Machine Learning

开始时间: 待定 持续时间: Unknown

所在平台: Coursera

课程类别: 计算机科学

大学或机构: Stanford University(斯坦福大学)

授课老师: Andrew Ng

   

课程主页: https://www.coursera.org/course/ml

课程评论: 28 个评论

评论课程        关注课程

课程详情

Machine learning is the science of getting computers to act without being explicitly programmed. In the past decade, machine learning has given us self-driving cars, practical speech recognition, effective web search, and a vastly improved understanding of the human genome. Machine learning is so pervasive today that you probably use it dozens of times a day without knowing it. Many researchers also think it is the best way to make progress towards human-level AI. In this class, you will learn about the most effective machine learning techniques, and gain practice implementing them and getting them to work for yourself. More importantly, you'll learn about not only the theoretical underpinnings of learning, but also gain the practical know-how needed to quickly and powerfully apply these techniques to new problems. Finally, you'll learn about some of Silicon Valley's best practices in innovation as it pertains to machine learning and AI.

This course provides a broad introduction to machine learning, datamining, and statistical pattern recognition. Topics include: (i) Supervised learning (parametric/non-parametric algorithms, support vector machines, kernels, neural networks). (ii) Unsupervised learning (clustering, dimensionality reduction, recommender systems, deep learning). (iii) Best practices in machine learning (bias/variance theory; innovation process in machine learning and AI). The course will also draw from numerous case studies and applications, so that you'll also learn how to apply learning algorithms to building smart robots (perception, control), text understanding (web search, anti-spam), computer vision, medical informatics, audio, database mining, and other areas.

课程评论(28条)

0

这个混蛋叫混沌 2016-07-07 07:23 0 票支持; 0 票反对

正在学习中,感觉很棒。

2

Monkey_D_Law 2014-06-06 20:05 2 票支持; 0 票反对

之前在网易公开课上看过Andrew Ng老师的机器学习,满黑板的公式推导让人看的一头雾水,这个coursera的机器学习课虽然也是Andrew Ng老师带的,但是省去了许多数学细节问题,非常适合入门,不过有微积分,线代,概率,matlab基础的话,就更好了

当然了,机器学习也没有那么简单,主要是老师讲的太好了,而且编程题都有pdf文件的指导,零基础的也可以很好的完成。

0

翎蕊之楚 2014-04-22 11:20 0 票支持; 0 票反对

讲得很详实,很好的入门课,如果能够将习题课视频放上去就更好了,好多式子的推导需要指导啊,或者习题课视频在哪里可以download?

2

爱折腾的海宇Zhen 2014-01-19 22:52 2 票支持; 0 票反对

这门课从coursera诞生就一直很popular,前面也有很多大神评价过了,我就姑且说说自己的感受吧
1. 内容:的确是ML非常好的入门课程。大家听ML觉得很高大上,但是如果跟完了这门课,就会发现曾经”传说中的“ NN、SVM对自己都不再是传说。主要讲了:
supervised model: Linear Regression; Logistic Regression; NN; SVM
unsupervised model: clustering,PCA
application: 房价预测啊,手写数字识别,异常检测,推荐系统,OCR识别,etc. 还有处理大数据的一些技巧等等。
与工业实践结合的很好,而且由于是入门课,甚至连梯度的求法都不需要掌握~

2. 作业:编程软件Ng用的是Octave,不过是和matlab完全一样,我会说我全程都是在我的2013b上完成的么~~~
编程作业主体框架全都搭好了,而且pdf还会有很多提示。对于我个人来说,挑战性不是很大(小得意一下)。相比于现在正在上的computing for data analysis,作业提示真的很详细

3. 其他:作业错过每周的提交日期,只要在课程截止前提交只有20% penalty,这也会给很多业余时间紧张的童鞋上完课程的决心吧

总之,我觉得Ng不止是学术大牛,对教学也用了心,这门课门槛真的很低,欢迎对ML有兴趣的孩纸take!

0

Sean_ML 2013-12-30 22:18 0 票支持; 0 票反对

非常好的入门课。对线性代数,统计学的要求都不高。lecture非常具体也非常生动,编程练习通过给定框架的方式很大程度上降低了难度,给出的代码是非常好的学习资源。

0

LR机器学习计算机视觉 2013-12-30 14:30 0 票支持; 0 票反对

很好的入门课程,老师讲解的很清楚,作业给出了框架,
并且作业文档也描述的非常细,让你自己能够依靠老师
的viedeo讲解、作业相关文档,就能独立将作业完成;我
在学习本课程之前几乎很少用matlab,但是通过本课程的
学习,所有的matlab编程作业都自己独立完成了,真心非常
推荐这门课程。

0

tutu_2013 2013-10-16 05:47 0 票支持; 0 票反对

引导我选择做目前master thesis的第一课!感谢S大的Andrew Ng!如果早点上就好了,project真是好,希望可以再补充更多!

0

宋鑫要学习 2013-10-12 13:42 0 票支持; 0 票反对

这个必须五星。Andrew Ng讲授,即是我coursera上的第一门课(虽然跟下来了,但是很遗憾没有做过几次作业),也是我机器学习的入门课

0

北方的冬雪 2013-09-30 10:27 0 票支持; 0 票反对

呵呵,很多同学说Andrew Ng老师的ML课程代码给的太全,有些失望~
别忘这是机器学习入门课程,掌握ML基础即时和培养思维方式,带你走进ML世界是最重要的,不是一门课程~

0

bboy_yellowThunder 2013-09-23 16:00 0 票支持; 0 票反对

必须5分,老师在这课上真花了很大心思,尤其是编程题目.....

