玩转人工智能中的机器学习之精品课程

已于 2023-03-12 20:24:30 修改
阅读量298 收藏
点赞数
分类专栏： 人工智能怎么学 文章标签： 人工智能 大数据 机器学习 学习方法 Powered by 金山文档
于 2023-03-12 20:14:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/audyxiao001/article/details/129410130
版权

本文给出了一些机器学习方面的在线课程，方便读者朋友们自学。机器学习方面在线课程更新非常快，读者朋友们也可以在网上自行搜索，选择适合自己的在线课程进行学习。

北京大学张志华教授（曾经在上海交通大学工作）的《统计机器学习》中文课程理论功底深厚，知识面广，讲解细致，非常适合入门，课程的视频见课程 29。

课程 29 北京大学张志华教授的《统计机器学习》中文课程，网址为：https://www.bilibili.com/video/BV1rW411N7tD?p=1或者https://www.math.pku.edu.cn/teachers/zhzhang/

斯坦福大学Trevor Hastie和Robert Tibsiranl教授的《统计学习》英文课程基于他们出版的著名教材《The Elements of Statistical Learning : Data Mining, Inference, and Prediction》。课程讲解详尽，分析富有条理，形象而生动，课程的视频见课程 30。

课程 30 斯坦福大学Trevor Hastie和Robert Tibsiranl教授的《统计学习》英文课程，网址为：https://www.bilibili.com/video/BV11t411A7Ym?p=1

浙江大学胡浩基老师的《机器学习》课程涉及的知识面广，容易理解，学习坡度平缓，适合入门，课程的视频见课程 31。

课程 31 浙江大学胡浩基老师的《机器学习》中文课程，网址为：https://www.bilibili.com/video/BV1qf4y1x7kB?p=1

斯坦福大学吴恩达教授是机器学习领域的著名学者，其在线课程受到国内外学习者的广泛好评。吴恩达教授主讲的《机器学习》英文课程讲解细致、易于理解，特别适合入门者学习，课程的视频见课程 32。

课程 32 斯坦福大学吴恩达教授的《机器学习》英文课程，网址为：https://www.bilibili.com/video/BV1Up4y1X7t1?p=1

多伦多大学Geoffrey Hinton教授是深度学习的主要创立者之一，是机器学习领域的著名学者。Geoffrey Hinton教授的《机器学习与神经网络》英文课程主要介绍神经网络与深度学习的相关内容，课程条理清晰、实例丰富，课程的视频见课程 33。

课程 33 多伦多大学Geoffrey Hinton教授的《机器学习与神经网络》英文课程，网址为：https://www.bilibili.com/video/BV1n64y117t7/?p=1

台湾大学李宏毅教授的《机器学习》中文课程深受学习者的好评，语言幽默，善于通过例子来阐述深奥的理论，课程包含的知识点新颖而全面，适合入门和提高使用，课程的视频见课程 34。

课程 34 台湾大学李宏毅教授的《机器学习》中文课程，网址为：https://speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.html

斯坦福大学吴恩达教授的《深度学习》英文课程学习坡度平缓，思路清晰，易于理解，课程的视频见课程 35。

课程 35 斯坦福大学吴恩达教授的《深度学习》英文课程，网址为：https://www.bilibili.com/video/BV1FT4y1E74V/?p=1或者https://www.deeplearning.ai/

关于人工智能中机器学习的更多介绍，可以购买《人工智能怎么学》进一步阅读。

图书购买方式

京东：https://item.jd.com/13395339.html

当当：http://product.dangdang.com/29469230.html

天猫：https://detail.tmall.com/item_o.htm?id=687374654836

为了让图书惠及更多的读者，为更多想学习人工智能的人提供帮助，经过向出版社申请，对图书《人工智能怎么学》的部分内容进行改编和连载。图书《人工智能怎么学》的全部内容包含了初级入门、中阶提高以及高级进阶三个级别的内容。连载的内容主要是初级入门级别，适合想对人工智能进行快速和高效入门的读者，对于已有一定的人工智能学习基础，希望进一步进阶或提高的读者，则需要购买图书《人工智能怎么学》，学习中阶提高以及高级进阶的内容。此外，对于学习人工智能感兴趣的读者，也可以加入知识星球《人工智能怎么学》，知识星球是一个构建学习社群的平台，通过加入《人工智能怎么学》的社群，你将获得更多的学习资料和课程信息。

