# Stanford CS229 Machine Learning \| Spring 2026 - 原标题：Stanford CS229 Machine Learning \| Spring 2026 - 类型：课程 - 来源：YouTube - 学期：2026 春 - 首次精选：2026-11-01 00:02 - 分级：值得看 - 学习层级：入门 - 主题：[ai-literacy]()（第 17 位）、[neural-model-foundations]()（第 65 位） - 原文链接：[https://youtube.com/playlist?list=PLaqpC4kq8Gpw]() - 本站页面：[https://oplearnx.com/resources/pk\_075f66dbd4da]() ## 摘要 一个 YouTube 播放列表，收录斯坦福研究生课程 CS229 机器学习 2026 春季学期的课堂录像，共 17 讲。材料列出的前 8 讲标题涵盖课程介绍、监督学习设置、加权最小二乘、指数族与 GLM 分类、高斯判别分析、数据集划分与机器学习建议、神经网络架构等。课程内容为机器学习与统计模式识别的广泛导论，涉及监督学习、无监督学习、学习理论与强化学习，以及机器人控制、数据挖掘、语音识别等应用。 ## 概览 - 难度：进阶 - 语言：英文 - 规模：17 讲 - 费用：免费 ## 学完你能 - 掌握监督学习的建模框架，包括生成式与参数/非参数方法 - 理解指数族与广义线性模型，并能用于分类问题 - 理解神经网络结构与反向传播的基本原理 - 掌握聚类与降维等无监督学习方法（K-Means、GMM、EM、PCA） - 了解扩散模型、表示学习、大语言模型与 Transformer 等主题 - 了解强化学习基本概念与策略梯度方法 ## 适合你吗 - 适合：想系统学习机器学习与统计模式识别的研究生水平学习者 - 适合：希望了解从监督学习到强化学习整体脉络的读者 - 适合：对机器学习在机器人控制、语音识别、文本与网页数据处理等应用感兴趣的人 - 暂不适合：完全没有机器学习基础、只想快速上手工具的初学者 - 暂不适合：希望获得完整作业与编程实验训练的人（材料未提及作业与实验安排） - 需要先会：属于研究生课程，材料未明确列出先修科目，需要一定的数学与统计基础。 ## 课程特点 - 内容侧重：以监督学习（生成式学习、参数/非参数学习、神经网络）、无监督学习（聚类、降维）、学习理论（偏差/方差权衡与实践建议）、强化学习与自适应控制为主线，并涉及近期应用。 - 投入时间：共 17 讲视频，材料未给出每讲时长与总时长。 - 费用说明：为 YouTube 上的公开课程录像播放列表，材料未提及价格、证书或会员信息。 ## 内容覆盖 - 第 1 讲 课程介绍 - 第 2 讲 监督学习框架 - 第 3 讲 加权最小二乘 - 第 4 讲 指数族与 GLM 分类 - 第 5 讲 高斯判别分析 - 第 6 讲 数据集划分与机器学习实践建议 - 第 7 讲 神经网络 1（结构） - 第 8 讲 神经网络 2（反向传播） - 第 9 讲 K-Means 与 GMM（非 EM） - 第 10 讲 GMM（EM）与 PCA - 第 11 讲 扩散模型 - 第 12 讲 表示学习 - 第 13 讲 大语言模型与下一词预测损失 - 第 14 讲 Transformer 与上下文学习 - 第 16 讲 强化学习基本概念与策略梯度 - 第 18 讲 GMM（EM）与 PCA - 第 20 讲 GMM（EM）与 PCA ## 课程各讲 - [视频合集]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 1: Introduction]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 2: Supervised Learning Setup]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 3: Weighted Least Squares]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 4: Exponential Family, GLMs Classification]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 5: Gaussian Discriminant Analysis]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 6: Dataset Split, ML Advice]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 7: Neural Networks 1 \(Architecture\)]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 8: Neural Networks 2 \(Backprop\)]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 9: K-Means and GMM \(non-EM\)]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 10: GMM \(EM\), PCA]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 11: Diffusion Models]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 12: Representation Learning]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 13: LLMs, Next-Word Prediction Loss]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 14: Transformers, In-Context Learning]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 16: Basic Concept in RL, Policy Gradient]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 18: GMM \(EM\), PCA]() - [Stanford CS229 Machine Learning \| Spring 2026 \| Lecture 20: GMM \(EM\), PCA]() --- 来源：LearnMap · 学径（https://oplearnx.com）