机器学习专项课程

Machine Learning Specialization斯坦福self-paced免费旁听

线性回归逻辑回归神经网络决策树推荐系统强化学习

这门课学什么

3 门课的入门序列：回归与分类、神经网络与决策树、聚类、异常检测、推荐系统和强化学习。每周配 Python 实验。

内容摘要

这是吴恩达 2022 年重做的机器学习入门课，由 Stanford Online 和 DeepLearning.AI 联合出品。它取代了 2011 年那门用 Octave 编程的经典课，改用 Python、NumPy、scikit-learn 和 TensorFlow。3 门课共 10 周，每周有视频、测验和 Jupyter 实验。

第 1 门课讲监督学习的两个基本模型。先用单变量线性回归讲清代价函数和梯度下降，再扩展到多元回归和特征工程，最后讲逻辑回归、过拟合和正则化。第 2 门课讲神经网络和决策树，并专门用 1 周讲怎样诊断和改进模型：偏差与方差、误差分析、迁移学习和不平衡数据的评价指标。

第 3 门课转向监督学习之外的问题：K-means 聚类、异常检测、协同过滤与基于内容的推荐，以及强化学习。强化学习部分从回报和贝尔曼方程讲起，最后在实验中训练一个控制月球着陆器的智能体。

课程数学要求低。需要微积分的地方先给直觉，推导放在可选视频里。学完后，你能用 Python 实现常见模型，也知道模型效果不好时下一步该查什么。讲课风格延续吴恩达一贯的做法：概念讲得慢，例子具体。部分周末尾附吴恩达与李飞飞、Christopher Manning、Chelsea Finn 的对谈视频。

为什么值得学

它是吴恩达 2011 年 Coursera 机器学习课的 2022 年重制版。原课是 MOOC 史上学习人数最多的机器学习课。

课程信息

学校: 斯坦福（Stanford）
讲师: 吴恩达（Andrew Ng）
学期: self-paced
平台: Coursera
费用: 免费旁听
难度: 入门
学时: 3 门课，约 95 小时（2 个月 × 每周 10 小时）
先修: 需要高中数学和基本的 Python 编程。
材料: 视频、作业、代码
许可证: 未注明

去课程主页 ↗

课程是英文的。本页的介绍、摘要和大纲由极客教育原创撰写，讲次标题为中文意译。开课时间、收费和链接以官方页面为准。

课程大纲 · 共 10 节

大纲依据：Coursera 专项课程 3 门子课程的模块列表（共 10 个模块）；no 写作“子课程.模块”（查看原始页面 ↗）

1.1
课 1 第 1 周：机器学习导论Supervised Machine Learning: Regression and Classification — Week 1: Introduction to Machine Learning
区分监督学习和无监督学习。用单变量线性回归讲代价函数、梯度下降和学习率。
1.2
课 1 第 2 周：多输入变量回归Week 2: Regression with Multiple Input Variables
讲多元线性回归、向量化、特征缩放和收敛检查。再讲特征工程和多项式回归，并在实验中实现线性回归。
1.3
课 1 第 3 周：分类Week 3: Classification
讲逻辑回归、决策边界和对应的代价函数。再讲过拟合和正则化，实验实现带正则化的逻辑回归。
2.1
课 2 第 1 周：神经网络Advanced Learning Algorithms — Neural Networks
讲神经元和网络层的结构，以及前向传播。分别用 TensorFlow 和 NumPy 实现推理，并讲矩阵乘法怎样提速。
2.2
课 2 第 2 周：神经网络训练Neural Network Training
用 TensorFlow 训练模型并比较激活函数。讲 Softmax 多分类、Adam 优化器和卷积层，选学反向传播的计算图。
2.3
课 2 第 3 周：应用机器学习的建议Advice for Applying Machine Learning
用训练集、验证集和测试集评估模型，诊断偏差和方差。讲误差分析、数据扩充、迁移学习，以及精确率与召回率的权衡。
2.4
课 2 第 4 周：决策树Decision Trees
用信息增益选择划分，处理类别特征和连续特征。再讲随机森林和 XGBoost，并比较树模型与神经网络的适用场景。
3.1
课 3 第 1 周：无监督学习Unsupervised Learning, Recommenders, Reinforcement Learning — Unsupervised Learning
讲 K-means 聚类的原理和初始化。再讲基于高斯分布的异常检测，以及它和监督学习的区别。
3.2
课 3 第 2 周：推荐系统Recommender Systems
讲协同过滤和基于内容的过滤，并用 TensorFlow 实现。讨论推荐系统的伦理问题，选学主成分分析（PCA）。
3.3
课 3 第 3 周：强化学习Reinforcement Learning
讲回报、策略、状态-动作价值函数和贝尔曼方程。用神经网络学习价值函数，训练月球着陆器。

斯坦福的其他AI课

机器学习 · Machine Learning
深度学习 · Deep Learning
面向计算机视觉的深度学习 · Deep Learning for Computer Vision
基于深度学习的自然语言处理 · Natural Language Processing with Deep Learning
图机器学习 · Machine Learning with Graphs
人工智能：原理与技术 · Artificial Intelligence: Principles and Techniques

← 返回全部AI课　·　← 只看斯坦福