与作者互动和了解更多信息

想跟作者一起学习人工智能和互动，你可以加入如下社群：

知识星球：https://t.zsxq.com/0aLkVg0os

QQ群：600587177

想了解更多关于人工智能学习及实践的内容，请关注如下媒体：

官方网站：https://bigdatamininglab.github.io

官方微信公众号：人工智能怎么学(可扫描下方二维码或者微信搜索“人工智能怎么学”添加关注)

CSDN：https://blog.csdn.net/audyxiao001

参考文献

  1. 张文俊. 数学欣赏[M]. 北京: 科学出版社, 2011.

  1. 李文林. 数学史概论 第4版[M]. 北京: 高等教育出版社, 2021.

  1. 方开泰. 漫漫修远攻算路：方开泰自述[M]. 长沙: 湖南教育出版社, 2016.

  1. 徐品方. 数学王子——高斯[M]. 哈尔滨: 哈尔滨工业大学出版社, 2018.

  1. 同济大学数学系. 高等数学（第7版）[M]. 北京: 高等教育出版社, 2014.

  1. 李忠，周建莹. 高等数学（第2版）[M]. 北京: 北京大学出版社, 2009.

  1. Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.

  1. Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition)[M]. Cengage Learning, 2018.

  1. 华东师范大学数学科学学院. 数学分析（第5版）[M]. 北京: 高等教育出版社, 2019.

  1. 常庚哲, 史济怀. 数学分析教程（第3版）[M]. 合肥: 中国科学技术大学出版社, 2012.

  1. Walter Rudin. Principles of Mathematical Analysis (ThirdEdition) [M]. McGraw-Hill Education, 1976.

  1. Vladimir A. Zoric. Mathematical Analysis (Second Edition)[M]. Springer, 2016.

  1. Elias M. Stein, and RamiShakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.

  1. Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.

  1. Elias M. Stein, and Rami Shakarchi. Fourier Analysis: AnIntroduction [M]. PrincetonUniversity Press,2003.

  1. Elias M. Stein, and Rami Shakarchi. Functional Analysis:Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.

  1. 丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.

  1. 居于马. 线性代数（第2版）[M]. 北京: 清华大学出版社, 2002.

  1. 李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.

  1. 李炯生. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2010.

  1. 龚昇. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2005.

  1. 任广千, 谢聪, 胡翠芳. 线性代数的几何意义[M]. 西安: 西安电子科技大学出版社, 2015.

  1. Kuldeep Singh. Linear Algebra: Step by Step [M]. OxfordUniversity Press,2014.

  1. Gilbert Strang. Introduction to Linear Algebra (FifthEdition) [M]. Wellesley-Cambridge Press, 2016.

  1. David C. Lay et al. Linear Algebra and Its Application (FifthEdition) [M]. Pearson,, 2016.

  1. Sheldon Axler. Linear Algebra Done Right (Third Edition) [M].Springer, 2015.

  1. Gerald Farin, and Dianne Hansford. Practical Linear Algebra:A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.

  1. Gilbert Strang. Linear Algebra and Learning from Data [M].Wellesley-Cambridge Press, 2019.

  1. 徐仲. 矩阵论简明教程（第3版）[M]. 北京: 科学出版社, 2014.

  1. 张贤达. 矩阵分析与应用（第2版）[M]. 北京: 清华大学出版社, 2013.

  1. Gene H. Golub, and Charles F. Van Loan. Matrix Computation(Fourth Edition) [M]. The Johns Hopkins University Press, 2013.

  1. Roger A. Horn, and Charles R. Johnson. Matrix Analysis(Second Edition) [M]. Cambridge University Press, 2013.

  1. 盛骤, 谢式千, 潘承毅. 概率论与数理统计（第4版）[M]. 北京: 高等教育出版社, 2008.

  1. 陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2017.

