纽约大学《机器学习入门》课程讲义（附PDF下载）

允中 编译整理 量子位 出品 | 公众号 QbitAI

今年春天，Kyunghyun Cho开始在纽约大学教授本科生《机器学习入门》课程。今天，他把这门课程的讲义和相关资料整理发布出来。

Kyunghyun Cho是纽约大学计算机和数据科学的助理教授，也曾经作为博士后在蒙特利尔大学接受Yoshua Bengio的指导。

以下是Kyunghyun Cho对这门课程的简介：

之前这门课程由David Sontag教授，但现在他已经转去了麻省理工。我考虑过继续使用他的教材，相关资料可以在这里看到：http://cs.nyu.edu/~dsontag/courses/ml16/ 。这些内容很棒，强烈推荐。

Sontag的课程覆盖面很广，但是我觉得可能不适合作为本科生的入门课程。所以我决定重新创建一个课程体系。对于本科生来说，最低限度的机器学习知识是什么？1）至少掌握机器学习的高级观点，2）毕业后可以在实践中应用机器学习。

所以就像上一年的NLP课程一样，我开始着手写讲义。

首先是分类。引入感知器和逻辑回归作为例子，展示传统计算机科学与机器学习之间的区别。然后开始介绍（线性）支持向量机。不过由于时间限制，我并没有教授Kernel SVM。接着使用softmax把逻辑回归泛化为多分类逻辑回归。

为了教授如何处理线性不可分的问题，我使用了一种非正统的方法。我从紧邻算法分类器开始，最后将其扩展为自适应基函数网络，我称其为深度学习。讲到这里，大约有一半的学生已经不来上课了……

然后接着讲回归。这里我着重介绍概率机器学习。我介绍了贝叶斯线性回归等。

对于无监督学习，我再次使用了一个非常规的教授路径。令人惊讶的是，学生们对无监督学习更感兴趣，热情超过监督学习，当我教授非线性分类器的时候，流失的学生们已经回来了。

课程的最后，我简要介绍了梯度策略，也是用一个非常规的方式：把强化学习视作一个分类器序列。这方面的研究人员肯定会不开心，但我觉得这样是一种更直观的方法。另外，推荐Joelle Pineau写的强化学习入门：http://videolectures.net/deeplearning2016_pineau_reinforcement_learning/ 。

安妮薇，我全部的讲义都可以在此看到：

https://github.com/nyu-dl/Intro_to_ML_Lecture_Note/raw/master/lecture_note.pdf

有任何的建议可以访问：

https://github.com/nyu-dl/Intro_to_ML_Lecture_Note

不过，就算我接纳您的建议，也得等明年春天再修改讲义了~

另外在授课过程中，我还推荐给学生们以下的资料：

• Hans Rosling：这是你见过的最好数据（可视化的重要性） https://www.ted.com/talks/hans_rosling_shows_the_best_stats_you_ve_ever_seen
• 李飞飞：如何让电脑看懂图片 https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures
• 专访Hinton：生命的代码 https://www.youtube.com/watch?v=XG-dwZMc7Ng
• Larry Jacke：贝尔实验室的机器学习和神经网络 http://techtalks.tv/talks/machine-learning-and-neural-nets-at-bell-labs-holmdel/63005/

下载

下载上述讲义的PDF版本，可以在量子位微信公众号（QbitAI）对话界面，回复：“cho”三个字母。