点击上方“ MLNLP ”，选择“星标”公众号
重磅干货，第一时间送达
编辑：忆臻
https://www.zhihu.com/question/37031588
本文仅作为学术分享，如果侵权，会删文处理
机器学习算法与自然语言处理报道
机器学习最好的课程是什么？
作者： cool-pot https://www.zhihu.com/question/37031588/answer/723461499
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 davidrosenberg.github.io
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。
作者： 新智元 https://www.zhihu.com/question/37031588/answer/776053153
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： https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics
2. 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-learning
7. 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 | Coursera www.coursera.org
8. 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。
https://fullstackdeeplearning.com/march2019
爱可可老师B站搬运：
https://www.bilibili.com/video/av49643298
10. 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
推荐阅读：
就最近看的paper谈谈预训练语言模型发展
如何评价Word2Vec作者提出的fastText算法？深度学习是否在文本分类等简单任务上没有优势？
从Word2Vec到Bert，聊聊词向量的前世今生（一）
