吴恩达的机器学习适合入门吗？

吴恩达说过，想要成为一名人工智能从业者，系统学习机器学学习是重点。机器学习是一门不需要进行明确编程，就能使计算机发挥作用的科学。那么吴恩达的机器学习适合入门吗?许多人对这个问题有疑问。

吴恩达的机器学习适合入门吗？

吴恩达老师的课程比较多，并不是每一个系列的课程都适合入门的。

下面我用一个清单说明这个问题：

Coursera机器学习：

• 该部分主要涉及机器学习的入门知识，从最简单的回归问题到机器视觉均有涉猎，可以作为机器学习领域新手们的开门砖。
• 课时比较长，如果认真听的话大概需要大学里一个学期的时间才能听完，同时课程中有很多作业，一路坚持下来必定受益匪浅。

优点：

• 零基础，基础知识几乎没有要求
• 形象生动，老师会举很多实例讲解机器学习的算法以及应用
• 涉猎面广，基本听完这个课程你就可以跟大部分机器学习从业者讨论话题了

缺点：

• (截至我学习的时候)编程作业用的是matlab，但目前基本大部分的机器学习实践以及数据竞赛是用python写的，如果你在大学需要学习matlab的话那强烈推荐;如果你希望尽快学习机器学习知识，尽快上手实践，那么我建议可以绕过matlab作业。

Coursera深度学习：

• 该课程主要涉及神经网络的内容，是机器学习领域的一个子集。内容比较具深度。
• 这是一个专项课程，里面是包含5个子课程。从神经网络的基础讲起，到如何优化神经网络，到卷积神经网络、循环神经网络，循序渐进慢慢步入深度学习的新领域。

优点：

• 但凡平时看过人工智能领域新闻，就能上这门课
• 延续了一贯通俗易懂的特点，并且听完就可以上手
• 作业比较好实现，均采用python
• 课程中顺带讲了Tensorflow的使用方法，这个在后来打数据竞赛的时候巨有用!

缺点：

• 涉及的推导较少，有些部分是“我不要你理解，我要你记住!”

斯坦福CS229：

• 该课程主要涉及机器学习、深度学习背后的数学原理，注重推导与理论分析。
• 要求学生有较强的微积分与数理统计的基础。

优点：

• 讲课的内容和思路和很多大学课程类似
• 注重算法基础，从数学的角度一步一步建构起机器学习大厦

缺点：

• 上课的时候推导有时会跳过步骤。
• 在有良好数学基础之上要学习该课程仍然很费精力，但是很值得。
• 作业略难

免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。

为了更好的系统学习AI，推荐大家收藏一份。

下面是部分截图，文末附免费下载方式。

一、人工智能必读书籍

二、人工智能免费视频课程和项目

三、人工智能论文合集

四、人工智能行业报告

学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。

点击下方名片，扫码免费下载文中资料。