入门机器学习，照这个课程清单按顺序学就对了

机器之心整理

参与：张倩、杜伟

入门机器学习是一个按部就班的过程，优质的学习资源和迷信的学习道路缺一不可。在本文中，来自英伟达人工智能运用团队的计算机迷信家 Chip Huyen 不只列出了十大优质的收费机器学习课程资源，还将其串成了一条高效的学习道路。

Chip Huyen 是一位来自越南的作家和计算机迷信家，现居于美国硅谷，就职于英伟达人工智能运用团队。

Chip Huyen

她本科和硕士均就读于斯坦福大学计算机迷信专业，曾开设和讲授课程《TensorFlow for Deep Learning Research》。

该课程链接：http://web.stanford.edu/class/cs20si/

她还曾协助推出越南第二受欢迎的网络阅读器 Coc Coc，每月活跃用户数量达 2000 万以上。

她目前正在停止的一些项目包括 SOTAWHAT（查询和总结 SOTA 人工智能研讨成果）、OpenSeq2Seq（应用语音辨认、Text2Speech 和 NLP 停止高效实验的工具包）以及 Free Hugs Vietnam（为越南青少年提供软技能的非盈利项目）等。

以下是她给出的《机器学习》资源清单和道路：

1. 斯坦福《概率与统计（Probability and Statistics）》

链接：https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics

简介：这门课程涵盖了概率和统计学的基本概念，触及机器学习的四个基本方面：探求性数据分析、消费数据、概率和推理。

2.MIT《线性代数（Linear Algebra）》

链接：https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

简介：这门课程的授课教师为《线性代数导论》、《

线性代数与数据学习

》的作者 Gilbert Strang。该课程与《线性代数导论》中的实际和运用知识相反相成，挑选了书中四个关键的运用：图和网络；微分方程组；最小二乘与投影；傅里叶级数和疾速傅里叶变换。作者表示，这是本人见过的最好的线性代数课程。

Gilbert Strang

3. 斯坦福 CS231N《用于视觉辨认的卷积神经网络（Convolutional Neural Networks for Visual Recognition）》

链接：https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq

简介：这门课程的特点是实际与实际并重。课程 PPT 用了可视化的方式解释反向传播、损失、正则化、dropout、batchnorm 等比较难以了解的概念。

4.fastai《程序员深度学习实战（Practical Deep Learning for Coders）》

链接：https://course.fast.ai/

简介：这门实际课程是面向新手的，不要求参与者拥有大学程度的数学知识，也不要求参与者有很多的数据，但需求一年的编程阅历，还需求装备一块 GPU。此外，该课程还有一个论坛，专门用来讨论 ML 的最佳实际。

5.

斯坦福 CS224N

《深度学习自然言语处理（Natural Language Processing with Deep Learning）》

链接：https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_

简介：对于对 NLP 感兴味的同窗来说，这是一门不容错过的课程，被称为入门自然言语处理（NLP）的「标配」公开课。它和计算机视觉方面的课程 CS231n 可谓绝配。该课程组织严密、教法得当、紧跟前沿研讨趋向。这门课的授课者是斯坦福 AI 实验室担任人 Christopher Manning。

6.Coursera 上的斯坦福《机器学习》

链接：https://www.coursera.org/learn/machine-learning

简介：这门课授课者是吴恩达，在 Coursera 上的注册人数已达到 244 万。它广泛引见了机器学习、数据发掘、统计形式辨认等方面的内容，包含监督学习、无监督学习、机器学习最佳实际等主题。此外，课程中还包含大量的运用案例。

7. 斯坦福《概率图模型专项课程（Probabilistic Graphical Models Specialization）》

链接：https://www.coursera.org/specializations/probabilistic-graphical-models

简介：概率图模型是一个丰富的框架，用于编码复杂范畴的概率分布。本课程包含三部分内容：《概率图模型 1：表征》、《概率图模型 2：推理》和《概率图模型 3：学习》。授课者为斯坦福大学工程学院讲师 Daphne Koller。

8. DeepMind《强化学习入门课程（Introduction to Reinforcement Learning）》

链接：https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ

简介：本课程借助于一些生动直观的解读和风趣易懂的示例，为先生提供了有关强化学习（RL）的片面引见。授课者为世界顶级专家 David Silver。

9. Full Stack Deep Learning《全栈深度学习训练营（Full Stack Deep Learning Bootcamp）》

链接：https://fullstackdeeplearning.com/march2019

简介：这是为熟习深度学习基础的开发人员提供的实际项目。除了学习训练和调整模型之外，先生还可以学习到如何制定成绩和预估项目成本、选择正确框架和计算基础结构以及训练中的缺点排查和确保复现性等其他技能。

10. Coursera《如何博得数据迷信竞赛：向顶尖 Kaggler 学习（How to Win a Data Science Competition: Learn from Top Kagglers）》

链接：https://www.coursera.org/learn/competitive-data-science

简介：假如你想要参加竞争激烈的数据迷信竞赛并希望在竞赛中获得好成绩，本课程不失为最好的选择。你将会学习到如何在数据迷信竞赛中分析和处理预测建模义务。

我觉得吧，看了能够有用，但。。。

从入门到放弃系列

看课程标题我就跪了

分享了，反正转完我也不看[捂脸]

准发了

不要误人子弟，不建议学完数学课程再来学机器学习。机器学习入门很简单，应该按部就班，先入门，再精进。这样才不会还没入门就被数学本身挡在了大门之外。

分享了

分享了

分享了