大家好，又见面了，我是你们的朋友全栈君。

更新进度：■■■■■□□□□□□□□□□□□□□□|30%

前言

可能受到新冠病毒的影响，台大也开始了网课教学。李宏毅上传了2020版本的机器学习视频，可以说是非常好的学习资料（尽管其中多数都是2017、2019的视频，但有部分更新）。

和吴恩达的CS229机器学习相比，中文版本的机器学习显得亲民了许多，李宏毅的机器学习是英文的ppt+中文讲解，非常有利于大家入门。吴恩达的CS229中偏向于传统机器学习（线性回归、逻辑回归、Naive Bayes、决策树、支持向量机等），李宏毅2020版本的机器学习中除了最前面的回归、分类，后面更多篇幅涉及卷积神经网络（CNN）、循环神经网络（RNN）、强化学习（RL）等深度学习的内容，不过，似乎b站上也有他的深度学习的课程，具体差异此后再说。

2020年版与2017年版、2019年版较为类似，不同的是2019年版用到了keras这一深度学习框架，而2020年版的作业中用到了pytorch。近年来，pytorch在计算机会议论文中占比也逐渐增加。鉴于博主最近做课题需要学习pytorch，李宏毅的2020年版机器学习资料确实非常合适。

李宏毅的机器学习中多处用到了宝可梦（神奇宝贝）、凉宫春日等动漫和游戏举例子，可以说是一个非常有趣的机器学习视频，一旦打开可能就会忍不住学下去（实际上大部分人都是收藏，想着以后再看，然后再也没看过） 。有条件的话，建议大家系统学习。博主之前都是需求驱动型学习，导致很多东西都是一知半解。目前看的这个视频带来了一些新的思考，比如梯度下降的原理、验证集和测试集的正确使用方法等，很有帮助。

储备知识

Q：我没有学习过机器学习，需要有什么储备知识？
A：

1. 高等数学：涉及导数、偏微分、泰勒展开等，建议系统学习。
2. 线性代数：涉及向量、协方差矩阵等，建议系统学习。
3. 概率统计：涉及贝叶斯公式、高斯分布、极大似然估计等，夸张点说，机器学习本质是概率统计。建议先学习高数、线性代数，再系统学习。
4. 计算机相关：python，jupyter notebook，anaconda，pyenv，github，kaggle，linux基本指令

资料

1. 李宏毅的课程网页：点击此处跳转
2. b站有全套视频的搬运：BV1JE411g7XF，也可以点击此处跳转
3. 2020版课后作业范例和作业说明：点击此处跳转
4. 附上别人的github学习笔记：点击此处跳转
5. 数据集：
   链接: https://pan.baidu.com/s/1k7cEfzza7zZqaosEgPjlxw 提取码: 8z93

学习路线

这一张可以在李宏毅的课程首页上找到，点开b站视频p1可以了解详情。每一个符号代表一个作业，用到pytorch的框架，博主后续可能会更新自己的作业进度（敦促自己赶紧学习），作业提交主要都在kaggle这个平台。

在李宏毅的课程首页上的表格，作业、PPT，目前已经全部发布了，还会有助教说明作业的video，如果你打不开网页，请见上方资料3的作业搬运。

作业

博主用的是 win10系统，作业的完成基于 jupyter notebook，博主建议利用 Anaconda 创建的虚拟环境来管理 python 版本和相关库，以免覆盖已有的 python 版本。作业中用到的是python3，建议安装python3及其相关库。

相关资料：

1. Anaconda详细安装及使用教程（带图文）
2. Anaconda常用命令
3. Jupyter Notebook介绍、安装及使用教程
   链接挂掉后的备用资料：Jupyter Notebook安装和使用详情
4. 如何在jupyter notebook下使用anaconda虚拟环境
5. pytorch官方教程中文版
6. pytorch官方教程英文版（打开较慢）

这里的作业前面主要是助教原有的代码和注释，博主加了部分自己学到的内容，后面还有修改代码完成部分助教布置的小任务。前两次作业免费，后面的总共收费 9.9元，一杯奶茶钱，感谢大家支持。

笔记

根据b站视频的顺序，简单记录一下每个视频讲了些什么，便于搜索或者跳过。另外，博主会在引用部分中强调一些平时会忽视的点。基本都是2019版及之前的视频，如果有新的，就会标注出来；如果是旧的，就不额外赘述了。

如果你想看视频的文字版，建议去资源4的github学习笔记。

1. 李宏毅2020机器学习课程笔记（一）：视频P1-P16的课程梗概
2. 李宏毅2020机器学习课程笔记（二）：视频P17-P23的课程梗概