  1. Jay L. Devore. Probability and Statistics for Engineering andthe Sciences (Ninth Edition) [M]. Cengage Learning, 2016.

  1. Morris H. DeGroot, and Mark J. Schervish . Probabilityand Statistics (Forth Edition) [M]. Pearson, 2012.

  1. 高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.

  1. 王静龙. 多元统计分析[M]. 科学出版社, 2008.

  1. T. W. Anderson. An Introduction to Multivariate StatisticalAnalysis (Third Edition) [M]. John Wiley & Sons, 2003.

  1. Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (SixthEdition) [M]. Pearson, 2007.

  1. 程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.

  1. 严加安. 测度论讲义（第2版）[M]. 北京: 科学出版社, 2004.

  1. Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theory andProbability Theory (Third Edition) [M]. Springer, 2006.

  1. Paul R. Halmos. Measure Theory [M]. Springer Science+Business Media, 1974.

  1. 胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.

  1. 郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.

  1. Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced andMultivariate Statistical Methods: Practical Application and Interpretation(Sixth Edition) [M]. Routledge, 2017.

  1. Eugene Demidenko. Advanced Statistics with Applications in R[M]. John Wiley & Sons, 2020.

  1. 何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.

  1. 张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.

  1. Sheldon M. Ross. Introduction to Probability Models (TwelfthEdition) [M]. Academic Press, 2019.

  1. Robert G. Gallager. Stochastic Processes: Theory forApplications [M]. John Wiley & Sons, 2013.

  1. David Forsyth. Probability and Statistics for ComputerScience (Twelfth Edition) [M]. Springer, 2018.

  1. Luc Devroye et al. A Probabilistic Theory of PatternRecognition [M]. Springer, 1997.

  1. 《运筹学》教材编写组. 运筹学（第4版）[M]. 北京: 清华大学出版社, 2013.

  1. 胡运权, 郭耀煌. 运筹学教程（第5版）[M]. 北京: 清华大学出版社, 2018.

  1. Frederick S. Hillier, and Gerald J. Lieberman. Introductionto Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.

  1. Hamdy A. Taha. Operation Research：An Introduction(Tenth Edition) [M]. Pearson, 2017.

  1. 陈宝林. 最优化理论与算法（第2版）[M]. 北京: 清华大学出版社, 2018.

  1. 高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.

  1. Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction toOptimization (Fourth Edition) [M]. John Wiley & Sons, 2013.

  1. Jorge Nocedal, and Stephen J. Wright. Numerical Optimization(Second Edition) [M]. Springer, 2006.

  1. Stephen Boyd, and Lieven Vandenberghe. Convex Optimization[M]. Cambridge University Press, 2004.

  1. Yuni Nesterov. Lectures on Convex Optimization (SecondEdition) [M]. Springer, 2018.

  1. 李航. 机器学习方法[M]. 北京: 清华大学出版社, 2022.

  1. 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

  1. Yuni Nesterov. The Elements of Statistical Learning: DataMining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.

  1. Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education,1997.

  1. Christopher Bishop. Pattern Recognition and Machine Learning[M]. Springer, 2006.

  1. Mehryar Mohri et al. Foundation of Machine Learning (SecondEdition) [M]. The MIT Press, 2018.

  1. Kevin P. Murphy. Probabilistic Machine Learning: AnIntroduction [M]. The MIT Press, 2022.

  1. Shai Shalev-Shwartz, and Shai Ben-David. UnderstandingMachine Learning: From Theory to Algorithms [M]. Cambridge University Press,2014.

  1. Ian Goodfellow etal. Deep Learning [M]. The MIT Press, 2016.

  1. 杨强, 张宇, 戴文渊, 潘嘉林 . 迁移学习[M]. 北京: 机械工业出版社, 2020.

  1. 杨强, 刘洋，程勇 等. 联邦学习[M]. 北京: 中国工信出版集团, 电子工业出版社, 2020.

  1. 周志华. 集成学习：基础与算法（第2版）[M]. 李楠, 译. 北京: 清华大学出版社, 2019.

