在當下的機器學習熱潮，人才匱乏十分顯著。截至目前，國內開設人工智慧（AI）專業的高校不多，相當多的開發者是跨界入門，需要自學大量知識並摸索。因而優質的學習資源至關重要。因此，雷鋒網蒐集了全世界範圍內最受歡迎的機器學習課程，整理成這份“機器學習十大入門公開課”盤點，集中呈現給各位。這份推薦榜頗費心血，綜合考慮了難易、側重點、時效性等諸多因素，希望能幫助大家找到最適合自己的學習資源。

這些課程全部免費開放，但有些需翻牆，有的缺少中文字幕。

1. 吳恩達“機器學習”公開課

• 課程名稱：機器學習 Machine Learning

• 主講人：吳恩達 Andrew Ng

• 授課機構：斯坦福大學

• 釋出平臺：Coursera

• 語言：英語，漢語字幕

• 網址：https://www.coursera.org/learn/machine-learning

無論國內國外，這是最火的機器學習入門課程，沒有之一。無數新手都是通過這門課對機器學習初窺門徑。吳恩達老師用極其清楚直白的語言，對機器學習的幾種主要演算法做了初步介紹。

這門課最大的特點，是它側重於概念理解而不是數學。數學推導過程基本被略過，重點放在讓初學者理解這背後的思路。另外，它還十分重視聯絡實際和經驗總結：1. 課程中吳恩達老師列舉了許多演算法實際應用的例子 2. 他提到當年他們入門 AI 時面臨的許多問題，以及處理這些難題的經驗。

課程中程式碼教程使用的是 Octave/MATLAB，因此不需要會 Python、C 語言，適合沒有程式設計基礎的新手。

總結起來，這門課對數學、統計、IT 基礎薄弱的童鞋十分友好。其實很多機器學習入門課，都是假定學生已修完這一門，於是重點對其進行補充——講解這門課程中吳恩達老師未涉及、或是涉及不深的話題。因此，對於機器學習 “一張白紙”的童鞋，雷鋒網強烈推薦從這門課起步，然後選擇其他入門課程進階，以在腦海中建立起更全面的知識體系。另外，Coursera 上這門課的論壇十分活躍，不管丟擲什麼問題都會有人解答，算是一個額外的好處。

彩蛋：網易公開課上有吳恩達老師在斯坦福授課的實錄視訊。內容比較深入，但時間比較久了，可作為進階姊妹篇。地址：http://open.163.com/special/opencourse/machinelearning.html

2. 加州理工 “從資料中學習”

• 課程名稱：Learning from Data，網易公開課譯名為“加州理工學院公開課：機器學習與資料探勘”

• 主講人：Yaser Abu-Mostafa

• 授課機構：加州理工學院

• 釋出平臺：edX（原版），網易公開課

• 語言：英語，網易有漢語字幕

• 網址： https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-2516，edX；

  http://open.163.com/special/opencourse/learningfromdata.html，網易。

這同樣是一門機器學習的入門課，但並不簡單。該課程強調資料，是因為機器學習與各領域的大資料處理應用（比如金融、醫療）聯絡十分緊密。這門課內容涵蓋基礎理論、演算法和應用，平衡了理論與實踐，既覆蓋數學統計，也包含啟發式的概念理解。

課程結構是這樣的：

• 什麼是學習？

• 機器能學習嗎？

• 怎麼做到？

• 怎麼做好？

• 經驗教訓。

不少人評論該課程結構就像講故事，它有助於學習者形成對機器學習概念和模型深度、直覺性的理解。學習者公認它內容非常充實，但對作業模組的爭議很大：有人認為難度偏高並且缺乏反饋，有人認為它是網上能找到的、最好的機器學習練習。

