本文约
1600
字，
建议阅读
7
分钟。
本文为你列出了十大优质的免费机器学习课程资源，提供一条高效的学习路线.
入门机器学习是一个循序渐进的过程，优质的学习资源和科学的学习路线缺一不可。
在本文中，来自英伟达人工智能应用团队的计算机科学家 Chip Huyen 不仅列出了十大优质的免费机器学习课程资源，还将其串成了一条高效的学习路线。
Chip Huyen 是一位来自越南的作家和计算机科学家，现居于美国硅谷，就职于英伟达人工智能应用团队。
Chip Huyen
她本科和硕士均就读于斯坦福大学计算机科学专业，曾开设和讲授课程《TensorFlow for Deep Learning Research》。
课程链接：
http://web.stanford.edu/class/cs20si/
她还曾协助推出越南第二受欢迎的网络浏览器 Coc Coc，每月活跃用户数量达 2000 万以上。
她目前正在进行的一些项目包括 SOTAWHAT（查询和总结 SOTA 人工智能研究成果）、OpenSeq2Seq（利用语音识别、Text2Speech 和 NLP 进行高效实验的工具包）以及 Free Hugs Vietnam（为越南青少年提供软技能的非盈利项目）等。
以下是她给出的《机器学习》资源清单和路线：
1. 斯坦福《概率与统计（Probability and Statistics）》
课程链接：
https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics
简介：
这门课程涵盖了概率和统计学的基本概念，涉及机器学习的四个基本方面：
探索性数据分析、生产数据、概率和推理。
2. MIT《线性代数（Linear Algebra）》
课程链接：
https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/
简介：
这门课程的授课教师为《线性代数导论》、《
线性代数与数据学习
》的作者 Gilbert Strang。
该课程与《线性代数导论》中的理论和应用知识相辅相成，挑选了书中四个关键的应用：
图和网络；
微分方程组；
最小二乘与投影；
傅里叶级数和快速傅里叶变换。
作者表示，这是自己见过的最好的线性代数课程。
Gilbert Strang
3. 斯坦福 CS231N《用于视觉识别的卷积神经网络（Convolutional Neural Networks for Visual Recognition）》
课程链接：
https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq
简介：
这门课程的特点是理论与实践并重。
课程 PPT 用了可视化的方式解释反向传播、损失、正则化、dropout、batchnorm 等比较难以理解的概念。
4. fastai《程序员深度学习实战（Practical Deep Learning for Coders）》
课程链接：
https://course.fast.ai/
简介：
这门实践课程是面向新手的，不要求参与者拥有大学水平的数学知识，也不要求参与者有很多的数据，但需要一年的编程经验，还需要配备一块 GPU。
此外，该课程还有一个论坛，专门用来讨论 ML 的最佳实践。
5.
斯坦福 CS224N
《深度学习自然语言处理（Natural Language Processing with Deep Learning）》
课程链接：
https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_
简介：
对于对 NLP 感兴趣的同学来说，这是一门不容错过的课程，被称为入门自然语言处理（NLP）的「标配」公开课。
它和计算机视觉方面的课程 CS231n 堪称绝配。
该课程组织严密、教法得当、紧跟前沿研究趋势。
这门课的授课者是斯坦福 AI 实验室负责人 Christopher Manning。
6.
Coursera 上的斯坦福《机器学习》
课程链接：
https://www.coursera.org/learn/machine-learning
简介：
这门课授课者是吴恩达，在 Coursera 上的注册人数已达到 244 万。
它广泛介绍了机器学习、数据挖掘、统计模式识别等方面的内容，包含监督学习、无监督学习、机器学习最佳实践等主题。
此外，课程中还包含大量的应用案例。
