update advanced machine learning

docs/机器学习进阶/CMU10-708.md

@@ -1,15 +1,11 @@
+# CMU 10-708: Probabilistic Graphical Models
+
 ## 课程简介
 - 所属大学：CMU
-- 先修要求：
-- 编程语言：
-- 课程难度：🌟🌟🌟🌟🌟🌟
-- 预计学时：
+- 先修要求：Machine Learning, Deep Learning, Reinforcement Learning
+- 课程难度：🌟🌟🌟🌟🌟
+- 课程网站：https://sailinglab.github.io/pgm-spring-2019/ 
+  - 这个网站包含了所有的资源：slides, nots, video, homework, project
 
-## 课程资源
-- 课程网站：
-- 课程视频：
-- 课程教材：
-- 课程作业：
+这门课程是 CMU 的图模型基础 + 进阶课，授课老师为 Eric P. Xing，涵盖了图模型基础，与神经网络的结合，在强化学习中的应用，以及非参数方法。相当硬核
 
-## 资源汇总
-我在学习这门课中用到的所有资源和作业实现都汇总在[这个Github仓库]中。

docs/机器学习进阶/CS229M.md

@@ -1,16 +1,9 @@
 # STATS214 / CS229M: Machine Learning Theory
+
 ## 课程简介
 - 所属大学：Stanford
 - 先修要求：Machine Learning, Deep Learning, Statistics
-- 编程语言：
 - 课程难度：🌟🌟🌟🌟🌟🌟
-- 预计学时：
+- 课程网站：http://web.stanford.edu/class/stats214/
 
-## 课程资源
-- 课程网站：
-- 课程视频：
-- 课程教材：
-- 课程作业：
-
-## 资源汇总
-我在学习这门课中用到的所有资源和作业实现都汇总在[这个Github仓库]中。
+经典学习理论 + 最新深度学习理论，非常硬核。授课老师之前是 Percy Liang，现在是 Tengyu Ma

docs/机器学习进阶/CS324.md

@@ -1,17 +0,0 @@
-
-# CS 324 Large Language Models
-## 课程简介
-- 所属大学：Stanford
-- 先修要求：Machine Learning, Natural Language Processing, Deep Learning
-- 编程语言：
-- 课程难度：🌟🌟🌟🌟🌟
-- 预计学时：
-
-## 课程资源
-- 课程网站：
-- 课程视频：
-- 课程教材：
-- 课程作业：
-
-## 资源汇总
-我在学习这门课中用到的所有资源和作业实现都汇总在[这个Github仓库]中。

docs/机器学习进阶/CSC2547.md

@@ -1,15 +0,0 @@
-## 课程简介
-- 所属大学：Stanford
-- 先修要求：
-- 编程语言：
-- 课程难度：🌟🌟🌟🌟🌟🌟🌟
-- 预计学时：
-
-## 课程资源
-- 课程网站：
-- 课程视频：
-- 课程教材：
-- 课程作业：
-
-## 资源汇总
-我在学习这门课中用到的所有资源和作业实现都汇总在[这个Github仓库]中。

docs/机器学习进阶/STA4273.md

@@ -1,16 +1,9 @@
 # STA 4273 Winter 2021: Minimizing Expectations
+
 ## 课程简介
 - 所属大学：U Toronto
-- 先修要求：
-- 编程语言：
+- 先修要求：Bayesian Inference, Reinforcement Learning
 - 课程难度：🌟🌟🌟🌟🌟🌟🌟
-- 预计学时：
+- 课程网站：https://www.cs.toronto.edu/~cmaddis/courses/sta4273_w21/
 
-## 课程资源
-- 课程网站：
-- 课程视频：
-- 课程教材：
-- 课程作业：
-
-## 资源汇总
-我在学习这门课中用到的所有资源和作业实现都汇总在[这个Github仓库]中。
+这是一门较为进阶的 Ph.D. 研究课程，核心内容是 inference 和 control 之间的关系。授课老师为 Chris Maddison (AlphaGo founding member, NeurIPS 14 best paper) 

docs/机器学习进阶/STAT8201.md

@@ -0,0 +1,10 @@
+# Columbia STAT 8201: Deep Generative Models
+
+## 课程简介
+- 所属大学：Columbia University
+- 先修要求：Machine Learning, Deep Learning, Graphical Models
+- 课程难度：🌟🌟🌟🌟🌟🌟
+- 课程网站：http://stat.columbia.edu/~cunningham/teaching/GR8201/
+
+这门课是一门 PhD 讨论班，每周的内容是展示 + 讨论论文，授课老师是 John Cunningham。Deep Generative Models （深度生成模型） 是图模型与神经网络的结合，也是现代机器学习最重要的方向之一
+

