机器学习最好的课程是什么？

机器学习最好的课程是什么？

我感觉是台大的《机器学习技法》，这门课给人一种醍醐灌顶的感觉，同时上过CS229，单就其所涉及到的三个部分（NN、Tree、SVM）讲的是高于CS229的，但作业实践较少，课程不够general。如果入门的话还是推荐CS229，作业讲义写的都很漂亮，但想要更深入的理解的话可以去看看这门课以及翻翻PRML、ESL之类的。

弱水三千，让我们取10瓢饮。
今天强烈推荐10门机器学习课程，来自前英伟达高级深度学习工程师Chip Huyen，他作为一个过来人，根据自己的经验整理了 10 门课程，并且按照学习的先后顺序进行排序。
这10门课程从基础知识逐步到实战应用，从斯坦福概率和统计、MIT线性代数等理论知识，最终到Kaggle实战，建议大家最好按照顺序进行学习。
这 10 门课程是：
1. 斯坦福在线课程：概率和统计



简介：这个自学课程涵盖概率和统计学的基本概念，涵盖机器学习的探索性数据分析，产生数据，概率和推理四大方面。
地址：
Probability and Statistics2. MIT：线性代数



简介：这是目前最好的线性代数课程，由传奇教授 Gilbert Strang 教授。
地址：
https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/3. 斯坦福CS231N：用于视觉识别的卷积神经网络



简介：理论与实践相平衡。这些笔记写得很好，可视化解释了困难的概念，例如反向，损失，正则化，dropouts，batchnorm 等
地址：
https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq爱可可老师B站搬运：
https://www.bilibili.com/video/av13260183/4. fast.ai：面向程序员的深度学习实战课程



简介：这个实践课程侧重于提升和运行。它有一个论坛，有关 ML 的最新最佳实践的有益讨论。
地址：https://course.fast.ai/
爱可可老师B站搬运：
https://www.bilibili.com/video/av41718196/5. 斯坦福CS224N：深度学习自然语言处理



简介：任何对 NLP 感兴趣的人必须参加的课程。该课程组织良好，教学和最新研究。这门课的授课者是斯坦福 AI 实验室负责人 Christopher Manning。
地址：
https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_爱可可老师B站搬运：
https://www.bilibili.com/video/av46216519/6. Coursera：机器学习



简介：这门经典课程由斯坦福出品，授课老师是吴恩达。
地址：
https://www.coursera.org/learn/machine-learning7. Coursera：概率图模型专项课程



简介：与大多数人工智能课程自下而上的概念不同，这门课程是自上而下的。
地址：
Probabilistic Graphical Models  | Coursera8. DeepMind 强化学习入门课程

简介：本课程以直观的解释和有趣的例子为 RL 提供了一个很好的介绍，由世界一流的专家教授授课。
地址：
https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ&ab_channel=DeepMind爱可可老师B站搬运：
https://www.bilibili.com/video/av24060851/9. 全栈深度学习训练营



简介：大多数课程只教你如何训练和调整你的模型。这门课教你如何设计，训练和部署 A 到 Z 型号的模型。
地址：
Full Stack Deep Learning爱可可老师B站搬运：
https://www.bilibili.com/video/av4964329810. Coursera 课程：向顶级 Kaggler 学习如何赢得数据科学竞赛



简介：这是一门偏向实践的课程。前面的学好了，接下来该去完善简历并拿到高薪了！
地址：
https://www.coursera.org/learn/competitive-data-science

2019.10.31更新：
CS 182：专门讲用深度神经网络的机器学习（深度学习）
Designing, Visualizing and Understanding Deep Neural Networks (Spring 2020)附一位GSI对这门课的经验/体验：https://danieltakeshi.github.io/2019/06/29/gsi-dnn-class/
CS 188: 人工智能导论
Introduction to Artificial Intelligence, Fall 2019——————————————————————————————————————

推荐一下伯克利的机器学习课程 CS 189/289
附一个与斯坦福CS 229对比的Quora回答
课程完整讲义(Shewchuk's Lecture Notes)(Abstract: This report contains lecture notes for UC Berkeley’s introductory class on Machine Learning CS 189/289A, which is both an undergraduate and introductory graduate course. It covers many methods for classification and regression, and several methods for clustering and dimensionality reduction. It is concise because not a word is included that cannot be written or spoken in a single semester’s lectures (with whiteboard lectures and almost no slides!) and because the choice of topics is limited to a small selection of particularly useful, popular algorithms.)
A Comprehensive Guide to Machine Learning(Abstract: CS 189 is the Machine Learning course at UC Berkeley. In this guide we have created a comprehensive course guide in order to share our knowledge with students and the general public, and hopefully draw the interest of students from other universities to Berkeley’s Machine Learning curriculum. This guide was started by CS 189 TAs Soroush Nasiriany and Garrett Thomas in Fall 2017, with the assistance of William Wang and Alex Yang. We owe gratitude to Professors Anant Sahai, Stella Yu, and Jennifer Listgarten, as this book is heavily inspired from their lectures. In addition, we are indebted to Professor Jonathan Shewchuk for his machine learning notes, from which we drew inspiration. The latest version of this document can be found either at http://www.eecs189.org/or http: //http://snasiriany.me/cs189/.)
Math for ML然后有研究生级别的课程：
深度强化学习 CS 294-112 （CS 285）
CS 285 Resources深度无监督学习 CS 294-158
Deep Unsupervised LearningAI-sys
AI-Sys Spring 2019
这些课都有视频、作业、discussion等几乎所有的资料可以访问

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课程核心内容：

• 课程视频(Youtube): https://youtu.be/U6M0m9c9_Js
  
• 课程Slides和参考资料: https://davidrosenberg.github.io/ml2019/#lectures
  
• 作业: https://davidrosenberg.github.io/ml2019/#assignments
  

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。

我觉得没有最好的只有最适合的。
不同层次的人应当看不同的视频，我把Andrew Ng在coursera的ML课程和在斯坦福的课程以及林轩田老师的《机器学习基石》和《机器学习技法》都至少看过一遍。
我认为他们的层次其实是不太接近的，叙述的角度和顺序也不大一样。
我认为Ng在coursera上的视频是最简单的，也是最容易入门的，适合啥也不会，求个入门的初学者。而林老师在coursera上的《基石》和《技法》是非常符合机器学习的思想逻辑的，从用途，可行性开始引入，直到介绍一些复杂的算法，诸如GBDT，RF，SVM甚至deep learning的一些知识。这个我认为适合对机器学习有所了解，并且希望能够弄懂来龙去脉的进阶者来看。其次是Ng在斯坦福的视频，我觉得这个视频可能有些枯燥和乏味，但是里面的内容却相当的充实，有时候里面学生的提问也蛮有意思的，这个可能比较适合内心对概率统计，数学公式不抵制的进阶者来看。
每个课程都有与之配套的作业和习题，我认为是值得去完成和思考的，大有帮助，光学不练就有点假把式的感觉。
在最后我提出一个个人的想法，看完这些视频，并不能说就算入门了，其实我认为这才刚刚起步，只有看完《PRML》或者《ESL》之后，才能勉强说我入门了，因为在之后还有很多领域值得去研究。当然这不适合希望速成的人。
一家之言，欢迎讨论。