月度归档:2013年12月

Deep Learning Specialization on Coursera

2014年一月份开设课程汇总

2013年,MOOC开始进入人们的视野,2014年将是MOOC正式全面爆发的一年。

2014年一月已经确定会有多门课程即将开设,鉴于内容之多已经可以用“狂轰滥炸”来形容,课程图谱为大家进行简单的梳理,大家根据自己的需要挑选心仪的课程吧

介绍的重点主要还是以计算机科学和数学相关的课程为主:

Coursera平台

1.  斯坦福大学的 Cryptography i ,开课时间:1月6日

这门课程在 Coursera 上开课次数非常高,据说现在已经开到第9轮:

@ffffffoouddddd: 过几天要开始新的一轮了,感觉完成还没多久。不过之前都没做编程题,这次得把编程题做了。这门课理论性很强,到后面基本上都没有 in-video quiz 了。这门课是分类在 CS: Theory 下的。期末考试有点难,因为和之前的作业很不一样。

@Candy的爸爸: Stanford的密码学线上课程,主讲Dan Boneh非常给力,语速很快,是密码学界的大牛。每周的课程内容很多,主要讲了密码学的原理,包括流密码、对称密码、非对称密码,加密认证、完整性算法等。课程内容很值得推荐。我花了非常多的时间来学这门课。准备上7月份的Cryptography II。(注:Cryptography II其实已经跳票多次了,虽然官网上已经确定明年春季会开,不过是否还会跳票至今还是未知)

2. 伊利诺伊大学香槟分校的 Heterogeneous Parallel Programming 开课时间:1月6日

@wzyer: 就是讲CUDA的,额……不知为啥听过几个亚洲人的课都觉得不够给力。这个课……还行吧,学到了CUDA的基础知识,几个编程作业也还不错。不过算不上精品。个人觉得学习CUDA还是Udacity上那个课比较好。
@yongsun: 对GPU编程的各种principles和best practices有不错的介绍,不过老师讲的不是很流畅,PA的环境(特别是评分系统)也颇受诟病,希望后期有更好的改进…

3. 香港中文大学的Information Theory 开课时间:1月6日

信息论的运用相当广泛,在通信以及密码学领域都有实际运用,对于有一定数学基础的朋友可以关注。

4.巴黎中央理工学院的Discrete Inference and Learning in Artificial Vision 开课时间:1月10日

这门课的讲师Nikos Paragios是这个领域的知名专家,感兴趣的朋友可以关注

5. 华盛顿大学的Computational Neuroscience 开课时间:1月10日
该门课程的讲师Rajesh P. N. Rao还因为成功将大脑与电脑链接而成为一时的新闻话题(新闻链接:华盛顿大学成功实现人脑至人脑信号传输

@要有光LTBL: 印度老师很幽默,女老师有点像冷血女杀手酷酷的感觉。。。
讲得很细致,尤其指出了现有神经网络模型和人脑之间的一些区别,我觉得在这方面改进可能是未来的发展方向?
我还是很喜欢这个领域的。另外发现UWashington的几门CS课质量都相当高啊。。。

6.宾夕法尼亚大学的Calculus: Single Variable 开课时间:1月10日
该课曾在2013年年初通过美国官方ACE认证,成为承认学分的课程

@基佬的愛__:这门课讲数列和级数,相同的内容 Robert Ghrist 的 Calculus: Single Variable 也涉及到了。Jim 讲的要比 Robert 要细致,比如一些数列和级数的收敛性的测试定理,Jim 会花一整个 lecture 讲推导过程, Robert 讲的没那么详细。另外整门课我最喜欢的一个 lecture 是关于 Taylor series 那节,Taylor Series 的 motivation 就是 approximation ,实际上他是 linear approximation 的推广,对某个函数在某点做 Taylor expansion 实现上就是找一个函数,使他在该点的值和原函数相等,并且该点的每一阶导数也和原函数的每一阶导数相等,导数反映的是函数的变化情况,这样我们就找到了一个和原函数在某个区间内相同的函数,说在某个区间内是因为有一个收敛性的问题。我可能记不住 Taylor series 的公式,不过我已经随时能把 Taylor series 推导出来了。还有个很有意思的 lecture,为了说明 geometric series 的收敛性,Jim 举了个造桥的问题,用质量均匀分布、形状相同的长木条造桥,最多能造多远?答案是理想状况下,想多远就多远。只要我们把每一块木条放在下一堆木条的重心处就能保证它不倒,然后你会发现每次增加的长度加起来正好构成一个不收敛的级数,Jim 自己造了这么一座很壮观的桥,你能看到这门课课程介绍的图片就是这样一座桥,实际上 lecture 里 Jim 造的那座还要壮观,比课程介绍里的那座要更长。总体来说这门课内容不多、难度不大、(不过我之前已经上过 Robert 的课,并且自学过一些其他的数学)、占用的时间不多,我基本看完视频就马上能把作业完成,不过这门课还是很有启发性的,有很多有意思的东西,Jim 在课程讨论版里也是一如既往的 supportive。另外这门课也有一本配套的免费教材。

