机器学习|机器学习方法

Stanford Ng课程（Coursera）  正在进行中

涉及到偏复杂的概率论的知识点都没讲。

编程方面注重向量化实现，几乎每个coding assignment几行代码就可以写出来。

其实这门课就是CS 229: Machine Learning的简化版（更全面更细致，难度也高一点，涉及比较多的公式推导）。

对机器学习算法有一个大概的了解，不到足以支撑自己做一个系统出来。

“对于计算机系的来说，NG的做为启蒙，然后，就可以拿着《机器学习实战》，开始用pyhton这把锤子，先做东西去了。

先对机器学习有一个直观的认识，然后，常用的算法先有个印象，
然后，再研究某一类问题时，知道要选哪一种算法 ，先知道调用哪些机器库，
在熟悉后，然后再去研究别人的源码，看看别人是怎么实现的，
看不懂，再去补充算法的原理及相关的数学知识，
不然，很有可能是入宝山而空手而回。”（知乎 华召音 said）

CS 229: Machine Learning

网易公开课上有引进。可看。

可以直接跟着讲义来。

有线代，概率，凸优化等学习材料。

一定一定要把涉及的数学过程弄清楚，亲手验算推导。（知乎luoo66 said）

“Andrew 在Coursera上讲的课，不如在Stanford上（CS229）讲的详细、精彩
前者注重Matlab实现和调试，后者注重理论推导
很多数学细节在Coursera上被一语带过，而在Stanford的课上要写好几块黑板
如果你想快速实现一个自己的ML系统，那么快去看Coursera的课
它不仅教你实现，还用Matlab把框架给你实现了一遍，你只需填写少量代码。
另外Andrew还讲了如何通过学习曲线判断过拟合、欠拟合，讲了偏差和方差等等各种评价和判断算法bug的概念和方法
如果你是cs学生，那么还是看cs229风格的课程，自己选用Matlab python完整实现 或者tensorflow、caffe等框架简单实现比较好。
里面每一个细节都会讲到，注意记笔记。”（知乎 Future.x said）

Stanford University CS231n: Convolutional Neural Networks for Visual Recognition

做computer vision，stanford 精品课程，Fei-Fei Li授课。

台湾林轩田的《机器学习基石+技法》（edx里似乎有？？）

据说林轩田的教程要比ng难不止一个数量级。

可以配合李航《统计学习方法》一起刷。

华盛顿大学开的机器学习课程（Coursera）

“相比Andrew Ng的机器学习，华盛顿大学开的机器学习专项课程要系统全面得多。

分为6个部分，每个部分大概都是6周得时间，学习时间大概是Andrew Ng课程的2.5倍。

最后一个部分是一个综合化的智能应用的毕业设计，会综合你所有学到的，非常具有实战性。”（知乎 李明骏said）

整理自 https://www.zhihu.com/question/37100214?sort=created