如何入门机器学习？这里有一份来自英伟达计算机科学家的课程清单

雷锋网 (公众号：雷锋网) AI 科技评论按，在机器学习的入门和进阶过程中，如果有一份好的 学习教程尤其是学习视频，学习效果无疑会事半功倍。就职于英伟达人工智能应用团队的计算机科学家 Chip Huyen 根据自己多年的教学和工程经验，总结了一份适合按顺序依次学习的机器学习课程清单，具体清单如下文。

1、《Probability and Statistics(斯坦福概率和统计)》

课程地址 ： https://t.cn/RD2EjZI

课程简介：

概率和统计课程包含四个主要单元，每个单元又细分为几个部分。

探索性数据分析：这个单元分为两个部分——分布检查分布和关系检查。一般方法是为参与者提供一个框架，帮助他们在各种情况下进行数据分析时选择适当的描述性方法。

数据生产：该单元分为两个部分——抽样和设计研究。

概率：在本课程中，这部分的内容是概率的经典处理方法，包括基本概率原理、事件的发现概率、条件概率、离散随机变量（包括二项式分布）和连续随机变量（重点是正态分布）。本单元讨论了以模拟为基础的采样分布。作为一个简化的概率介绍，它没有介绍传统的概率处理，而倾向于使用相对频率的经验方法，参与者可以看到 OLI 统计推理课程。

推理：本单元介绍推理的逻辑以及主要形式相关的技术：点估计、区间估计和假设检验。该单元包括人口平均数和人口比例的推断方法、两组和两组以上平均数比较的推断方法（方差分析）、独立性卡方检验和线性回归。该单元加强了在探索性数据分析中引入的框架，以便在各种数据分析场景中选择适当的推理方法。

在整个课程有许多互动。其中包括：模拟，「演练」，整合语音和图形来解释一个程序或一个困难概念。通过互动活动，学生练习如何解决问题，并且课程提供提示和即时、有针对性的反馈。
学

2、《Linear Algebra(MIT 线性代数)》by Gilbert Strang

课程地址 ： https://t.cn/R61LGM4

课程简介：

「线性代数」，同微积分一样，是高等数学中两大入门课程之一，不仅是一门非常好的数学课程，也是一门非常好的工具学科，在很多领域都有广泛的用途。本课程讲述了矩阵理论及线性代数的基本知识，侧重于那些与其他学科相关的内容，包括方程组、向量空间、行列式、特征值、相似矩阵及正定矩阵。

目前，该课程在网易公开课上也有中文版视频和课件，网易公开课地址： https://open.163.com/special/opencourse/daishu.html

公开课共 35 个视频，前面 9 个视频如下：

目前该课程早已经更新完毕，同学们可以放心的学习啦~

3、《CS231N: Convolutional Neural Networks for Visual Recognition(斯坦福卷积网络视觉识别)》

课程地址 ：https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq

如果大家想看中文版，可以移步雷锋网 AI 研习社， https://ai.yanxishe.com/page/search

课程简介：

CS231n 的全称是 CS231n: Convolutional Neural Networks for Visual Recognition，即面向视觉识别的卷积神经网络。

该课程是斯坦福大学计算机视觉实验室推出的课程。本次给出的都是 2017 春季（4 月至 6 月）的最新版本，课程由李飞飞教授和他的两个博士生 Justin Johnson 和 Serena Yeung 领衔教授。

CS231n 课程资源主要由授课视频与 PPT，客座讲座，授课知识详解笔记，课程作业，课程项目五部分组成。其中：

• 授课视频 14 课。每节课时约 1 小时左右，每节课一份 PPT
  

• 客座讲座 2 课。每节讲座约 1 小时 30 分左右
  

• 授课知识详解笔记共 16 份
  

• 课程作业 3 次
  

• 课程项目 1 个
  

• 拓展阅读若干
  

如果你想了解计算机视觉，CS231n 是非常好的入门材料，也是计算机视觉和深度学习领域最经典的课程之一，这门课适合绝大多数想要学习深度学习知识的人。

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

课程地址 ： https://course.fast.ai/

爱可可老师在 kanbilibili 上上传了视频，也可以下载视频学习： https://www.kanbilibili.com/video/av41718196/