7.爱丁堡大学的Artificial Intelligence Planning 开课时间:1月13日

@wzyer: Planning嘛,看到题目就想到了A*。不过学过这门课了才发现实际应用中的算法还是很多的,除了状态空间搜索,还有策略空间搜索等等很多办法。这门课程的内容很多,视频量很大,我险些就放弃了。但是作业倒不多,作业和考试挺有挑战性的。

8. 杜克大学的Image and video processing: From Mars to Hollywood with a stop at the hospital 开课时间:1月20日
对通信和计算机视觉领域感兴趣的朋友可以关注

@freealbert:这门课定位应该是图像处理的入门课程, 内容很全面也很鲜活,从灰度,像素等的最基础的知识一直讲到如今在学术界大红大紫的稀疏表示。Slide和Demo演示都很赞,相信应该能激起很多人对图像处理的兴趣,K-SVD算法就是在他的课上搞明白的。 关于授课老师, Sapiro本人是图像处理的大牛, 光在IEEE上就有文章150余篇, 在PDE和小波方面都有很大的贡献.

9. 莱斯大学的Fundamentals of Electrical Engineering 开课时间:1月20日

@wzyer:课程本身还不错,教授满头白发也很让人尊敬。不过,内流满面的说,他讲的太快了……一门导论课,他从电路基础讲到通信技术,内容很多,速度很快,想深入理解的话课下还得花不少时间……我就那么囫囵吞枣的过了。作业和考试评分系统也经常有点bug啥的。

10. 马里兰大学的Programming Mobile Applications for Android Handheld Systems 开课时间:1月21日
该门课程是Coursera平台上第二门有关Android开发的课程,对移动App开发感兴趣的朋友可以关注一下这门课程

11. 普林斯顿大学的Algorithms, Part I 开课时间:1月23日
数据结构大师Sedgewick的名著Algorithm 4th的配套课程,对于希望能够锻炼扎实数据结构基本功的朋友不要错过这门课程

@培翔-_-:lectures本身4分差不多了 算深入浅出 但是assignment必须5分+
各种内存、性能优化 爽到爆
@wzyer:很好的课程!老师充分展示了名家风范。内容系统,结构紧凑。示例代码简洁清晰。更难得的是作业题目非常有意义,评分脚本很完善。是我上过的课中作业部分最好的了。
@ecluzhang: 这门课分上下两部分。6周跟完了,这个上部分是一个非常浅显易懂的算法入门,基本功方面非常清晰。
前面介绍完算法及分析方法之后,后面每个算法都用思路+动态demo+代码片段+复杂度分析的方式。
值得一提的是代码片段,虽然是java描述但也很简洁,视频里则多了一些java相关的东西(比如assert是什么啊、java有哪些接口会在代码段里用到啊),估计是出于入门的定位。但对于不用java编程的来说就显得有些多余。

12.华盛顿大学的Computer Networks 开课时间:1月24日

@wzyer: 这门课是现今所有mooc平台上最全面的一门介绍计算机网络的课程。课程以网络的OSI七层模型为主线,全面覆盖了支撑现有互联网的各种基础架构和协议。其中又有重点地讲解了 TCP/IP,HTTP,802.11等常用基础协议,目的是使所有上完课的同学,都能够对于数字信号如何在网络上传播有一个清晰的认识。就我自己上完课的感受来说,这门课完全能够完成这个任务。

