课程简介

本课程的讲师 Jeremy Howard 在机器学习界可谓是大名鼎鼎。 他曾经连续两年在 机器学习竞赛平台 Kaggle 上排名第一， 之后加入 Kaggle 成为其首席科学家。从 Kaggle 离职后， 他又创办了好几家很成功的 机器学习创业公司。 他此前开设的深度学习教程 Practical Deep Learning For Coders 也广受赞誉。

课程的官网是 https://course.fast.ai/ml.html , 视频托管在 Youtube 上的。翻墙不便的同学可以观看 B 站 搬运的视频。 官网上除了视频以外， 还有每节课的 wiki 和学员笔记。

先修课程

这门课程学习门槛很低， 并不需要你对机器学习和神经网络有任何了解。但正如课程的名字 Introduction to Machine Learning for Coders! 所暗示的那样，这门课是为程序员所量身打造的，实践性很强， 经常要撸起袖子写代码。 如果你没有任何编程基础的话，还是先去学好 Python 再来学这门课程吧。

一定的线性代数和概率统计基础对学习本门课程会很有帮助， 但你完全可以先开始本课程的学习， 遇到不懂得的地方，再按图索骥地去填补这些知识上的短板，这样学起来会更有效。

你千万不要因此就把这门课当做一个入门、小白的课程。作为一个学习了 斯坦福机器学习(CS229), 斯坦福计算机视觉(CS231n), 吴恩达老师的 deeplearning.ai 等课程的过来人， 我可以向你保证 fast.ai 的课程(ml1+dl1+dl2)无论是在深度还是广度上丝毫不逊与上述任何课程，只是上手更简单而已。 但要真正学好这门课，你需要花很多精力，阅读大量的材料、论文，认真完成课后作业，多参加数据科学竞赛， 多写代码 ...

除了这门课程外， fast.ai 开提供了针对深度学习的课程 Practical Deep Learning For Coders。和这门课程的独立的， 你可以根据自己喜好决定先修哪门课程。 如果让我个人推荐的话， 我还是建议大家先学习 fast.ai 的深度学习课程 Practical Deep Learning For Coders， 然后再来学习本门课程。 因为深度学习课程的实践性更强， 会让你见识到机器学习有多“酷”， 从而有更大的动力来学完这一系列课程。

学习方法

strong text 大家不要抱着只看一遍就能把这门课程掌握的想法。 Jeremy 本人就建议大家听他的课时， 应该把视频至少看两遍， 三遍也不嫌多哦。我建议大家学习时， 可以先把所有视频快速过一遍，观其大略， 不求甚解。然后带着。

多参加数据科学竞赛 我建议大家多参加 Kaggle (一个数据建模和数据分析竞赛平台) 上的比赛。在 起到的。 我参加过很多 MOOC, 课后练习和作业一直是传统网课的一大短板。毕竟网课里， 你不可能

Jeremy 有时会在课程上推荐一些和教学内容比较契合的 Kaggle 比赛， 论坛上还可以找到更多其他学员， 建议大家尽量多参加。

笔记目录

我的这份笔记并不是完全按照课时划分的(Lesson1 -Lesson12), 而是按照知识专题划分的。

这和 Jeremy 的上课风格有关。 Jeremy 习惯把一个知识点拆成两节课来讲， 在第一节课上先将前半部分， 课后布置一些作业， 问题， 然后在第二节课上答疑和教授身下的部分。这种教学方式，用在授课上效果很好， 然而课后笔记也严格依照课时去划分的话， 内容会显得比较凌乱。因此我还是选择按知识点来组织笔记， 但各知识点的顺序还是按照 Jeremy 的授课顺序组织的

• 特征工程初步