然，懶懶的小夕經常更新的不及時，喵喵喵\(//?//)\）

最后，可憐的小夕已經沒有精力推廣自己的訂閱號啦，但是幸運的小夕有你們呀o(≧v≦)o~歡迎將小夕的小訂閱號推薦給需要的人哦~

總結

以上是生活随笔為你收集整理的震惊！丧心病狂的夕小瑶推出新一轮写作计划！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。