Skip to main content

斯坦福 CS229 机器学习

课程名称： Machine Learning
官方入口： 课程主页、Stanford ExploreCourses
课程层级： 本研共修
先修要求： 线性代数、概率统计、微积分、Python/Matlab
重要程度： ※※※※※

课程定位​

CS229 是 Stanford 最核心的机器学习主课。它不偏某个应用方向，而是从统计学习和优化的角度系统讲监督学习、无监督学习、生成式模型和基本理论，是很多人从“会用模型”走向“理解模型”的关键一步。

核心内容​

  • 线性回归、逻辑回归、广义线性模型
  • 生成模型与判别模型
  • SVM、核方法、聚类、EM
  • 偏差-方差、正则化、泛化与模型选择
  • 无监督学习、降维、异常检测

课程特点​

CS229 和很多偏工程的 ML 课不同，它更强调从目标函数、概率假设和优化过程去理解模型。很多经典公式推导都要自己真正看懂，这也是它后劲很大的原因。

学习难点​

  • 数学密度大，尤其是概率建模和推导
  • 默认你已经能熟练处理矩阵、梯度、对数似然
  • 如果没有 AI 导论背景，某些建模场景会学得比较碎

学完后的衔接​

  • 深度学习：接 CS230
  • 概率图模型：接 CS228
  • NLP / CV：接 CS224N、CS231N
  • 强化学习：接 CS234