预约成功
我主要讲讲学完这些，应该怎么学更高级的内容，当然还是结合我自己的经历。授人以鱼不如授人以渔，要学习前沿的内容就要掌握基础的工具。书分为两种，一种书看完了就是看完了，你学到了一堆技能，但却不能用这些技能产生新的知识，面对问题也不能因地制宜，如果是这样学估计只能用来应付找工作面试吧;另一种书看完了才是学习新东西的开始，你学到了如何读懂别人的论文，如何开发新的知识，如何根据情况选择和调整算法。
1、机器学习研究生课程——概率图模型(Probabilistic graphical model)：
我是在Coursera上学习概率图模型这门课的，讲得真的非常好，正打算过二周目。学完这个课，掌握了图模型的设计，推断，和采样方法之后，就可以开始学习两个核心的机器学习模型，一个是Latent Dirichlet Allocation(LDA)，常用于文本处理;一个是Probabilistic Matrix Factorization(PMF)，常用于推荐系统。
2、机器学习研究生课程——统计计算(Statistical computing)：
这个课系统的介绍了数值积分方法，Monte Carlo方法(importance sampling, MCMC，Sequential/Particle MCMC，bootstrap)，EM/MM。学完这门课，你能对这个领域的工具有个全局性的了解，明白每个工具的利弊，它们产生的历史来源，从而在具体问题中正确的选择使用它们。
有了这些工具，你会发现大部分research的工作都是在这些细分领域做一些简单的扩展。比如Bayesian PMF(ICML'08)这篇文章几乎就完全是MCMC在PMF的应用。话说回来，Research大部分时候就是以这样一种循序渐进的方式进行的，把一些现成的idea排列组合。
3、机器学习研究生课程——深度学习(Deep learning)：
说实话我刚开始接触这块内容发现，这尼玛就是传说中的黑科技啊。你不知道模型里面发生了什么，好坏都是看天吃饭的感觉。为了搞清楚这个，我决定重头开始实现神经网络。(代码在bobye/neuron · GitHub )前前后后花了近半年的时间，在实现的过程中，我学习了构造和训练神经网络的各个细节。我是从Stanford这个Tutorial开始学习的UFLDL Tutorial 课程资料里提供了Matlab的源码，不过我喜欢重新造轮子，那个时候恰好在学习Scala，就用Scala重写了一个神经网络的库(这个语言的特性非常适合写神经网络的算法)。
近几年深度学习的主流被深度卷积网络代替，这种监督学习的算法虽然对某些问题十分有效，但是数学上并不是特别神奇的东西，我还是比较关注那些非监督的神经网络。
4、机器学习研究生课程——优化(optimization)：
没有优化算法，任何机器学习模型都是空中楼阁，如何用更高效的优化算法，如何trade-off 计算时间和准确度，如何把已有问题scale到更高规模的数据上一直都是“优化大师们”做不完的工作。这也是一个非常大的分支，我觉得现在比较流行的两个大类是随机梯度优化和ADMM。前者用来解决大规模非约束优化问题，现实情景用的很多，但我们对它知道的很少;后者用来解决带约束问题，有很多变体。此外，优化大家庭也又有很多别的成员，这时候我要推荐的资料包括J Nocedal的numerical optimization这本书，讲的内容非常充实。此外ADMM的内容当然看Boyd巨牛11年的Tutorial paper。
话说“概率图模型画圈，神经网络调参数，优化问题加正则”，不会科研也会胡诌了。。。最后说说答主最近在看的东西
5、机器学习研究生课程——PAC学习理论(PAC Learning)：
这个理论已经相对古老了，它的历史价值很大，应用价值很有争议，但是一直有人在继续这个方向的工作，并试图用它来构造新的模型，所以还是有必要知道的。推荐一下最近的新书：Understanding Machine Learning： From Theory To Algorithms. 非参数贝叶斯统计(Non-parametric Bayesian statistics)：这个方向还非常年轻，有很多需要挖掘的东西，也是我PhD的一个重要课题。
以上就是有关于机器学习研究生课程的内容了，即使当前时代人工智能的发展依然有限，但是依然不影响大家对于人工智能这一行业的热情，小编相信在不久的未来，人工智能一定能为我们的社会带来更多便利，环球网校小编在此祝大家人工智能行业的学习之路顺利。