  1. Richard S. Sutton, and Andrew G. Barto. ReinforcementLearning: An Introduction [M]. The MIT Press, 2018.

  1. Amparo Albalate, and Wolfgang Minker. Semi-Supervised andUnsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.

  1. Christoph Molnar. Interpretable Machine Learning: A Guide forMaking Black Box Models Expainable [M]. lulu.com, 2020.

  1. Judea Pearl. Causality: Models, Reasoning, and Inference(Second Edition) [M]. Cambridge University Press, 2009.

注：本文版权归作者个人所有，如需转载请联系作者，未经授权不得转载。

audyxiao001
关注
专栏目录
【机器学习项目实战案例目录】项目详解 + 完整源码
CSDN 精品推荐
11-24 3万+
本专栏整理了《机器学习项目实战案例》，内包含了各种不同的入门级机器学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
附录：入行 AI，选个脚踏实地的岗位
YeJuliaLi的博客
09-22 374
0. 引子 AI原本是一个专业领域，没什么特别的。作为码农一枚，笔者的工作内容正好在这个领域。 近来这一年左右时间里，连续发生了多件事情，使得笔者不得不抬起原本一直低着敲代码的头，看看这个为AI狂欢的世界。 【Case 1】 居然在一个月里碰到两位在相对传统行业创业的亲友，来打听将AI技术应用到他们所在行业上的问题，例如：是聊天机器人是否可以代替人工客服。 两位亲友居然都动了雇佣一位算法...
模式识别（国家精品课程讲义）
08-04
人工智能让生活更加美好
【重磅福利】《深入理解机器学习算法》精品课程
weixin_34160277的博客
05-22 132
【重磅学习福利】阿里云培训专家亲授《深入理解机器学习算法》精品课程5月15日至6月2日，参加阿里云大学大数据入门知识挑战赛，通过考试即可免费获得阿里云培训专家讲授的《深入理解机器学习算法》精品课程考试地址&挑战赛介绍：点击这里课程学习址：点击这里（通过考试后将为你开通课程权限）​ 转载于:https://juejin.im/post/5ce509a3f265da1bd260c2ee...
机器学习专家系列精品课程零基础到精通（全套）
qiaobi2397的博客
12-20 461
百度搜索“一起自学吧”做大数据专家，不做第一，只做唯一。机器学习介绍： 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领...
线性代数的几何意义
shirley的专栏
09-16 419
人工智能中的线性代数与矩阵论学习秘诀之著名教材
audyxiao001的博客
02-24 1589
本文介绍了人工智能中线性代数与矩阵的著名教材，方便读者进行选择，提高学习的效果。
如何入门机器学习
Mlooker的博客
03-11 1419
本篇文章，我将从过来的人角度介绍下机器学习如何从入门到精通，这里我们谈经验，谈工具，更谈方法论。 1.入门 作为初入机器学习的小白，你可能除了一颗好奇的心和一番热血外什么都不没有，当然最好还是希望你能有线性代数、微积分和概率论的基础。你可能会心存顾虑：学过但忘了。不用担心，这种东西不用就会忘，但只要用到，学一学便会；或者说你可能真的没学过，这个也不用担心，只要你真的想学现在也来得及。 好了废...
Kaggle精选：6门精品数据科学课程
读芯术的博客
08-09 506
全文共2489字，预计学习时长7分钟 图源：unsplash 很多网站都提供数据科学在线课程，而笔者最钟爱的就是Kaggle平台，使用它的次数最多，比如查看代码、下载数据和查看其他Jupyter笔记本等。领英也提供课程，但笔者更愿意在已有学习经历的网站上参加课程。 根据Kaggle上的示例和数据，笔者已经在这个网站上练习了大量的机器学习算法及对应的代码。老司机带路，为你筛选一些 Kaggle上可学习的精品数据科学课程。 Kaggle Kaggle是可以了解数据科...
100个Python数据分析实战案例
最新发布
CSDN 精品推荐
03-06 928
本专栏整理了《机器学习项目实战100例》，这个专栏涵盖了多种类型的数据挖掘项目，以满足不同用户的各种需求，为大家提供支持，助力完成各类课程设计。内包含项目原理以及源码，每一个项目实例都附带有完整的代码 + 数据集。
浙江大学人工智能课程课件
11-18
