课程介绍
MIT 6.036是全球顶校麻省理工开设的机器学习入门课程，课程系统分版块地讲解了机器学习核心模型算法与解决问题思路。课程内容覆盖：传统机器学习模型（树模型、集成模型、聚类算法、逻辑回归），深度学习典型模型（感知器、神经网络、CNN、RNN），以及强化学习的部分算法。
通过本课程学习，可以全面掌握机器学习基础知识和典型算法，并构建对模型应用的基础能力。
课程讲师 Tamara Broderick，博士毕业于加州大学伯克利分校，现任麻省理工副教授。Tamara Broderick的研究领域为机器学习和统计，具体说就是可靠地量化现代复杂数据分析程序中的不确定性和稳健性。也因此，作者对贝叶斯推理和图形模型特别感兴趣——重点是可扩展、非参数和无监督学习。
课程主题
课程官网发布了课程主题，ShowMeAI 对其进行了翻译。
- Basics（基础知识）
- Perceptrons（感知器）
- Features（特征）
- Logistic regression, a.k.a. linear logistic classification（逻辑回归(对数几率回归)）
- Regression（回归建模）
- Neural networks（神经网络）
- Convolutional neural networks（卷积神经网络）
- State machines and Markov decision processes（状态机与马尔可夫决策过程）
- Reinforcement learning（强化学习）
- Recurrent neural networks（循环神经网络）
- Decision trees and random forests（决策树与随机森林）
- Clustering（聚类算法）
课程资料 | 下载
 |
扫描上方图片二维码，关注公众号并回复关键字 🎯『6.036』，就可以获取整理完整的资料合辑啦！当然也可以点击 🎯 这里 查看更多课程的资料获取方式！
ShowMeAI 对课程资料进行了梳理，整理成这份完备且清晰的资料包：
- 📚 课件。PDF文件。覆盖Lecture 1~13（说明：L7是休息；官方未发布L14讲座的课件）。
- 📚 作业&答案。.ipynb文件。覆盖 Homework 1~11 的全部作业。
课程视频 | B站
ShowMeAI 将视频上传至B站，并增加了中英双语字幕，以提供更加友好的学习体验。点击页面视频，可以进行预览。推荐前往 👆 B站 观看完整课程视频哦！
视频清单列写在这里，感兴趣就学习起来吧！
| 课时编号 | 课时内容 |
|---|---|
| 第1讲 | 基础知识 |
| 第2讲 | 感知器 |
| 第3讲 | 特征 |
| 第4讲 | 逻辑回归(对数几率回归) |
| 第5讲 | 回归建模 |
| 第6讲 | 神经网络 |
| 第7讲 | 本周休息/Break |
| 第8讲 | 卷积神经网络 |
| 第9讲 | 状态机与马尔可夫决策过程 |
| 第10讲 | 强化学习 |
| 第11讲 | 循环神经网络 |
| 第12讲 | 决策树与随机森林 |
| 第13讲 | 聚类算法 |
| 第14讲 | 客座讲座（David Sontag） |
更多技术与课程清单 | 点击查看详细课程