彩蛋：Yaser Abu-Mostafa 出版了同名著作 《Learning From Data》，可作為該課程的教材和補充。

3. Tom Mitchell 機器學習課程

• 課程名稱：機器學習 Machine Learning

• 主講人：Tom Mitchell

• 授課機構：卡內基梅隆大學（CMU）

• 釋出平臺：CMU 官網

• 語言：英語

• 網址：http://www.cs.cmu.edu/~tom/10701_sp11/

這門課是學界人士的最愛，是入門課程之中較全面、高階的一門。課時為 15 周，遠超大多數機器學習慕課。其覆蓋的話題非常廣，按先後次序包括：代數和概率論，機器學習的基礎工具，概率圖模型，AI，神經網路，主動學習，增強學習。課程內容和練習十分簡潔明白，概念解釋清楚到位。

Tom Mitchell 是 AI 領域德高望重的老牌宗師，他的《Machine Learning》 （中文版為《電腦科學叢書:機器學習》），是最經典的機器學習教科書之一。但因為時間久遠，涉及的一些概念與今天的開發者並沒有太大關聯，更適合需要了解人工智慧來龍去脈的大學師生。這門課程與之類似，能幫助學習者理清機器學習的發展脈絡。它適合計劃進行系統性學習、投入大量時間的人。

對於初學者，建議至少聽完吳恩達的機器學習課程之後，再修這一門。

4. 臺大林軒田老師的機器學習基石

• 課程名稱：機器學習基石

• 主講人：林軒田

• 授課機構：臺灣大學

• 釋出平臺：Coursera

• 語言：漢語

這是為漢語學子量身定做的入門課，相當於臺灣大學機器學習課程前半學期的課，教給大家的是機器學習最核心的知識。林老師是教科書《Learning From Data》 的作者之一，是華人機器學習領域年輕有為的青年學者。這門課程十分用心細緻，內容比吳恩達老師的入門課程稍稍充實一些。

林老師表示，針對頂級機器學習公開課全是英語授課的現狀，不少學生反映英語教學有不易吸收之處。因此，借推出這門課程，希望幫助漢語為母語的學生減少入門難度。

針對如何讓學生接受枯燥的演算法，林老師說道：

“我們的課程設計中，大家會看到我們把對演算法與數學式的推導，以‘解決問題’的過程方式呈現。也就是說，我們對演算法的介紹是環繞著‘為什麼’出發的，當同學們腦中有‘為什麼’的時候，就有目標去理解這些演算法與數學式的內容了。”

《Learning From Data》 也可作為這門課的教科書。學習 Yaser Abu-Mostafa 的課程有不解之處，可與這門課互相印證。

目前該課程已在 Coursera 下架，何時重開尚屬未知。好在網易公開課、YouTube 倒是有全套視訊，地址是：http://c.open.163.com/coursera/courseIntro.htm?cid=938 以及 https://www.youtube.com/playlist?list=PLXVfgk9fNX2I7tB6oIINGBmW50rrmFTqf。更多課程資料可從臺大官網找到（網頁為英語）http://www.csie.ntu.edu.tw/~htlin/mooc/。

彩蛋：臺大 2015 年機器學習課程的大綱以及學習資料（PPT）：https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/，可作為補充。順便提一句，林老師把臺大後半學期的課程開成另一門 Coursera 課程“機器學習技巧”，作為進階。目前 Coursera 也已撤下。網易公開課地址為 http://c.open.163.com/coursera/courseIntro.htm?cid=1664。

5. 谷歌人工智慧入門

• 課程名稱：人工智慧入門  Intro to Artificial Intelligence

• 主講人：Peter Norvig，Sebastian Thrun

• 授課機構：谷歌

• 釋出平臺：優達學城 Udacity

• 語言：英語，漢語字幕

• 網址：https://cn.udacity.com/course/intro-to-artificial-intelligence--cs271

該課程久享盛名，是 AI 入門最好的公開課之一（雷鋒網注：有人認為可以去掉“之一”）。

嚴格來說，它並不是一門機器學習課程。但其中有一週的主題是機器學習，它還介紹了另外幾個 AI 主要領域：概率推理、資訊檢索、機器人學、自然語言處理等。鑑於學習機器學習的童鞋，幾乎都會對 AI 這個大學科有興趣——這門課程便是探索機器學習周邊與交叉領域的絕好機會。

