课程入门
Stanford CS229 Machine Learning | Spring 2026
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。
- 分级
- 值得看
- 收录时间
- 2026-11-01
- 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
- 希望了解从监督学习到强化学习整体脉络的读者
- 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
- 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
已上线 17 讲 · YouTube 视频合集（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 1: Introduction（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 2: Supervised Learning Setup（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 3: Weighted Least Squares（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 4: Exponential Family, GLMs Classification（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 5: Gaussian Discriminant Analysis（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 6: Dataset Split, ML Advice（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 7: Neural Networks 1 (Architecture)（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 8: Neural Networks 2 (Backprop)（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 9: K-Means and GMM (non-EM)（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 10: GMM (EM), PCA（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 11: Diffusion Models（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 12: Representation Learning（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 13: LLMs, Next-Word Prediction Loss（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 14: Transformers, In-Context Learning（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 16: Basic Concept in RL, Policy Gradient（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 18: GMM (EM), PCA（新标签页打开）
- Stanford CS229 Machine Learning | Spring 2026 | Lecture 20: GMM (EM), PCA（新标签页打开）