学习推荐、预测、风控和企业助手的 AI 应用，适合业务技术人员。
29 条精选 · 入门 8 · 按推荐学习顺序：越基础、直观越靠前，越系统、深入越靠后
Machine Learning Specialization（Coursera）
这是 Coursera 上由 Andrew Ng 等讲授的“机器学习专业课程”页面，共 3 门课，号称适合初学者的入门级课程，页面显示已有 854,778 人报名、课程评分 4.9（39,437 条评价），约 2 个月、每周 10 小时的灵活进度。学习内容涵盖用 NumPy 和 scikit-learn 构建模型、线性与逻辑回归、用 TensorFlow 训练神经网络做多分类、决策树与集成方法、聚类与异常检测、协同过滤推荐系统以及深度强化学习。适合机器学习零基础、想系统入门的自学者了解课程内容。
加州大学伯克利分校 Data 102《Data, Inference, and Decisions》2025 年秋季课程网站，页面注明内容已于 2026 年 3 月归档，仅供查阅。页面列出两位授课教师 Nivasini Ananthakrishnan 与 Ramesh Sridharan 的简介，以及按周组织的课程安排，包括讲座、实验、讨论课、Vitamin 小测和作业，主题覆盖二元决策、p 值与假设检验、多重假设检验与错误发现率控制、频率派与贝叶斯决策、贝叶斯建模与层次模型等。适合想学习数据推断与决策统计方法的人参考。
Just-in-Time Ontologies: What Cheap Intelligence Means for Data — Hrishi Olickel, Southbridge AI
一个会议演讲视频。演讲者以一条把贷款金额的正负号去掉、将净 784,000 美元变成 530 万美元债务、且多个模型给出相同错误结果的流水线为例，说明数据转换不能只靠通用模式或自信的智能体，因为“客户”对计费、支持、合规部门含义不同。他提出的替代方案是“即时本体”：在问题明确时构建转换，并保留其上下文与证据以便复用。工作示例是俄亥俄州竞选财务实体消解项目，涉及区分设计流水线的模型、执行单项任务的模型和优化系统的模型，以及定义、留出案例、分歧检查、稳定执行面、预算上限和失败方式界定等做法。
Stanford CS246：Mining Massive Data Sets
斯坦福大学 CS246 课程主页，介绍课程将讨论用于分析超大规模数据的数据挖掘与机器学习算法。页面列出周二、周四 15:00–16:20 在 NVIDIA Auditorium 线下授课、注册学生在 Canvas 观看讲座视频、可参考往期 Coursera MOOC、公开讲义与作业、Ed 答疑与课程邮箱、无障碍便利申请流程，以及教师 Jure Leskovec、客座联合教师 Charilaos Kanatsoulis 和助教名单，并附课程介绍讲义链接。适合想了解大规模数据挖掘课程公开材料的人查阅。
斯坦福大学管理科学与工程系 MS&E 233 课程大纲页面，主题是博弈论、数据科学与人工智能交叉领域的基础与应用。课程分三部分：求解复杂博弈的计算方法及其在围棋、扑克等游戏智能体上的应用；数据科学与机制设计的结合，如从数据优化拍卖与机制、在线拍卖市场、学习博弈中的结构参数与博弈计量经济学；以及在存在策略性行为时部署机器学习与数据科学流程，包括市场中的 A/B 测试与 Uber、亚马逊等平台上的应用。适合关注博弈论与 AI/数据科学交叉方向的人了解课程内容。