兩位主講者，Peter Norvig 和 Sebastian Thrun，一個是谷歌研究總監，一個是斯坦福著名機器學習教授，均是與吳恩達、Yann Lecun 同級別的頂級 AI 專家。

需要強調的是，該課程傾向於介紹 AI 的實際應用。課程練習廣受好評。

6. UBC 本科生的機器學習課程

• 課程名稱：面向本科生的機器學習課 Machine Learning for Undergraduates

• 主講人： Nando de Freitas

• 授課機構：英屬哥倫比亞大學（UBC）

• 釋出平臺：Youtube

• 語言：英語

• 網址：https://www.youtube.com/playlist?list=PLE6Wd9FR--Ecf_5nCbnSQMHqORpiChfJf

Nando de Freitas 是機器學習領域非常傑出的學者。他的這門課很適合作為吳恩達老師“機器學習”的進階課程，因為：1. “機器學習”省略掉的一些概念，可以在這門課中找到。2. “機器學習”課 不重視數學，而數學是這門課的重點內容。Nando de Freitas 對諸如概率論、log likelihood 等基礎數學原理做了很好的講解，並以此為基礎介紹更高階的數學、統計概念。

對於機器學習新手，完全略過數學細節是很危險的，這門課會幫助你打下基礎。

但是，它錄製於 2012  年，時間也比較久了。因此，雷鋒網特意奉上彩蛋一枚。

彩蛋：Nando de Freitas 2013 年轉入牛津大學任教。這是他 2014-2015 學年在牛津的全套深度學習課程，包括視訊、PPT 以及練習：https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/ （視訊儲存在 Youtube，需翻牆）。

7. Yann Lecun 深度學習公開課

• 課程名稱：深度學習 Deep Learning

• 主講人：Yann Lecun

• 授課機構：法蘭西學院

• 釋出平臺：法蘭西學院官網

• 語言：法語，英語字幕

• 網址：https://www.college-de-france.fr/site/en-yann-lecun/course-2016-04-15-11h00.htm

Yann Lecun 在 2016 年初於法蘭西學院開課，這是其中關於深度學習的 8 堂課。當時是用法語授課，後來加入了英文字幕。

作為人工智慧領域大牛和 Facebook AI 實驗室（FAIR）的負責人，Yann Lecun 身處業內機器學習研究的最前沿。他曾經公開表示，現有的一些機器學習公開課內容已經有些過時。通過 Yann Lecun 的課程能瞭解到近幾年深度學習研究的最新進展。該系列可作為探索深度學習的進階課程。

 8.  Geoffrey Hinton  深度學習課程

• 課程名稱：神經網路用於機器學習 Neural Networks For Machine Learning；網易譯名“神經網路的機器學習”

• 主講人：Geoffrey Hinton

• 授課機構：多倫多大學

• 釋出平臺：Coursera、網易公開課

• 語言：英語，漢語字幕

• 網址：https://www.coursera.org/learn/neural-networks，Coursera；

  http://c.open.163.com/coursera/courseIntro.htm?cid=77，網易

深度學習必修課程，講師為該領域的一代宗師 Geoffrey Hinton。

這門課程聚焦於神經網路和深度學習，是深入瞭解該領域最好的課程之一（雷鋒網注：很多人認為可以去掉“之一”）。

課程官方介紹：

“（你會在這門課）學習人工神經網路以及它們如何應用於機器學習，比方說語音、物體識別，影象分割（image segmentation），建模語言、人體運動等等。我們同時強調基礎演算法，以及對它們成功應用所需的實用技巧 。”

