如果你更關注如何在現實中如何應用,我並不推薦你去學習這門課，有更好的課程適合你，而不是被幾個Title矇蔽了雙眼，失去了自己的判斷能力。事實上這個課更多的人是衝著StanFord和Andrew Ng教授的名氣去上的,拿到這個課程的證書能為為自己的形象加分不少。
課程確實非常的簡單易懂，幾乎稍微困難的地方就會很細緻的講解,講解非常的細緻，入門機械學習的，我上了大概5周,作業也都積極完成了,但發現一直在講演算法和如何在octave裡面進行資料處理,應用層面講得都是很基礎的例子沒有太強的實踐操作價值,因為實際情況要複雜的多。我簡單瀏覽了整個課程的內容，直到最後我也沒發現有在應用層面的具體講解，最後依然是在講演算法，所以我就去試著尋找其他更高效的課程了。
經過一段時間的搜尋，我發現了華盛頓大學開的機器學習課程
相比Andrew Ng的機器學習，華盛頓大學開的機器學習專項課程要系統全面得多，分為6個部分，每個部分大概都是6周得時間，學習時間大概是Andrew Ng課程的2.5倍，最後一個部分是一個綜合化的智慧應用的畢業設計，會綜合你所有學到的，非常具有實戰性。
有以下幾個方面的原因我建議你去學習這門課
Carlos Guestrin是機器學習平臺公司 Dato 的 CEO，同時也是亞馬遜資助的機器學習教授。2008 年，Carlos 被美國《大眾科學》雜誌評選為 2008 年「十大科學傑出人才」之一，還是 DARPA 資訊科學與技術（ISAT）顧問小組的成員
華盛頓的機器學習專業是美國前10之內，並不比斯坦福差，人工智慧一些關鍵的學派就誕生於華盛頓大學，機器學習領域也是人才輩出
授課方式創了先例，整個課程的設計獨具匠心，是真正的從學生的角度出發，之前的機器學習的授課方式幾乎全部是從演算法開始的，講到最後講到具體應用。然而從理論到現實應用的鴻溝大家想必都清楚。
這個課直接從應用案例開始講起，迴歸/分類/協同過濾/情感分析等都會具體去講怎麼實現應用，並且會告訴你如何在Python中利用網上一些現有的庫來實現特定的功能，也就是說基本上在課程的第一部分你就可以全面的知道機器學習能夠在現實生活中的應用，以及簡單方式去實現一些功能。這種部分顛倒的教育方式不僅會讓你學得非常有意義感、目標感而且為你後面做畢設帶來非常大的幫助，你能在學完第一部分的時候就開始構思你的畢設，然後第二到第五部分就會詳細講解你存在的知識漏洞，你會很清楚自己自己所需要的知識。
如上圖所描述的，Model&parmaeters和Optimization algorithm這個部分會暫時擱置，先講清楚這個機器學習系統的建立是怎樣的，讓你弄懂整個東西。
先建立完整概念就不會是盲人摸象，你能知道
在專項課程的2,3,4,5階段分領域進行深入講解在各種複雜的現實情況下如何實現你的機器學習任務，
最後說個題外話：希望這個教育方式能夠被教育界多多借鑑。
順便說一句，多去想想應用如何結合現實世界創造商業價值！難有個屁用啊（看到有些人一上來就推薦各種對初學者難的教程，我只能呵呵了），當你真實的去想一個能應用在現實生活中的應用的時候你會發現難點真不是機器學習演算法，別覺得機器學習這東西多高大上，很多複雜的演算法根本就用不上，有價值資料需要自己想盡辦法獲取。最有價值的點和難點在於對現實世界的抽象能力和把想法變成程式的實現思路。
當然你想做資料科學家的話我沒話說，我想說絕大部分人達不到這個要求，並且這方面人才正趨於飽和，並且具有頭部效應，門檻很高。
這世界真不缺會按照各種教程學的人，中國尤其如此，缺的是創新，能用技術更好解決需求的人。
機器學習和程式設計在未來算是基礎工具，學了這個你能看見很多別人看不見的機會。