课程简介：

这是该课程的 2019 版本。该课程的老师是大名鼎鼎的 Jeremy Howard。Jeremy Howard 是大数据竞赛平台 Kaggle 的前主席和首席科学家，也是 Kaggle 冠军选手。他是美国奇点大学（Singularity University）最年轻的教职工，同时也是多家科技公司的创始人和 CEO。

Fast AI 是 Jeremy Howard 在 2017 年创立的，免费提供关于深度学习技术的系列实战性视频教程。该教程注重讲解在工程实践中真正行之有效的方法，这些方法都是 Jeremy Howard 本人亲身经历并总结出来的，是深度学习领域非常实用的教程。

5、《CS224N: Natural Language Processing with Deep Learning(斯坦福深度学习自然语言处理)》

课程地址 ： https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_

AI 研习社上可以查看该课程的中文字幕版 ： https://ai.yanxishe.com/page/search

相关课件 ： https://ai.yanxishe.com/page/resourceDetail/770

课程简介：

课程的领衔主讲是自然语言处理领域著名学者，著有《统计自然语言处理基础》、《信息检索导论》等自然语言处理著名教材的 Christopher Manning 和 Salesforce 的首席科学家 Richard Socher。

自然语言处理（NLP）是信息时代最重要的技术之一。理解复杂的语言话语也是人工智能的重要组成部分。NLP 的应用无处不在，NLP 应用程序背后有大量的基础任务和机器学习模型，这些模型通常可以通过单一的端到端模型进行训练，而不需要传统的、特定任务特征的工程。

在这个冬季课程中，学生将学习执行、训练、调试、可视化和创造他们自己的神经网络模型。该课程全面介绍了应用于 NLP 的深度学习尖端研究。在模型方面，我们将介绍词向量表示、基于窗口的神经网络、递归神经网络、长期短期记忆模型、递归神经网络、卷积神经网络以及一些涉及存储器组件的最新模型。

通过讲座和编程作业，学生将学会运用神经网络到实际问题中的必备技巧。

6、《Machine Learning(Coursera 斯坦福机器学习课程)》

课程地址 ： https://www.coursera.org/learn/machine-learning

课程简介 ：

该课程的讲师是大家都非常熟悉的 Andrew Ng。在本课程中，你将学习最有效的机器学习技术，你不仅会学到理论基础，还将获得快速地将这些技术应用于新问题所需的实践知识。最后，你还会了解硅谷在创新方面和机器学习、人工智能有关的一些最佳实践。

本课程对机器学习、数据挖掘和统计模式识别进行了介绍。课程包括：

（i）监督学习（参数/非参数算法、支持向量机、内核、神经网络）；

（ii）无监督学习（聚类、降维、推荐系统、深度学习）；

（iii）机器学习的最佳实践（偏差/方差理论；机器学习的创新过程和人工智能）；

本课程还将通过大量的案例研究和应用程序，让学生学习如何将学习算法应用于构建智能机器人（感知、控制）、文本理解（网络搜索、反垃圾邮件）、计算机视觉、医疗信息学、音频、数据挖掘和其他领域。

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

课程地址： https://www.coursera.org/specializations/probabilistic-graphical-models

课程简介：

该课程包含 3 个专项课程：

• 概率图模型 1：表示
  

概率图形模型（PGMS）是一个丰富的框架，用于编码复杂域上的概率分布：在大量相互作用的随机变量上的联合（多变量）分布。本课程描述了两种基本的 PGM 表示：基于有向图的贝叶斯网络和使用无向图的马尔可夫网络。

本课程讨论了这些表示的理论性质以及它们在实践中的应用。除了基本的 PGM 表示，本课程还提供了一些重要的扩展，这些扩展允许更复杂的模型被紧凑地编码。

• 概率图模型 2：推理
  

在第一门侧重于表示的课程之后，本课程将讨论概率推理的问题：如何使用 PGM 来回答问题。

尽管 PGM 通常描述一个非常高维度的分布，但它的结构设计是为了有效地回答问题。本课程针对不同类型的推理任务提出了精确和近似的算法，并讨论了每种算法的最佳应用场合。课程包含两个实践编程任务，实现了最常用的精确和近似算法，并应用于实际问题。