這門課錄製於 2013-2013，時效性上不如 Yann Lecun 的法蘭西學院公開課，建議兩者結合。另外，它要求微積分、Python 基礎，涉及許多專有名詞，對初學者難度較大，需自己查詢相關資料。

9.  哥倫比亞大學的機器學習公開課

• 課程名稱：機器學習 Machine Learning

• 主講人：John W. Paisley

• 授課機構：哥倫比亞大學

• 釋出平臺：edX

• 語言：英語

• 網址：https://www.edx.org/course/machine-learning-columbiax-csmm-102x

在這份大牛雲集的榜單中，該課程的主講者——哥倫比亞大學副教授 John Paisley，只是一名相對普通的青年學者。但是，這門課程將於兩天後，也就是 2017 年 1 月 16 日首次開課。這使它成為時下最新的機器學習入門課程。要知道，近一兩年來人工智慧和機器學習的發展完全可以用“日新月異”來形容——湧現的新方法、新理論，即便是一流專家也有目不暇接之感。換句換說，三、四年前的課程，可能現在有許多內容已經過時了。

這是 Yann LeCun 提醒大家注意學習資源時效性的原因所在。

可惜許多一流的機器學習公開課，距離錄製都有些久了。我們知道一堂公開課背後所耗費的巨大人力。因此，對於部分課程在近兩三年並沒有更新的事實，倒也不能去怪主講者和平臺。但這使得比較新、時效性較強的課程格外可貴。

這門課中，學習者會了解到機器學習的演算法、模型和方法，以及它們在現實生活中的應用。

由於是首次開課，尚沒有對該課程的反饋。但鑑於哥倫比亞大學的研究、教學實力，課程品質應當值得期待。

10. MIT 進階課程

• 課程名稱：機器學習 Machine Learning

• 主講人：Tommi Jaakkola

• 授課機構：麻省理工學院（MIT）

• 釋出平臺：MIT Opencourseware

• 語言：英語

• 網址：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/index.htm

這是一門研究生水平的機器學習課程，難度較高。可惜的是，MIT 並沒有提供課程視訊，而是以參考書目和課堂筆記的形式，讓我們得以一窺該課程的內容。小編認為，這些學習資源的價值仍舊不可估量。因為如此，相比常規公開課，它不會耗費過多時間，非常適合有一定基礎的學習者印證自己所學。

小結

這就是雷鋒網為您盤點的十大最有價值的機器學習入門公開課。這些課程有淺有深，分別對機器學習不同領域、方面有所側重。各位童鞋可根據自己所需，自行選擇最適合自己的課程。不過，小編必須提醒各位，所有盤點都不可避免得摻雜了主觀因素。雖然雷鋒網已盡力按照課程質量與業內人士的評價來制定該推薦榜，但自知無法做到十足的公正客觀。比方說，該榜單傾向於機器學習的“入門”，而非開發者進階；傾向於概念、演算法學習，而非實戰技巧（比如 Python 教程）；傾向於把全世界範圍內最好的課程推薦給諸君，而對英語基礎較差的學習者照顧不足。榜單之外尚有許多有價值、適應不同層次人士需求的公開課。因此，雷鋒網特意列舉了幾個比較好的系統性機器學習課程以及學習平臺，彌補該榜單不足，以供參考。

友情提醒，以下包含收費課程。

系統性課程：

• 優達學城（Udacity）提供的的 “機器學習工程師”納米學位，中文字幕，谷歌、滴滴參與授課，收費。

  https://cn.udacity.com/course/machine-learning-engineer-nanodegree--nd009

• 華盛頓大學的“機器學習專業”系列課程，Coursera 平臺，收費，共六門課。

  https://www.coursera.org/specializations/machine-learning

• 密歇根大學的“Python 的應用資料科學專業”系列課程，Coursera 平臺，收費，共五門課。適合需要學習 Python 實戰技巧的機器學習開發者。

  https://www.coursera.org/specializations/data-science-python