为什么中国人迷恋吴恩达的机器学习课程？

首先大家不必冷嘲热讽。不管题主的初衷是什么，理不辨不明，好好审题答题才应该是知乎的风格。但提问的朋友们也该尽量理性发问，不要总想搞个大新闻。

我们来逐条分析并回答一下原问题：

“吴恩达的机器学习课 其实不好，各种 弄数学吓唬人？为何 国人迷恋它？”

1. 吴恩达的机器学习课程质量如何？ 

吴恩达的机器学习课程笼统的讲可以说有两门课，一门是Cousera上的课程Machine Learning | Coursera，一门是斯坦福大学的课程CS229: Machine Learning。最近吴恩达还出了一门深度学习课程，在Coursera和网易云课堂已经上线，推荐大家学习。

回归正题，大家讨论的应该是Coursera上这门免费的机器学习课程，以这门课为例，Coursera上总共有49285个人给出了评分，平均得分4.9分，满分5分。据我个人观察，大部分Coursera上的课程评分处于4-4.5分之间，能做到4.9分的课程寥寥无几。另一个值得关注的是，这门课有接近五万人给出评分，统计学知识告诉我们这个样本较大所以评分应该趋近于其真实值，比较可信。根据Freecodecamp的统计，这门课是所有在线Machine Learning课程中最受到大家好评的课程。另一个比较直接的观察是如果大家在知乎上搜索“机器学习如何入门？”，大部分答案都提到了Andrew的这门入门课程，所以这是一门绝对的口碑课程。

因此不难发现认真学完这门课程的人都对其有较高的评价。既然课程经得住大家的检验，其质量不言自明。

2. 吴恩达的机器学习课程是否专门使用了数学吓唬人？

像其他答主提到的，Cousera上的版本比斯坦福的CS229还要简单，对数学要求很低。一般来说，机器学习的课程涉及了很多数学、统计概率、以及优化方向的知识，大概包括：

• 线性代数：矩阵/张量乘法、求逆，奇异值分解/特征值分解，行列式，范数等
• 统计与概率：概率分布，独立性与贝叶斯，最大似然(MLE)和最大后验估计(MAP)等
• 信息论：基尼系数，熵(Entropy)等
• 优化：线性优化，非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等
• 数值计算：上溢与下溢，平滑处理，计算稳定性(如矩阵求逆过程)
• 微积分：偏微分，链式法则，矩阵求导等

然而吴恩达教授的在Coursera上的课程基本上完全没有触及这些数学知识，这甚至还成为这门课程获得负面评价的主要原因。而吴恩达也不止一次的解释过原因：这门课没有使用过多数学的原因就是考虑到其受众广泛，因此用直觉式的解释大家有信心继续坚持学习。

将比较常见的机器学习资料数学从难到易进行排列(每个难度挑两个代表性资料)：

• Element of Statistical Learning，Machine Learning: A Probability Perspective
• Pattern Recognition and Machine Learning , 统计学习方法
• Deep Learning，机器学习(周志华)
• 吴恩达的Coursera课程，Introduction to Statistical Learning
• Python Machine Learning，集体编程智慧

不难看出其实吴恩达的课程难度是排在这个榜单比较低的位置，因此应该不存在拿数学吓唬人之嫌。我所能想到的比这个课程数学要求的更低的只有《集体编程智慧》这种偏工程的编程书籍了。

3. Cousera上的机器学习是否太理论缺少实践？和Udacity相比如何？

最近Udacity在知乎上被提及的频率越来越高，可喜可贺。题主有一点说的没错，Udacity的课程更加偏重于实践，我很久以前也听过一些课程，很有意思。但事实上如果你去听Udacity的深度学习课程，你会发现其数学要求还是远远高于吴恩达的这门课程。

我个人的感觉是，吴恩的机器学习的目标就跟你学微积分一样，它只是给你一个好的基础，你既可以用于优化也可以用于别的问题。所以没错，这不是一门实践课程，而只是用于打基础的入门理论课程。

4. 为何国人迷恋它？

首先要更正一点，那就是喜欢这门课程的不仅仅是国人，对于世界各地的机器学习入门者这都是家喻户晓的课程。我平时和各国同事聊天中发现大家即使没有完整的上过这门课程，也都听说过这门课程。原因很简单：

