# Stanford CS229: Machine Learning（2026 夏）

- 原标题：Stanford CS229: Machine Learning（2026 夏）
- 类型：课程
- 来源：Stanford 课程官网
- 学期：2026 夏
- 首次精选：2026-11-01 00:02
- 分级：值得看
- 学习层级：进阶
- 主题：[ai-literacy](<https://oplearnx.com/md/topics/ai-literacy.md>)（第 18 位）、[reinforcement-alignment](<https://oplearnx.com/md/topics/reinforcement-alignment.md>)（第 18 位）
- 原文链接：[https://cs229.stanford.edu/](<https://cs229.stanford.edu/>)
- 本站页面：[https://oplearnx.com/resources/pk\_80ce259b5174](<https://oplearnx.com/resources/pk_80ce259b5174>)

## 摘要

斯坦福 CS229 机器学习课程 2026 夏季学期的课程主页，授课教师为 Jehangir Amjad 和 Anand Avati，并列出助教名单。页面给出课程介绍（监督学习、无监督学习、学习理论、强化学习及各类应用）、上课时间地点（周二、周四 16:30–18:15，NVIDIA Auditorium）以及先修要求：具备 Python/NumPy 编程能力（相当于 CS106A/B）、概率论（相当于 CS109 或 MATH151）、多变量微积分与线性代数（相当于 MATH51 或 CS205L）。相关链接需用斯坦福邮箱登录访问。

## 概览

- 难度：进阶
- 语言：英文

## 学完你能

- 说明监督学习的主要思路，包括生成式学习、参数化与非参数化方法、神经网络
- 描述无监督学习的聚类与降维方法
- 解释学习理论中的偏差-方差权衡与实用建议
- 概述强化学习与自适应控制的基本框架
- 了解机器学习在机器人控制、数据挖掘、自主导航、生物信息、语音识别、文本与网页数据处理等领域的应用

## 适合你吗

- 适合：具备 Python/NumPy 编程能力、概率论与多变量微积分、线性代数基础，希望系统学习机器学习与统计模式识别的学习者
- 适合：想同时了解监督学习、无监督学习、学习理论与强化学习概貌的人
- 暂不适合：没有编程与数学基础（Python/NumPy、概率论、多变量微积分与线性代数）的人
- 暂不适合：只想要零基础入门、跳过数学推导的学习者
- 需要先会：需具备相当于 CS106A/CS106B 的 Python/NumPy 编程能力、相当于 CS109/MATH151 的概率论，以及相当于 MATH51/CS205L 的多变量微积分与线性代数基础（另有 pset0 供自测）。

## 课程特点

- 内容侧重：机器学习与统计模式识别的广泛导论，覆盖监督学习、无监督学习、学习理论与强化学习，并涉及机器人在内的多种应用领域。
- 投入时间：导师课为周二、周四 16:30–18:15；其余课程安排需查看课程大纲与 Canvas 日历。
- 费用说明：课程文档仅向斯坦福大学相关人员开放，所有链接需登录斯坦福邮箱；材料未说明是否公开或收费。

## 内容覆盖

- 监督学习：生成式学习
- 监督学习：参数化与非参数化学习
- 监督学习：神经网络
- 无监督学习：聚类
- 无监督学习：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
- 机器学习的近期应用（机器人控制、数据挖掘、自主导航、生物信息、语音识别、文本与网页数据处理）

---
来源：LearnMap · 学径（https://oplearnx.com）