Machine Learning(Basic)
课程简介
- 先修要求：数学分析，概率论，Python，算法，以及一些基础的矩阵论知识（实际上只用矩阵求导，可以参考矩阵求导术或者这篇专栏）；不用先修凸优化，但是学了也有一定好处
- 参考材料：
- Stanford CS229：斯坦福机器学习课程，由网红教授吴恩达授课
- 主要内容：
- 机器学习的经典算法，包括：linear regression, (local) weighted regression, logistic regression, GLM, Newton's method, GDA, decision tree, K-means, EM, PCA, ICA, MDP, SVM, deep learning, reinforcement learning 等等，涉猎极为广泛，保证你接触到机器学习的每一个领域
- 吴恩达教授对于机器学习的理解，包括但不限于如何选择合适的机器学习算法、不同算法之间的优劣等等
个人心得
这门课程较为偏向数学推导，代码示例其实并没有多少（主要集中在作业里，课上基本不涉及），所以更推荐学习完算法之后再来学习，不然写作业的时候很容易产生挫败感。
在这门课中，我深切地体会到了一门好课，一份好讲义，一系列好作业对于学习的莫大帮助。吴恩达教授上课节奏适中，除了一些繁琐的数学推导放在了讲义上之外，其余内容都详细地进行了讲授；吴恩达教授对于机器学习的建议也很有必要慢慢领悟。至于讲义，在需要速通的情况下，甚至可以只看讲义就能搞懂百分之九十的内容，在此之前，我实在无法想象有哪一份精简的讲义可以做到这点。最后，好作业自然不必多说，与之前 cs61a，cs61b 等课程中的作业同样精彩。总之，在前置知识掌握牢固的前提下，你完全可以相信这么一门课，它完全可以带你走进机器学习的大门！
关于前置知识：虽然课程中几次涉及了高维情形中的概率论、矩阵论、优化理论等，但是你完全不需要提前掌握这些知识——更基础些的微积分、线性代数、概率论足以解决这门课中绝大部分内容，即使有不能解决的，吴恩达教授的讲解也能让你迅速掌握。
关于教材：这门课只有讲义，并且只看讲义就已经足够。一些教材，例如西瓜书、花书、统计学习方法等，在我阅读后，发现并不适合初学者使用——与其说它们是教材，不如说是一位早已掌握了机器学习的人的精简笔记，或者说是用于查阅的工具书。我只建议在需要的时候参考《统计学习方法》中的一些数学推导。
相关链接
- 课程网站：https://cs229.stanford.edu/
- 课程视频：B 站搜索
- 课程作业：不对公众开放，但是可以在 GitHub 上搜索到，或者参考 PKUFlyingPig 的仓库