• 机器学习/深度学习/人工智能在近些年的流行和大热
• 大部分学校(国内外)没有相关的课程和师资储备
• 吴恩达本身就是机器学习领域的著名教授，有充分的教学经验
• 大部分工作人士和其他行业的朋友缺少了解机器学习的途径
• 作为免费网络课程的方便性与良好的经济成本

换句话说，这门课的大热是时代产物，而吴恩达教授在对的时候做了正确的事情。试想，如果这门课的内容是群论或者泛函分析，可能就无法依靠人工智能的时代红利吸引大部分学习者。

但同时我也想再次分享我一概的观点，不要指望一门课就能改变命运，如果真有这样的行业那很快它就会失去高利润的现状。

5. 题主有没有自由不喜欢吴恩达的授课风格？

我是完全尊重和支持题主不喜欢这门课程的，这是你的自由和权利。事实上我偶尔也能听到有类似观点的人，但很多人反而是抱怨这门课的数学基础太浅，培养出了大批自以为学会了机器学习的人。

我倒觉得这恰好代表了对一件事情的两种不同看法，永远没有一个标准可以恰好符合每个人的人情况。但理性讨论的基础是平等和尊重，也就是就是论事，而不是上来就扣帽子。题主和一些答主或多或少都有此之嫌。

虽然机器学习是专业领域，但这几个月我在知乎上还是看到了很多不断重复出现的撕逼问题，比如：

• 机器学习要不要学习数学
• 外行转机器学习/数据分析可不可行
• 做机器学习需不需要博士学位/继续深造

这一类小马过河的问题很容易里外不是人。如果你支持大家都来试试这个机器学习，就容易被扣“鼓动人跳火坑”，如果你反对大家转行，就会被扣帽子“要制造学术门槛”。其实这一类问题答案都是...看你的具体情况。

可以预见这样的问题还会不断在知乎出现，希望大家既不要秀优越感，也不要给人扣帽子了，尽量列证据摆事实用道理说话。

6. 机器学习对数学的要求有多高？

此处题主引用了一篇网络文章说明机器学习不该把数学作为机器学习前置条件：The real prerequisite for machine learning isn't math, it's data analysis - SHARP SIGHT LABS。文章内容我是基本赞同的，但是这个和吴恩达的课程关系不大，而且吴恩达恰恰也支持这个观点。更别忘了，发布这篇文章的sharp sight labs是一个提供在线学习课程的网站，其行文目的还值得商榷。

我一贯反对要求学通数学再做机器学习，具体可以看这个回答 阿萨姆：如何看待「机器学习不需要数学，很多算法封装好了，调个包就行」这种说法？。

机器学习是一个非常大的领域，那就代表每个人在其中的分工各不相同，有人负责开发模型做优化，那自然对数学要求较高。有人负责产品落地，更多的时间也就应用一下现成的API即可，不要把自己埋到无边无际的数学海洋里面去，人生有限。

从对数学要求上来看，简单粗暴的可以说：1. 科研人员/算法专家 > 2.数据科学家/算法工程师 > 3. 数据工程师 > 4. 数据分析师/软件工程师。如果你的目标岗位是数据工程师，更多还是要学习数据库、并行计算/云计算、数据清洗相关的内容。而作为一个算法专家或者研究员，掌握数学还是必不可少的环节。

这种分类不是说行业的高低贵贱，而只是一个产业链上的不同分工侧重点不同，找到自己的准确定位才是关键，一位的追求知识的大而全也是一种盲目行为

转自知乎~

---

学AI的小可爱们看这里，自学人工智能不易，我把学习人工智能的
一系列资料都放在这了：https://t.bilibili.com/684204899131457590?spm_id_from=333.999.0.0
适用人群：
①准备毕业论文的学生
②准备跳槽，正在找工作的AI算法工程师等
③自学和准备转行到AI领域的人
④想巩固AI核心知识，查漏补缺的人
论文|学习|就业|竞赛指导+大牛技术解答，需要的小伙伴自取噢~