不过,如果从讲解和交互性上来说,这门课还是难以与一些精品课程相媲美,只能算是一般水平。老师对于各个问题的讲解基本遵循了“提出问题-》解决方案-》应用实例”的顺序,所举的小例子也足够简单清晰,所以不会出现难于理解的情况。但是从交互性和趣味性上说,有意思的讲解不多,也没有什么特点突出的、有趣的内容来让人加深理解。因此上课的时候常常让人觉得乏味。个人认为这一点以后还有很大的改善空间。

其实说这门课程很无趣也并不准确。整个课程里还是时常会有有趣的事情发生,比如空中飞来飞去的小花盆,比如在老师背后扮鬼脸的吃货小萝莉。好吧……也许有人会喜欢这个。不过这个确实……确实和主题关系不大。只这能算是为课程增添一点有趣的小插曲。

这门课的作业分为两个部分,一部分是选择填空题,这部分的分数和最后的证书密切相关;另一部分则是编程和一些网络工具的使用,这个不计分,只是帮助加深理解。由于时间关系,我上课的时候并没有完成第二部分。但我仍然强烈建议想认真学习这门课程的同学去完成编程以及网络工具使用这一部分。虽然这里不算分,但对于课程内容的理解是大有裨益的。

最后该说说老师了,David Wetherall 是计算机网络方面的专家。也是著名的计算机网络教材:Computer Networks的作者之一。这本教材在Amazon上评分是3.9分,要高于著名的SICP,当然和一些大牛的接近5分的经典巨著没法比,不过也绝对够得上好书的标准了。而且他作为老师所讲授过的课程全部是计算机网络相关的,可谓相当专一。因此,完全不用怀疑老师的专业性。

最后,我把这门课推荐给想了解计算机网络的相关知识的同学,也许它算不上很深入,但绝对能为你以后的深入学习打下坚实的基础。

@超級現實的超現實理想主義者:内容覆盖非常全面的一门课,可以看出老师的用心。不过正如@wzyer 所说的:“提出问题-》解决方案-》应用实例” 的授课方式,这门课还是显得比较传统,虽然老师的授课水平不用质疑,但是交互体验还是有点欠缺,毕竟计算机网络是一门偏重工程的课程,如果在Link Layer以上的部分能够将一些概念通过现实中的工具进行演示效果可能会更好一点。可能老师也发现了这个问题,于是大家就看到了老师和他的家人为此作出的努力(看过视频大家就知道我在说什么了,哈哈)
另外值得称赞的是老师在课堂论坛社区里也很积极的与学员互动,常常能很快给出反馈

@要有光LTBL:讲的清楚明白,quiz什么的涉及的也挺合理,别的也没啥可说的。。。顺便我也没做编程作业= =

13. 巴黎中央理工学院的An Introduction to Functional Analysis 开课时间:1月27日
对泛函分析感兴趣的朋友不要错过了

OpenEdx平台
1.哈佛大学的Introduction to Computer Science 开课时间:1月1日

2. 斯坦福大学的Introduction to Databases 开课时间:1月7日

3. UTAustin的Linear Algebra – Foundations to Frontiers 开课时间:1月15日
对于线性代数感兴趣,希望通过编程动手理解的朋友们不要错过这门课程

4.斯坦福大学的StatLearning: Statistical Learning 开课时间:1月21日
统计机器学习,经典教材Elements of Statistical Learning 的作者亲自出马讲解,本课还会提供免费配套教材 An Introduction to Statistical Learning, with Applications in R 对统计学、机器学习感兴趣的朋友千万不要错过!

5.斯坦福大学的Convex Optimization 开课时间:1月21日
优化领域的大师Stephen Boyd亲自出马授课,千万不要错过!

Udacity平台
全世界第一个通过MOOC平台实现的硕士生项目OMSCS(Online Master of Science in Computer Science)将于明年一月正式开课,以下列出了1月将在该项目中开设的课程:
1. CS 6210, Advanced Operating Systems
2. CS 6250, Computer Networks
3. CS 6300, Software Development Process
4. CS 7641, Machine Learning
5. CS 8802, Artificial Intelligence for Robotics: Programming a Robotic Car
(详细信息:OMSCS:Program Information

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/2014年一月份开设课程汇总

数学基础公开课汇总

良好的基础是成功的一半。在如今这个时代,数学成为人们社会运行中不可缺少的组成部分,拥有良好的数学基础就等于为自己创造了更多可能,使得人们可以有足够的资本在这个变化繁杂的社会里来调转方向。

