这周学习了华盛顿大学公开课《Machine Learning Foundations: A Case Study Approach》的第一章节，主要就是一门导入课，大体介绍本课程使用什么方式方法教学。具体来说，本课程将通过一系列 Case Study 的方式，学习「机器学习」背后理论，同时真正上手码代码完成「课后作业」。
对于「机器学习」这个主题，之前的观点更偏向于我研究生阶段的学习内容，通过一个更加「好」的算法，拟合「更好」的曲线后，写成一篇文章。而这也让我产生了三个问题，后续在学习的过程中，将带着这些问题，尝试寻求解答：
课程主要分为 5 个案例研究
第一个 Case Study，是 Regression（回归分析）。这在之前学过，比如线性回归。
第二个 Case Study，是 Classification（分类分析），这个也学过
第三个 Case Study，是 Clustering（聚类分析），通过文本关键词，对文章进行聚类分析。这个在之前有接触过，毕业论文则使用了 K-mean 聚类分析。
第四个 Case Study，是 Matrix Factorization（矩阵因式分解）。主要借助产品推荐的案例，来说明多维度的观测值，预测客户可能购买的多种产品。
第五个 Case Study，是 Deep Learning（深度学习），通过 Visual Product Recommender（图像推荐）系统来说明如何让机器认出图像具体是什么物品。
课程的编程工具是 Anaconda，其附带的 iPython Notebook（也叫 Jupiter Notebook）是个结合了 Markdown 和 Python 的编程工具。非常好用 👍
由于之前已经看过原著小说，本来不对解说类的视频太感兴趣。但看到有人说这是「镇站之宝」，就好奇打开看一下。边看边佩服，默默一键三连。
和多数弹幕一样，看到证明过程第二点，真是茅塞顿开啊。好的数学思维，总能找到特别棒的突破口。
很惊艳的灯光秀，裸眼特效很震撼 😺
这期的《不丧》
算是总结了现有国外慕课的状况，特别是关于IT方面的。其中不只有入门课程，还有非常精良的其它人文学科。可以根据自身所需，不断跟上新时代。
比如：
Coursera：它是一个非常涵盖内容非常广泛的网站，其中的机器学习专项课程Machine Learning Specialization - University of Washington包含一个系列共六门课，是入门机器学习的优质课程。其中后两门课程矩阵分解（Matrix Factorization）和深度学习（Deep Learning）还没开发，可以找到替代。即吴恩达的深度学习课程 Deep Learning Specialization。
以上课程也将作为未来一段时间「入门」数据科学的学习内容。
专门给这篇文章画了个导图
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。