如果你更關注如何在現實中如何應用,我並不推薦你去學習這門課，有更好的課程適合你，而不是被幾個Title矇蔽了雙眼，失去了自己的判斷能力。事實上這個課更多的人是衝著StanFord和Andrew Ng教授的名氣去上的,拿到這個課程的證書能為為自己的形象加分不少。
課程確實非常的簡單易懂，幾乎稍微困難的地方就會很細緻的講解,講解非常的細緻，入門機械學習的，我上了大概5周,作業也都積極完成了,但發現一直在講演算法和如何在octave裡面進行資料處理,應用層面講得都是很基礎的例子沒有太強的實踐操作價值,因為實際情況要複雜的多。我簡單瀏覽了整個課程的內容，直到最後我也沒發現有在應用層面的具體講解，最後依然是在講演算法，所以我就去試著尋找其他更高效的課程了。
經過一段時間的搜尋，我發現了華盛頓大學開的機器學習課程
相比Andrew Ng的機器學習，華盛頓大學開的機器學習專項課程要系統全面得多，分為6個部分，每個部分大概都是6周得時間，學習時間大概是Andrew Ng課程的2.5倍，最後一個部分是一個綜合化的智慧應用的畢業設計，會綜合你所有學到的，非常具有實戰性。
有以下幾個方面的原因我建議你去學習這門課
並不比Andrew Ng差的老師Carlos Guestrin是機器學習平臺公司 Dato 的 CEO，同時也是亞馬遜資助的機器學習教授。2008 年，Carlos 被美國《大眾科學》雜誌評選為 2008 年「十大科學傑出人才」之一，還是 DARPA 資訊科學與技術（ISAT）顧問小組的成員
華盛頓的機器學習專業不亞於斯坦福華盛頓的機器學習專業是美國前10之內，並不比斯坦福差，人工智慧一些關鍵的學派就誕生於華盛頓大學，機器學習領域也是人才輩出
顛覆了傳統的教育方式授課方式創了先例，整個課程的設計獨具匠心，是真正的從學生的角度出發，之前的機器學習的授課方式幾乎全部是從演算法開始的，講到最後講到具體應用。然而從理論到現實應用的鴻溝大家想必都清楚。
這個課直接從應用案例開始講起，迴歸/分類/協同過濾/情感分析等都會具體去講怎麼實現應用，並且會告訴你如何在Python中利用網上一些現有的庫來實現特定的功能，也就是說基本上在課程的第一部分你就可以全面的知道機器學習能夠在現實生活中的應用，以及簡單方式去實現一些功能。這種部分顛倒的教育方式不僅會讓你學得非常有意義感、目標感而且為你後面做畢設帶來非常大的幫助，你能在學完第一部分的時候就開始構思你的畢設，然後第二到第五部分就會詳細講解你存在的知識漏洞，你會很清楚自己自己所需要的知識。
如上圖所描述的，Model&parmaeters和Optimization algorithm這個部分會暫時擱置，先講清楚這個機器學習系統的建立是怎樣的，讓你弄懂整個東西。
先建立完整概念就不會是盲人摸象，你能知道
在專項課程的2,3,4,5階段分領域進行深入講解在各種複雜的現實情況下如何實現你的機器學習任務，
最後說個題外話：希望這個教育方式能夠被教育界多多借鑑。
順便說一句，多去想想應用如何結合現實世界創造商業價值！難有個屁用啊（看到有些人一上來就推薦各種對初學者難的教程，我只能呵呵了），當你真實的去想一個能應用在現實生活中的應用的時候你會發現難點真不是機器學習演算法，別覺得機器學習這東西多高大上，很多複雜的演算法根本就用不上，有價值資料需要自己想盡辦法獲取。最有價值的點和難點在於對現實世界的抽象能力和把想法變成程式的實現思路。
當然你想做資料科學家的話我沒話說，我想說絕大部分人達不到這個要求，並且這方面人才正趨於飽和，並且具有頭部效應，門檻很高。
這世界真不缺會按照各種教程學的人，中國尤其如此，缺的是創新，能用技術更好解決需求的人。
機器學習和程式設計在未來算是基礎工具，學了這個你能看見很多別人看不見的機會。