大学里有三门数学课是绝大部分专业的学生必修的,分别是:微积分、线性代数、概率统计。课程图谱本次就为这三门课罗列一下目前(2013年)几大MOOC平台收录的相关课程。

微积分公开课
1. 俄亥俄州立大学的Calculus One 是一门口碑非常不错的课程,讲师表情丰富、讲解投入,深得学员的欢迎:

@基佬的愛__ 同学评价“这门 Calculus One 内容比较基础,没有讲拓扑,没有涉及多变量函数,所有的讨论都是在 R 上进行的,差不多等于国内工科高数上的简化版。Jim Fowler 讲课很清楚,耐心很好,推导从来不跳步骤,很显然的步骤也写出来(其实我上过的所有的数学系教授教的 MOOC 的都是这样的),有时候我都有点不耐烦了,所以你跟着他上下来肯定能把这部分内容掌握好。我觉得学过一些函数的高中生甚至初中生就能听懂。印象中每周都会有一两个 lecture 是在室外进行实验。Jim 还提供了一本自己写的教材,教材写的要比他上课讲的严格一些,他上课讲的比较直观、稍欠严谨,可能是希望这门课的受众更广的原因,我建议看完 lecture 把对应的教材也看一遍就完美了。还有一个课程配套的网站 http://mooculus.osu.edu/ ,每周都有 exercises,从最 trivia 的到稍有难度的,总体来说都不是很难的题目,目的在于检查你是否理解了某个概念,不过因为很多都太 trivia 我都是挑着做的。 整个课程有 15 周,可能是最长的 MOOC 跟完很有成就感。Jim Fowler 是我上过的所有 MOOC 里上课最激情的一个讲师,属于表演型的老师,给人的感觉是他很享受整个教书的过程,很能带动学生。Jim 也是我上过的所有课中最愿意和学生互动的讲师,他几乎会回复每一个帖子,而且他不摆架子,允许我们叫它 Jim。Jim 说他在大学的一部分工作就是负责 MOOC,之后可能会开多变量微积分、拓扑、复分析、抽象代数等课程,明年3月会有一门他开的课程,目前还不知道是什么内容,我已经打算上所有 Jim Fowler 的课了。”

@ffffffoouddddd 同学评价“内容很简单,我估计比大学里面要学的微积分内容少70%。这位老师是很有激情的,拍摄视频时离镜头很近,有种身临其境的感觉,并且很有喜感(可能是因为他是光头)。观看视频时你总觉得他下一秒就要把你逗笑那种。而且他们也有一本他自己写的教材,很不错,有自己的俄亥俄州立大学的练习平台,我没怎么去练习因为太简单了。Coursera 上习题可以回答很多次,……”

2. 俄亥俄州立大学的Calculus Two: Sequences and Series 是前一门课程的后续:

@基佬的愛__ 同学评价 “这门课讲数列和级数,相同的内容 Robert Ghrist 的 Calculus: Single Variable 也涉及到了。Jim 讲的要比 Robert 要细致,比如一些数列和级数的收敛性的测试定理,Jim 会花一整个 lecture 讲推导过程, Robert 讲的没那么详细。另外整门课我最喜欢的一个 lecture 是关于 Taylor series 那节,Taylor Series 的 motivation 就是 approximation ,实际上他是 linear approximation 的推广,对某个函数在某点做 Taylor expansion 实现上就是找一个函数,使他在该点的值和原函数相等,并且该点的每一阶导数也和原函数的每一阶导数相等,导数反映的是函数的变化情况,这样我们就找到了一个和原函数在某个区间内相同的函数,说在某个区间内是因为有一个收敛性的问题。我可能记不住 Taylor series 的公式,不过我已经随时能把 Taylor series 推导出来了。还有个很有意思的 lecture,为了说明 geometric series 的收敛性,Jim 举了个造桥的问题,用质量均匀分布、形状相同的长木条造桥,最多能造多远?答案是理想状况下,想多远就多远。只要我们把每一块木条放在下一堆木条的重心处就能保证它不倒,然后你会发现每次增加的长度加起来正好构成一个不收敛的级数,Jim 自己造了这么一座很壮观的桥,你能看到这门课课程介绍的图片就是这样一座桥,实际上 lecture 里 Jim 造的那座还要壮观,比课程介绍里的那座要更长。总体来说这门课内容不多、难度不大、(不过我之前已经上过 Robert 的课,并且自学过一些其他的数学)、占用的时间不多,我基本看完视频就马上能把作业完成,不过这门课还是很有启发性的,有很多有意思的东西,Jim 在课程讨论版里也是一如既往的 supportive。另外这门课也有一本配套的免费教材。”

