python课程是学什么的-机器学习最好的课程是什么？

推荐NYU的Data Science项目的王牌课程 DS1003 Machine Learning

如果对自己的数学有一定的自信，愿意从头造轮子而不仅仅是当一个调包侠，想要了解机器学习原理的。这绝对是你想要的课程。

负责任的说，这是我研究生阶段上过最好的课。而且这个课的所有的资料都是可以从网上的公开渠道获取的！

NYU的Data Science项目基本上是北美最好的DS项目了，这门课的授课老师是David Rosenberg，来自Bloomberg CTO Office，在NYU教授这门Machine Learning已经很多年了（今年换成了DS学院的的Director来教，也是大佬，内容基本上没变）。在NYU内部，每年基本上都属于选课选的爆满的状态，十分抢手。

作为这门课2019年的Grader之一和出于David Rosenberg老师的喜爱，我强力推荐这门课。

课程的主页在这：https://davidrosenberg.github.io/ml2019/#home​davidrosenberg.github.io

课程核心内容：This course covers a wide variety of topics in machine learning and statistical modeling. While mathematical methods and theoretical aspects will be covered, the primary goal is to provide students with the tools and principles needed to solve the data science problems found in practice. This course also serves as a foundation on which more specialized courses and further independent study can build.

这门课既会从统计和数学的角度来教经典机器学习算法，也会教你如何运用到实践当中，解决现实的数据科学问题。

我自己学过UBC的Machine Learning，也看过吴恩达的Machine Learning视频，我觉的NYU的这门ML在难度上高于这两门，但我对NYU的ML课程内容的欣赏程度也远高于这两门。吴恩达的Machine Learning的课程过于简单，对很多原理浅谈则止。UBC的Machine Learning也是专注于数学，但内容相对单薄。

对我而言，上这门课的价值主要在于算法讲解的出发点很数学（知其然也知其所以然），作业质量非常高（作业包含定理证明，从头实现经典机器学习算法，算法应用），而且内容充实，旁证博引，会教一些很有意思的东西。一个我印象深刻的例子，回归问题，输入D = {(x_i ,y_i); i = 1..N},什么情况下最优化的权重w是x的线性组合？(The Representer Theorem)，以往数学课上学到的熟悉的Hilbert空间等概念以没有想到的方式回到了眼前。

尤其这门课的作业质量很高，工作量很大。对于刚刚学习Machine Learning的同学来说，做完这门课的作业，你的代码能力（Python），对算法的理解能明显的上一个台阶。比如最后一个作业就是让你自己动手写一个神经网络的框架（Computational Gragh），并且帮你准备好了测试代码。自己动手写过这个，还会怕在面试中被问到神经网络反向传播算法的原理吗？Slides也很出色，对于招工作的同学来说，绝大多数的算法工程师的面试的基础知识都能被这门课的slides给cover到。