docs/机器学习进阶/roadmap.md

@@ -1,6 +1,18 @@
+# 机器学习进阶
+
+此路线图适用于已经学过了基础机器学习 (ML, NLP, CV, RL) 的同学 (高年级本科生或低年级研究生)，已经发表过至少一篇顶会论文 (NeurIPS, ICML, ICLR, ACL, EMNLP, NAACL, CVPR, ICCV) 想要走机器学习科研路线的选手。
+
+此路线的目标是为读懂与发表机器学习顶会论文打下理论基础，特别是 Probabilistic Methods 这个 track 下的文章
+
+机器学习进阶可能存在多种不同的学习路线，此路线只能代表作者 [Yao Fu](https://franxyao.github.io/) 所理解的最佳路径，侧重于贝叶斯学派下的概率建模方法，也会涉及到各项相关学科的交叉知识。
+
 ## 必读教材
 - PRML: Pattern Recognition and Machine Learning. Christopher Bishop
+  - 经典贝叶斯学派教材
 - AoS: All of Statistics. Larry Wasserman
+  - 经典频率学派教材
+
+所以这两本书刚好相辅相成
 
 ## 字典
 - MLAPP: Machine Learning: A Probabilistic Perspective. Kevin Murphy
@@ -8,4 +20,40 @@
 
 ## 进阶书籍
 - W&J: Graphical Models, Exponential Families, and Variational Inference. Martin Wainwright and Michael Jordan
-- Theory of Point Estimation. E. L. Lehmann and George Casella
+- Theory of Point Estimation. E. L. Lehmann and George Casella
+
+## 如何阅读
+
+### Guidelines
+- 必读教材就是一定要读的教材
+- 字典的意思是，一般情况下不管它，但当遇到了不懂的概念的时候，就去字典里面查（而不是维基百科）
+- 进阶书籍先不读，先读完必读书籍。必读书籍一般都是要前前后后反复看过 N 遍才算读完
+- 读的过程中，最重要的读法就是对比阅读 (contrastive-comparative reading)：同时打开两本书讲同一主题的章节，然后对比相同点和不同点和联系
+- 读的过程中，尽量去回想之前读过的论文，比较论文和教材的相同点与不同点
+
+### 基础路径
+- 先读 AoS 第六章: Models, Statistical Inference and Learning，这一部分是最基础的科普
+- 然后读 PRML 第 10, 11 章
+  - 第 10 章的内容是 Variational Inference, 第 11 章的内容是 MCMC, 这两种方法是贝叶斯推断的两条最主要路线
+  - 如果在读 PRML 的过程中发现有任何不懂的名词，就去翻前面的章节。很大概率能够在第 3，4 章找到相对应的定义；如果找不到或者不够详细，就去查 MLAPP
+  - AoS 第 8 章 (Parametric Inference) 和第 11 章 (Bayesian Inference) 也可以作为参考。最好的方法是多本书对比阅读，流程如下
+    - 假设我在读 PRML 第 10 章的时候发现了一个不懂的词：posterior inference 
+    - 于是我往前翻，翻到了第 3 章 (Linear Model for Regression)，看到了最简单的 posterior 
+    - 然后我接着翻 AoS，翻到了第 11 章，也有对 posterior 的描述
+    - 然后我对比 PRML 第 10 章，第 3 章，AoS 第 11 章，三处不同地方对 posterior 的解读，比较其相同点和不同点和联系
+- 读完 PRML 第 10 和 11 章之后，接着读 AoS 第 24 章 (Simulation Methods)，然后把它和 PRML 第 11 章对比阅读 -- 这俩都是讲 MCMC
+- 如果到此处发现还有基础概念读不懂，就回到 PRML 第 3 章，把它和 AoS 第 11 章对比阅读
+- Again，对比阅读非常重要，一定要把不同本书的类似内容同时摆在面前相互对比，这样可以显著增强记忆
+- 然后读 PRML 第 13 章（跳过第 12 章），这一章可以和 MLAPP 的第 17, 18 章对比阅读
+  - MLAPP 第 17 章是 PRML 第 13.2 章的详细版，主要讲 HMM
+  - MLAPP 第 18 章是 PRML 第 13.3 章的详细版，主要讲 LDS
+- 读完 PRML 第 13 章之后，再去读 PRML 第 8 章 (Graphical Models) -- 此时这部分应该会读得很轻松
+- 以上的内容可以进一步对照 CMU 10-708 PGM 课程材料
+
+到目前为止，应该能够掌握
+- 概率模型的基础定义
+- 精准推断 - Sum-Product
+- 近似推断 - MCMC
+- 近似推断 - VI
+
+然后就可以去做更进阶的内容

mkdocs.yml

@@ -93,7 +93,5 @@ nav:
     - 'CMU 10-708: Probabilistic Graphical Models': '机器学习进阶/CMU10-708.md'
     - 'Columbia STAT 8201: Deep Generative Models': '机器学习进阶/STAT8201.md'
     - 'U Toronto STA 4273 Winter 2021: Minimizing Expectations': '机器学习进阶/STA4273.md'
-    - 'U Toronto CSC 2547 Fall 2019: Learning to Search': '机器学习进阶/CSC2547.md'
-    - 'Stanford CS 324 Large Language Models': '机器学习进阶/CS324.md'
     - 'Stanford STATS214 / CS229M: Machine Learning Theory': '机器学习进阶/CS229M.md'
   - 后记: '后记.md'