CS229学习指南

本指南内含CS229的课程介绍、学习资料整合、学习建议等内容。强烈介绍萌新在学习CS229前阅读参考。

1. 课程介绍

• 课程名称：CS229
• 课程教师：吴恩达、Ron Dror
• 课程内容：机器学习（注重数学原理）
• 前置知识：概率论、微积分、线性代数、四级以上英语基础
• 课程难度：较难，不建议初学者接触
• 知识清单：线性模型，朴素贝叶斯，SVM，学习理论，PCA，因子分析，ICA，MDP（强化学习算法）
• 课程特点：注重与数学原理，不强调编程实现
• 适用人群：数学和计算机方向的研究生

2. 资料整合

• 视频：B站（内含中文字幕，但翻译质量极差） | Youtube
• 讲义：讲义+作业+其他内容

3. 学习建议

3.1 关于学习门槛

CS229是斯坦福的机器学习基础课，是学习CS231N（计算机视觉）和CS224N（自然语言处理）的知识基础。

但是，强烈不建议初学者学习！强烈不建议初学者学习！强烈不建议初学者学习！

因为其数学内容很多，不强调编程实现。

如果你只是对机器学习感兴趣，想快速了解并应用算法，不想以后做相关研究，请移步吴恩达的Machine Learning和DeepLearning

本课程适合于数学或计算机专业的研究生（或大三以上的本科生）学习。

不过根据笔者的学习经验，若不是对机器学习有巨大的兴趣和毅力，极易半途而废，同样，请移步Machine Learning和DeepLearning

请注意，这里不建议初学者学习是因为其数学门槛比较高，课程后期涉及的内容较为高深。但其各类算法讲解得很透彻，其第六到第八节课是笔者目前见过最好的SVM入门课程。

3.2 关于学习内容

CS229可以说是斯坦福十分经典的课程了，笔者提供的学习资料中，视频是2008年录制的（唯一可以找到的视频资源），讲义和作业是2017年的。

不过不用担心视频和讲义内容不符或视频知识过时。事实上，如今CS229的教学大纲和08年版的几乎一致，最大的差别是加了两节神经网络的基础知识，不过这不重要，因为你可以在以后的其他课程中学习到更全面的神经网络知识。

本门课涉及内容包含：线性模型，朴素贝叶斯，SVM，学习理论，PCA，因子分析，ICA，MDP（强化学习算法）等

相对于目前国内流传比较广的《统计学习方法》和《机器学习》（别名西瓜书），缺少决策树、集成学习这两个基础知识的讲解。各位可以在边学CS229的同时，边配套《统计学习方法》学习。

3.3 其他

CS229的中文翻译质量较差，建议有一定英语水平的读者观看纯英文版或只看英文字幕。

另建议看视频时配套讲义一起学习：看完视频后看一遍讲义上对应的内容，进行复习。（笔者是将全部讲义打印下来，便于笔记和以后复习）

笔者已学完本课全部内容，读者若有对本课知识不懂的地方，欢迎在微信公众号“技术杂学铺”中留言讨论。