3. 宾夕法尼亚大学的Calculus: Single Variable 在今年年初获得了美国官方的认可,成为可以获得正式学分的在线课程

@基佬的愛__ 同学评价 “Robert Ghrist 这门课和 Jim Fowler 的 Calculus One 有重叠的部分,不过内容更深入,课程周期也挺长的。课程总共分五个部分,Functions,Differentiation,Integration,Applications(主要是积分的),Discretization(主要讲数列和级数)。积分的应用部分略有难度,讲的内容比我以前上的高数课讲的积分的应用要多 centroids 和 moments and gyrations 我是第一次学,第一部分的 Taylor series 我觉得没有 Jim Fowler 讲的好。这门课作业量挺大的,每周大概是五个 lecture(外加一亮个 bonus),每个 lecture 对应一个 core 和 一个 challenge 作业,core 一般10道左右,challenge 一般2-5道左右,我做了所有的 core 和一部分的 challenge 。作业是不计分的,某个单元会有一次 quiz,期末会有个 exam。另外,讲师是个 geek,他的 lecture 里很多彩蛋。”

@52nlp 评价 “Coursera在今年一月份同时推出了两门微积分课程,一门是这个单变量微积分,另一个是微积分上(Calculus One)。我同时跟了这两门课,不过由于工作及春节等等缘故,大概跟了一半就放弃了,不过还是可以点评一下。相对来说,这门课制作的课件非常有意思,但是Calculus One讲得更生动一些。

这门课程的一个参考书是不到50页的一个小册子:FLCT: the Funny Little Calculus Text ,这个在google book上能阅读免费电子版,google play 上也只有0.45美元的价格,课件的确很有趣并且动感实足,这样导致感觉老师讲得有点不生动了。不过总体来说,这门微积分入门课还是非常不错的。”

线性代数公开课
线性代数是一门非常实用的课程,但是国内绝大多数的同学在学习这门课程的时候并不能很好理解线性代数的重要性,究其原因可能是因为教学方式相对于现实运用的滞后性。目前国外MOOC平台的线性代数课程往往结合了计算机编程,通过动手解决问题来加深对于这门课程的理解。

1. 布朗大学的Coding the Matrix: Linear Algebra through Computer Science Applications 通过Python来解决现实中的实际问题,来帮助学生对于知识的理解。不过有趣的是,对于这门课程大家的反响不一:

@ototsuyume 同学评价“值得吐槽的很多:
1.老师讲课水平不咋样,课程内容也有问题,很多基本概念没有说清楚
2.作业量偏大,而且大部分是重复的计算,比如上上周作业是要实现matrix类各种运算,然后作业里面还要用另外的方法算matrix的乘法,不明白这样做的意义何在
3.课程介绍说这门课很偏向应用,但貌似基础概念讲不好应用讲得也很浅,从作业上没看到这点,你将线性变换好歹在作业里让学生拉长一张图片都比实现vector、matrix类要好吧
4.svd分解等内容因为课程长度问题不会讲,这门课的含金量进一步降低。
另外虽然吐槽的是这个老师主页上还写着拿过布朗大学的优秀讲师奖项的,从他讲课的方式来看我不明白这个奖到底是怎么评的…”

@大家都叫我瑞爷 同学评价“这门课不能算是一门入门课,尤其是不能视为线性代数入门课,因为关于数学部分的课程材料过于简略。此外,这门课还有编程作业较多的特点。因此此课比较适合:了解线代,但是不懂如何将线代应用到计算机上解决问题。我见过有人吐槽这门课线性代数教的太少了。所以想学线性代数的guys请移步到mit公开课网站直接修线性代数。”

2. UTAustin的Linear Algebra – Foundations to Frontiers 将于明年在Edx平台上开课,本课同样也是希望通过计算机编程来帮助学生理解线性代数的概念,让学生充分理解这门课的重要性。由于这门课尚未正式开课,质量究竟如何让我们拭目以待!