浙江大学人工智能课程课件，内容有： Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (Heuristic) Search （1 week） Adversarial Search: Minimax Search, Evaluation Functions, Alpha-Beta Search, Stochastic Search Adversarial Search: Multi-armed bandits, Upper Confidence Bound (UCB),Upper Confidence Bounds on Trees, Monte-Carlo Tree Search(MCTS) Statistical learning and modeling (5 weeks) Probability Theory, Model selection, The curse of Dimensionality, Decision Theory, Information Theory Probability distribution: The Gaussian Distribution， Conditional Gaussian distributions， Marginal Gaussian distributions， Bayes’ theorem for Gaussian variables， Maximum likelihood for the Gaussian， Mixtures of Gaussians, Nonparametric Methods Linear model for regression: Linear basis function models； The Bias-Variance Decomposition Linear model for classification ： Basic Concepts; Discriminant Functions (nonprobabilistic methods); Probabilistic Generative Models; Probabilistic Discriminative Models K-means Clustering and GMM & Expectation–Maximization (EM) algorithm, BoostingThe Course Syllabus Deep Learning (4 weeks) Stochastic Gradient Descent, Backpropagation Feedforward Neural Network Convolutional Neural Networks Recurrent Neural Network (LSTM, GRU) Generative adversarial network (GAN) Deep learning in NLP (word2vec), CV (localization) and VQA(cross-media) Reinforcement learning (1 weeks) Reinforcement learning: introduction
国外经典线性代数 高清版 带书签
06-02
学习算法过程中，可能会遇到相应的数学的难题，线性代数可以可供参考。
人工智能的数学基础------- 矩阵迹与相似矩阵的本质
qq_39838607的博客
09-14 1307
矩阵迹与相似矩阵的本质 矩阵相似 矩阵相似的几何意义 相似对角化 矩阵的迹
【线代】《线性代数的几何意义》——摘录笔记（一）
多学，多想，多总结
10-09 2184
大多是摘录原书，概括、理解是自己总结的。第一章读的细，后面凭个人兴趣。文字多，图少。供自己温习，他人学习仅供参考。原书很精彩，解释细致，有很多优美的图形，强烈推荐。
支持向量机回归——vincen的学习笔记
vincen__的博客
02-28 871
1 前言 胡浩基老师的机器学习课程作业 与SVMSVMSVM推导类似，下面推导需要承认一个结论： 对于下述优化问题 min⁡ωf(ω) \min_{\omega}f(\omega) ωmin​f(ω) s.ts.ts.t ①gi(ω)⩽0(i=1,⋯ ,k) ①g_i(\omega)\leqslant 0\quad (i = 1,\cdots,k) ①gi​(ω)⩽0(i=1,⋯,k) ②hi(ω...
再谈雅克比矩阵---在feature learning中的作用
carrierlxksuper的专栏
10-19 5451
上次谈了雅克比矩阵以及雅克比行列式，这次我们继续讨论。既然是机器学习下面来谈论，于是就要结合着机器学习的背景来谈论了。      这里涉及到的是无监督学习下的特征学习的问题，主要是参考了文章：Contractive Auto-Encoders: Explicit Invariance During Feature Extraction。这个篇文章对于auto encoder进行了改进，提出了对原
如何理解二次型？
魂淡林的博客
05-24 5139
本文介绍了二次型函数和矩阵的联系。可以好好参考一下。如何理解二次型？https://www.matongxue.com/madocs/271.html
【线性代数的几何意义】向量的基本几何意义
CrazyUncle的博客
04-03 1031
【线性代数的几何意义】向量的基本几何意义 随笔分类 - 数学Mathematics https://www.cnblogs.com/AndyJee/category/543588.html 二、向量的基本几何意义 https://www.cnblogs.com/AndyJee/p/3491458.html ...
AI机器学习Python视频教程全套课程资源
资源摘要信息:"人工智能机器学习视频课程293集.zip" 该资源是一套关于人工智能和机器学习的视频课程，总集数为293集，内容覆盖了从基础到高级的各种知识点。课程的组织结构严谨，覆盖了人工智能和机器学习领域的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值