-1

pizigeng 2013-09-04 23:44 1 票支持; 2 票反对

没有中文字幕,看起来很费劲啊

0

极度视界 2013-08-31 21:09 0 票支持; 0 票反对

这个必然 5 星,很棒的入门课程;Ng老湿把编程作业设计到极为简单,而数据集并不单调,垃圾邮件分类/手写体分类等。学此课的同学,应该尝试丢掉Ng老湿给的框架,自己写一套算法,才好。这课我得了100%。

0

钛合金蛙眼 2013-07-12 18:25 0 票支持; 0 票反对

第二次完整跟下来,的确是最适合入门的机器学习课程,而且一点也不枯燥,必须5分

5

小小人_V 2013-07-11 21:27 5 票支持; 0 票反对

我的课程笔记http://t.cn/zQw6Zc7

0

ototsuyume 2013-06-25 15:36 0 票支持; 0 票反对

非常好的一门入门课程。很多人诟病作业的代码给得太全,但我认为作为一门入门课程,编程作业设置得十分好,各种机器学习的作用能很直观地展示出来,这样很能激发学习兴趣。试想一下,假如不给你任何框架代码让你从头开始写,写完后得出的结果是一堆用来提交的无味的数据,对于一名初学者来说,这多么打击积极性。
这门课程极其简化了各种数学的证明,类似svm跟pca中间的求解过程都讲得很简略。要求的数学基础是低得不能再低了,所以即使是毕业几年后概率矩阵忘得差不多的人都能看懂。除去初学者之外,这门课程也很适合工作中需要用到一些机器学习但不打算深入研究的程序员。

0

超級現實的超現實理想主義者 2013-06-17 11:04 0 票支持; 0 票反对

非常基础的一门课,吴老师将大部分精力用在培养思维方式和直觉上,对于初学者来说是最佳的入门渠道。不过对于喜欢“Get hands dirty”的朋友来说可能会有点失望,因为他的作业框架代码给得太全了

0

EyonFresh 2013-06-05 17:37 0 票支持; 0 票反对

还没学完,来个中期评价:入手真是比较容易。是优点也是缺点吧,感觉程序作业设置有些太容易了,代码框架给的太全。像我这种自制力值得商榷的人,随着时间的推移我越来越少去看整个程序的代码了。 建议大家在每次编程作业的时候,就算不自己写个完整的,也最好完整的看一遍代码。 另外辅助NG的http://cs229.stanford.edu/materials.html 中的一些lecture notes可能更好。

0

xtliwen 2013-05-30 23:17 0 票支持; 0 票反对

第一次认真听老外讲课,刚开始担心听不懂,硬着头皮听下去,逐渐的有了感觉。今天算是收获不小,卖出了第一步,一直都想深入学习机器学习,怎奈数学基础太差,看书看不进去。这门课,老师讲的浅显易懂,没有复杂的公式,借助这个平台,这次一定会坚持学下去。

0

踮脚张望之bui 2013-05-20 08:18 0 票支持; 0 票反对

刚上了几节课,还比价浅显易懂

1

玩转大数据 2013-05-15 12:48 1 票支持; 0 票反对

基本的数学的东西,感觉还是有些生疏了 有啥推荐的数学的恶补资料嘛

-2

正在努力减肥的胖子 2013-05-15 09:21 0 票支持; 2 票反对

t

-1

十方三世一孤魂 2013-05-14 22:52 0 票支持; 1 票反对

好!

1

七画八画 2013-05-14 17:02 1 票支持; 0 票反对

课程不错,准备结合CS229machine learning的讲义,认真学完。

1

Drazzi 2013-05-13 21:25 1 票支持; 0 票反对

老师讲得通俗易懂,连听一下午都不觉得枯燥!非常棒!

1

蒋勇NLP 2013-05-13 12:47 1 票支持; 0 票反对

目前在上,机器学习入门课程。。。

1

52nlp 2013-05-13 12:32 1 票支持; 0 票反对

同推荐Andrew Ng老师的这门机器学习课程,难度不高,非常适合入门,同时也可以在做作业的时候学习一下Octave

3

yongsun 2013-05-13 01:35 3 票支持; 0 票反对

浅显易懂,可谓零基础机器学习课程,入门首选!

2

王利锋Fandy 2013-05-12 15:18 2 票支持; 0 票反对

入门级的好教程

课程简介

Learn about the most effective machine learning techniques, and gain practice implementing them and getting them to work for yourself.

课程标签

机器学习 机器学习入门 AndrewNg 斯坦福机器学习 Octave 模式识别 数据挖掘 吴恩达 斯坦福大学

631人关注该课程

主题相关的课程

Machine Learning 关注

Fundamentals of Online Education: Planning and Application 关注

Web Development 关注

Introduction to Systematic Program Design - Part 1 关注

Artificial Intelligence 关注

Neural Networks for Machine Learning 关注

Common Core in Action: Literacy Across Content Areas 关注

Integrating Engineering Into Your Science Classroom 关注

Designing and Executing Information Security Strategies 关注

关注