3. 最后隆重推荐网易公开课上收录的“麻省理工公开课:线性代数”:

这门课程虽然是老一代的公开课,但是讲得确实确实非常好,更详细的信息可参考这篇文章《线性代数的学习及相关资源》。

概率论公开课
生活中充满不确定性,如何更好地理解和面对这种不确定,正是概率和统计学所主要面对的议题。正因为如此,概率统计是适合每个人去学习的一门课程
1. 台湾大学的機率

@基佬的愛__ 同学评价 “这门课半途弃了。讲师是个 EE 背景的教授,虽然第一周第一个 lecture 叶老师明确说了这门课比较注重生活中的应用,还是有些小失望,如果叶老师选择自己更擅长的 EE 方便的课程可能会效果会更好。这门课不合我口味是因为太不严肃,推导少了点。课程前几周有一课里叶老师引入了一个事件域/空间(event field)的概念,我不记得他用的哪个名词了,反正他给出的定义是样本空间的幂集。事件域(event field)我用英文在 google 搜没有搜到这个概念,只有 wolfram 的 wiki 说它指的就是样本空间,和叶老师的定义不一样,用 baidu 搜发现国内的教材里确实有这个概念,定义也是和叶老师的课里一样的,但是叶老师引入这个概念后面的课里(至少在我上完的那几周里)没用到这个概念,那引入这个定义有什么意思,我受不了这种不严谨。另外叶老师喜欢在每周花一整节课的时间讲大道理让我非常反感,人之患在好为人师,客观的真理是可以教的,但是怎么做人就不太好教了,我觉得人不是从别人的建议里学到东西的,人是从自己的经验,犯过的错中学习的。对于叶老师不公布作业解答的做法也不太认同。叶老师也鲜有在论坛上回复同学数学上的问题,有个 TA 还是很认真的。值得肯定的是叶老师也是属于教学非常热情的讲师,不过他在课上用的梗很烂,没得到我的共鸣……我觉得他过于花心思在课上一些讨人欢喜的梗上而忽略了课程内容讲解的重要性。”

2. MIT的Introduction to Probability – The Science of Uncertainty 将于明年(2014)二月开课,课时很长,或许将是一门很实的课程,讲师John Tsitsiklis在MIT讲授的概率论课程在MIT的OCW上也有公布。由于课程尚未开始,究竟课程质量如何,让我们拭目以待!

统计学公开课
目前MOOC平台上涌现了很多统计学的课程,课程图谱曾经对统计学的课程进行了收录,详细点击《统计学公开课大盘点》:
http://blog.coursegraph.com/统计学公开课大盘点

还有一门华盛顿大学的Mathematical Methods for Quantitative Finance也受到了广泛的好评,想要快速的过一遍基础数学的朋友不妨关注一下这门课程:

@钛合金蛙眼:内容包括微积分,线性代数,最优化再捎带一些金融知识,都是数据挖掘和机器学习数学基础(除了概率统计),老师也讲的很清楚,只可惜没有证书,UW开的几门课程都不错
@算文解字:搞statistical NLP自然要吃透了概率、统计和随机过程,但适当的微积分、线性代数和数值计算基础也很重要。没时间系统恶补?No problem! Coursera上推出了一门 Mathematical Methods for Quantitative Finance ,虽然原本针对金融,但8周的课程提供的浓缩版数学对NLPer也很实用。

以上是对数学基础课进行的简单汇总,难免会有缺失和遗漏,还望谅解。如果有朋友发现不错的数学基础公开课在上文中尚未收录,希望能够留言告知。

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/数学基础公开课汇总

机器学习公开课汇总

机器学习目前比较热,网上也散落着很多相关的公开课和学习资源,这里基于课程图谱机器学习公开课标签做一个汇总整理,便于大家参考对比。

1、Coursera上斯坦福大学Andrew Ng教授的“机器学习公开课”:

机器学习入门课程首选,斯坦福大学教授,Coursera联合创始人Andrew Ng老师的课程,课程图谱上多达400多人关注,20余条课程评论,绝大多数同学认为这门课程比较适合入门,以下选择其中几位同学的课程评论:

@ototsuyume 同学评价: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。

@极度视界 同学评价: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%。

最后再推荐 @小小人_V 同学这门课程的学习笔记: http://vdisk.weibo.com/s/J4rRX/1373287206

2、Coursera上台大林軒田老师的“機器學習基石 (Machine Learning Foundations)公开课”:

课程正在进行中,目前感觉很不错,林老师年轻有为,也是机器学习畅销书《Learning from Data》的作者之一,课程的难度应该比上面Andrew Ng老师机器学习公开课的高一些,不过比较重要的是这门课程用中文讲解,比较适合国人:

@尘绳聋 同学评价:看老师给出的课程大纲,基本还是照着Caltech/Edx LFD的节奏走。之前跟过LFD,这次就当复习了。当然也有一些新的东西,譬如PLA的收敛证明和收敛需要的次数上界,Lecture3对learning types的介绍也很详细,原来reinforcement learning还可以用在ad system上面,看来要把Ng CS229后面的那一大块有关reinforcement learning的内容啃一下了。另外,老师讲得非常好,从video和slide也能看出很用心。

@飞林沙 同学评价: 刚听完前两讲,讲的真的非常棒!从最基本的PLA讲起,虽然很简单,但是跟着自己动手写写代码,做做数学公式,就当休息了,很棒。

林老师推出的这门课程的姊妹篇“機器學習技法 (Machine Learning Techniques)” 已于2014.12.23开课,值得关注。

3、edX上加州理工学院的“Learning From Data

和上面台大机器学习课程渊源很深,内容基本上出自加州理工的这本同名教材《Learning From Data》,林老师也曾在该校读博,这门课程的授课老师也是他的导师Abu Mostafa教授。

4、Coursera上多伦多大学Geoffrey Hinton大神的“Neural Networks for Machine Learning”公开课

这门课程主要关注神经网络以及它们在机器学习中的应用,在目前火热烫手的Deep Learning概念衬托下,这门课程简直就是必修课,不过遗憾的是这门课程只在12年10月份开过一轮,目前为止还没有开课的意思,不过好在我们还有网盘资源的备份,具体信息在“公开课可下载资源汇总”中自行查找:

@yongsun:还有什么好说的呢?Deep Learning必修课程啊!

@godenlove007:宗派大师+开拓者直接讲课,秒杀一切二流子!

@wzyer:巨牛级别的人物来开课,我也不说啥了。

5、Coursera上华盛顿大学Pedro Domingos教授的“机器学习公开课

Coursera上一门还没有正式开始过的机器学习课程,老师是机器学习的大牛Pedro Domingos,他写过的“”A Few Useful Things to Know about Machine Learning”广为流传,这门课虽然没有正式开始,但是通过preview的链接可以看课程的所有视频。@wzyer 大神的评价:个人觉得这门课比Andrew那个更深入些,老师讲的也不错。不过这个似乎就没有正式开过,我都enroll半年多了……

6、网易公开课收录的“斯坦福大学公开课 :机器学习课程

这是老一代的公开课,老师仍然是Andrew Ng教授,不过视频来自于斯坦福大学的课堂录制视频,课程难度要高一些,可以作为Ng老师Coursera上“机器学习公开课”的进阶课程,好处是有翻译字幕,比较方便国内同学的学习。

7、网易公开课收录的“加州理工学院公开课:机器学习与数据挖掘

其实就是edX上“Learning From Data”的原版课程,授课老师依然是Abu Mostafa教授,edX上老师在论坛上和同学互动,而网易公开课上有翻译。

8、超星学术上来自于贝尔实验室的“机器学习”课程:

来自于超星学术上的课程,具体情况不太清楚。

9、最后推荐的是国内龙星计划机器学习课程资源:

1)2012龙星计划机器学习课程的视频及课件

来自微博上@SunnyerEric孙晗晓 同学的信息 : 龙星计划机器学习课程的视频:http://t.cn/zlA2ZHb

网盘地址:http://pan.baidu.com/share/link?shareid=27613&uk=1513052211

关于龙星计划的课件,大家也可以在如下地方找到:

2012年龙星计划-机器学习课件

2)2013龙星计划深度学习(Deep Learning)课程视频

@龙星计划
龙星计划天津站 邓力老师的讲课视频 http://t.cn/zQixW12

@戴玮_CASIA
天津大学深度学习龙星计划课程视频:http://t.cn/zQixW12

网盘地址:http://pan.baidu.com/share/link?shareid=3220401770&uk=723014463

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/机器学习公开课汇总