如果村里通了网，那你一定知道【AI】人工智能。
如果你会网上冲浪，那你一定看到过【ML】机器学习。
在过去一年热度丝毫不减，简直要被吹爆的机器学习催生了无数培训机构。然而，想一窥究竟的你却发现动挪上万学费的根本不是搬砖的你愿意接受的，想自己看书学习又怕内容深奥难懂或是难以动手实践。
机器学习真的这么难？这么贵？当心别被骗走了弯路，事实上在网络中有很多极其优质并且免费的机器学习课程，有领域大牛深入浅出的讲解，甚至有配套的习题进行练习。
今天我们就对四门机器学习领域内的经典网课进行了测评，每门课程我们都有专门的老师全程学习后，针对难易程度课程体验等等进行了评价，希望能对各位有所帮助。
（以下提及的网课资源，课程ppt与课程中英文笔记，都已为你整理完毕，公众号主页回复【机器学习资源】自动获取。学习资源我们将持续为您更新，请持续关注TFT公众号！）
这个课程是基于Coursera平台，从lecture到notes到quiz到assignment，从概念和实现两个层面来带着你巩固知识点，lecture视频缓冲快，但感觉Ng语速节奏太慢，所以可调成1.5倍速来看，这门课就是给小白入门的，所以英文也很简单，只要有一点英语基础的，建议直接看英文字幕，毕竟之后机器学习的各种论文著作文档都是英文的。
课程notes也很全面，quiz难度不大但对于理解lecture的内容很有帮助，assignment的代码基本框架都已经提供好，你只需要把一些核心的代码部分完成就可以了，也推荐做完作业后把代码完整的看一遍，而不是只看实现的那一个方法，完成代码后可以通过序列号提交，终端会显示每道题得分, 但是只有得分, 没有官方的正确答案。
再强调一遍，这门课是给小白的，所以刷完这门课仅仅是初步入门，有些涉及到偏复杂的概率论的知识点都没讲. 这个课里面数学推导都模糊化了，对于直观理解一些概念挺有帮助的, 所以适合入门.
Neural Networks for Machine Learning
严重不推荐没有基础的初学者学习这门课。
1.比较抽象，Hinton不像Ng那样全部用实际的例子解释每一个公式，而是宏观介绍公式本身的思想，所以啃下来需要极大的耐心
2.覆盖范围广，深度学习早年的发展Hinton全都讲到了，模型方面除了神经网络以外还包含玻尔兹曼机，deep belief net等，应用方面language model和image model都涉及，梯度下降的各种变种也都讲了;
3.阅读材料量比较大，每一章节Hinton都提供了对应的论文，很多都是非常老的论文（比如他自己当年的那篇反向传播，还有最早提出LSTM的那篇论文等等），所以论文里都是纯数学，很难有耐心读完. Coursera有quiz，无答案，但可以无限次提交，quiz也都是偏概念和理论分析的.
总之好处是掩盖的内容很全，上完课至少知道了“深度学习早年是这么发展起来的”，是很好的概论课程, 但是对初学者很不友好，实践性也很低，第一次上完每一个子内容本身其实都是一知半解, 后面时间久了回头来看才会有恍然大悟的感觉.
CS231n: Convolutional Neural Networks
for Visual Recognition
CS231n近几年一直是计算机视觉领域和深度学习领域最为经典的课程之一。而最近刚刚结课的CS231n Spring 2017 仍由李飞飞主讲，并邀请了Goodfellow等人对其中部分章节详细介绍。本课程从计算机视觉的基础概念开始，在奠定了基本分类模型、神经网络和优化算法的基础后，详细介绍了CNN、RNN、GAN、RL等深度模型在计算机视觉上的应用。
课程特点:
1.计算机视觉领域的应用作为切入点, 以深度学习(主要是卷积神经网络)作为工具, 会大量介绍目前计算机视觉领域的前沿研究热点和方向;
2.因为比较注重应用,所以很锻炼动手能力,编程作业量大且有难度,需要一定的编程基础(Python); 3.适合有一定机器学习基础,并且想主攻计算机视觉领域的同学; 4.这门课程有课程笔记的中文翻译, 配合起来可以加快学习速度,当然, 对于英语水平足够的同学, 还是推荐阅读原版英文笔记.总之,这个课程是机器学习应用在计算机领域的良心之作.
CS224n: Natural Language Processing
with Deep Learning
这是自然语言处理(NLP)的入门神课.
第一个主讲人 Chris Manning 是NLP 领域的泰斗级人物, 而且教学经验丰富; 第二个主讲人Richard Socher年轻有为，刚拿到PhD就已是领域内的超新星. 这门课程主要着眼于自然语言处理, 课程的知识非常新, 包含目前NLP领域最新的研究内容，而且内容也全，涉及到Dependency Parsing、Co-reference Resolution、Tree Recursive Neural Networks and Constituency Parsing、Reinforcement Learning for NLP等平时都不会关心的领域。
适合有机器学习基础并且想在NLP领域发展的同学, 所使用的技术主要是近些年大火的深度学习, 这门课程的编程作业难度也比较大, 且没有官方答案. 课程笔记也有中文翻译版本. 这类课程另外有个好处就是, 网罗了领域内高质量的相关论文，省去了自己找论文的精力(真的有很多灌水论文, 不值得浪费时间)。
先上Machine Learning, 上完后如果对计算机视觉感兴趣-> CS231n, 如果对自然语言处理感兴趣-> CS224n, 如果想进一步研究深度学习的理论-> Neural Network for ML.
这次我们点评了四门机器学习领域内的经典网课, 在后面的时间里面我们还将陆续增加对其他课程的点评和推荐, 我们保证我们的点评都是基于我们有老师全程上完这门网课的前提下的, 尽量做到准确无误.
优点: 讲师都是业界顶尖大牛, 讲课水平也毋庸置疑, 视角和高度不是一般人所能及。
缺点: 对自学者的能力有要求, 没有交互式的学习体验, 学习的过程中遇到问题老师不会给你解答, 编程作业没有答案, 也没有讲解。而我们所提供的机器学习小组就是为了解决这个缺点, 在小组上课期间, 同学们能随时和我们的老师以及Coach交流, 迅速解决学习过程中遇到的问题。
