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。
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)
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)
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