Machine Learning in Practice Crash Course

本文本想取名叫《DolphinDB研发副总监亲授，实用的机器学习课程限时免费！》，或者《今年这个行情，大家还是多做一手准备吧…》，或者《孤身一人，发表顶会paper》，想了想还是没启用这几个标题。另外我知道我的机器学习水平不算多强，只是想分享一些知识，还请大家轻喷。

课程暂时的主页 后面主页会迁移到 晴问算法

这门课程是关于什么的？

网络上有大量优秀的机器学习课程。那么为什么要费心去学习这门课程呢？原因是本课程的侧重点与其他课程不同。具体来说，本课程是关于机器学习的基础知识；不同算法的优劣分析与见解；机器学习的最佳实践。另一方面，我们不会太关注机器学习的理论部分；相反，我们为对理论部分感兴趣的读者提供一些资源，例如其他课程或教科书章节的链接。

教科书

感兴趣的读者在每节课后， 可以阅读这几本教科书的相应章节：

1. [PC] Pattern Classification (2nd Edition), by Richard O. Duda, Peter E. Hart, and David G. Stork, Wiley-Interscience, 2000.

2. [PRML] Pattern Recognition and Machine Learning, by Christopher M. Bishop, Springer 2006.

3. [ESLII] The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.), by T. Hastie, R. Tibshirani & J. Friedman, Springer 2009.

4. [MLAPP] Machine Learning: A Probabilistic Perspective, by Kevin Murphy, The MIT Press, 2012.

5. [DM] Data mining: concepts and techniques, by Jiawei Han, Jian Pei, and Micheline Kamber. Elsevier, 2011.

6. [DL]Deep learning, by Goodfellow Ian, Yoshua Bengio, and Aaron Courville. MIT press, 2016.

7. Supplementary readings will be available online.

课程安排

注意前八次课已经上完了，有录像，详细可以到B站上看

今年也会从头开始重新讲一遍课程。

之后学啥？

这里我们列了一些相对更进阶的课程。请记住，如果你想学得好，请完成一些作业。

Coursera Machine Learning: 吴恩达的课程. 比较适合从这里开始。

以下三选一:

1. Stanford CS229 Machine Learing: There are videos in Youtube and Bilibili (2018 version).

2. CMU 10-701 Intro to ML：There are videos in Youtube (2016 version).

3. 实用机器学习 李沐大佬的课程

由于以上课程基本都没有公开的lab，或者是用matlab来写，所以作业部分，我推荐以前我们在浙大开的课程的作业。具体可以加本课程的qq群获取。

对于深度学习来说，我推荐以下课程：

Stanford CS231n：Deep learning for CV. 深度学习从这里开始.

Stanford CS224n：Deep learning for NLP.

Berkeley CS285：Deep Reinforcement Learning.

Transformer Unit：Transformer专题。

From Zero to Hero：Andrej Karpathy的课程

最后一句

欢迎加入我们的QQ群：973186098 群内会给出每次课程的腾讯会议地址，也可以讨论课程相关的问题和建议。如果你想加群，那么请认真学习课程（听课+完成作业）。当然，请大家友善交流。谢谢大家。