• 概率图模型 3：学习
  

本课程解决了学习问题：如何从一组示例数据中学习 PGM。课程讨论了有向和无向模型中参数估计的关键问题，以及有向模型的结构学习任务。课程包含两个实践编程任务，实现了两个常用学习算法，并将其应用于实际问题。

8、《Introduction to Reinforcement Learning(DeepMind 强化学习导论)》

课程地址 ： https://www.youtube.com/playlist?list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ

不能翻墙的同学可以在 bilibili 上学习这个课程 ： https://www.bilibili.com/video/av24060851/

课程简介：

该课程是由 DeepMind 发布的，课程共有 10 个视频，分别是：

1. 强化学习入门
   

2. 马尔科夫决策过程
   

3. 动态规划
   

4. 无模型预测
   

5. 无模型控制
   

6. 值函数逼近
   

7. 策略梯度法
   

8. 整合学习规划
   

9. 探索与利用
   

10. 案例研究：经典游戏中的强化学习
    

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

课程地址 ： https://fullstackdeeplearning.com/march2019

课程简介 ：

这是一个为熟悉深度学习基础知识的开发人员提供实践课程。在这个课程中，开发人员将完成项目：如何部署端到端的深度学习系统。

当然，开发人员还会学到有关生产实践的深度学习知识，包括

• 阐述问题并估算项目成本
  

• 查找、清洗、标记和扩充数据
  

• 选择正确的框架和计算基础架构
  

• 故障排除训练，确保可重现性
  

• 大规模模型部署
  

学生们将完成一个最终将计算机视觉和自然语言处理系统部署到生产中的项目。也有机会测试你的知识，并准备参加可选的笔试面试。

两天的课程包含的具体内容如下图所示：

在课程完成之后，还可以参加笔试和面试来测试自己的水平。

10、《How to Win a Data Science Competition: Learn from Top Kagglers(Coursera 跟顶级 Kagglers 学习如何赢取数据科学竞赛)》

课程地址 ： https://www.coursera.org/learn/competitive-data-science/home/welcome

如果你想开始学习数据科学，那么这门课程就是为你准备的！

参加建模预测竞赛可以帮助你获得实践经验，提高在信贷、保险、营销、自然语言处理、销售预测和计算机视觉等各个领域的数据建模技能。在本课程中，您将学习如何分析和完成具此类有难度的预测建模任务。

当你完成这门课，你将：

• 了解如何有效地完成预测性建模竞赛，并将学会的技能用于实际任务
  

• 了解如何预处理数据并通过各种数据（如文本和图像）生成新特征
  

• 学习高级的特征工程技术
  

• 能够形成可靠的交叉验证方法
  

• 获得分析和解析数据的经验
  

• 掌握不同算法的知识，学习如何有效地调整超参数并获得最佳性能
  

• 了解过去的冠军方案和代码，并学习如何阅读它们
  

本课程将教你如何获得高级别的解决方案，重点是机器学习方法的实际使用，而不是背后的理论基础。因此，学习这门课的先决条件是你必须具备机器学习的基础知识。

11.《BerkeleyX: CS188.1x Artificial Intelligence(伯克利 AI)》

课程地址 ： https://courses.edx.org/courses/BerkeleyX/CS188.1x-4/1T2015/course/

课程简介 ：

该课程历时 11 周，从最基本的 AI 概念讲起，再过渡到搜索规划、博弈论、强化学习等等内容。课程中间穿插了 3 个实践项目，分别是搜索规划、游戏树和决策理论和强化学习。在完成课程的学习之后，可以参加期末考试，考试通过的同学可以获得证书。

学习该课程需要的知识储备：

• 程序设计：面向对象编程、递归、Python 或快速学习 Python 的能力
  

• 数据结构：列表与集合（数组，哈希表）、队列（堆栈，队列，优先级队列）、树与图（遍历，背景）
  

• 数学：概率，随机变量和期望（离散）、基本渐近复杂度（Big-O）、基本计数（排列组合）

雷锋网雷锋网

雷锋网版权文章，未经授权禁止转载。详情见。