NTU-HsuanTienLin-机器学习（林轩田机器学习）

1. 课程介绍

台湾大学林轩田老师曾在coursera上开设了两门机器学习经典课程：《机器学习基石》和《机器学习技法》。《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。《机器学习技法》课程主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。在此，笔者将把这两门课的所有视频、笔记、书籍等详细资料分享给大家。

首先附上这两门课的主页：

Hsuan-Tien Lin 机器学习基石

2. 课程内容

2.1 《机器学习基石》

这门课主要涉及机器学习关键问题的四个方面：

• When Can Machine Learn?

• Why Can Machine Learn?

• How Can Machine Learn?

• How Can Machine Learn Better?

其中每个方面包含4节课，总共有16节课。具体所有课程内容如下：

• When Can Machine Learn?

• The Learning Problem

• Learning to Answer Yes/No

• Types of Learning

• Feasibility of Learning

• Why Can Machine Learn?

• Training versus Testing

• Theory of Generalization

• The VC Dimension

• Noise and Error

• How Can Machine Learn?

• Linear Regression

• Logistic Regression

• Linear Models for Classification

• Nonlinear Transformation

• How Can Machine Learn Better?

• Hazard of Overfitting

• Regularization

• Validation

• Three Learning Principles

2.2 《机器学习技法》

这门课主要涉及机器学习经典算法的三个方面：

• Embedding Numerous Features: Kernel Models

• Combining Predictive Features: Aggregation Models

• Distilling Implicit Features: Extraction Models

总共有16节课。具体所有课程内容如下：

• Embedding Numerous Features: Kernel Models

• Linear Support Vector Machine

• Dual Support Vector Machine

• Kernel Support Vector Machine

• Soft-Margin Support Vector Machine

• Kernel Logistic Regression

• Support Vector Regression

• Combining Predictive Features: Aggregation Models

• Blending and Bagging

• Adaptive Boosting

• Decision Tree

• Random Forest

• Gradient Boosted Decision Tree

• Distilling Implicit Features: Extraction Models

• Neural Network

• Deep Learning

• Radial Basis Function Network

• Matrix Factorization

• Finale

3. 资源汇总

笔者在学习这门课的过程中整理了各种课程资源，包括视频、笔记、书籍等。具体如下：

3.1 课程视频

课程视频在B站上可以直接观看哦～这里附上传送门：

机器学习基石（林轩田）

机器学习技法（林轩田）

3.2 课程课件

此项目包含了林轩田机器学习课程完整的课件：

3.3 课程笔记

这是笔者最用心整理也是花的时间最多的，读者可以边看视频边看我的笔记，希望能给读者提供微薄之力。所有精炼笔记都已发布在个人主页上。但是为了便于大家线下阅读，特此将笔记的pdf文件全都发布在github上，可供查阅和打印。

另外，我已经把完整的林轩田机器学习笔记整理成一个pdf文件，就放在项目根目录下了。

3.4 课程书籍

林轩田机器学习基石这门课有一个配套教材：《Learning From Data》，林轩田也是编者之一。这本书的主页为：

Learning From Data

豆瓣上关于这本书的评分高达9.4，还是很不错的，值得推荐！可以配套视频一起学习。

机器学习技法对这本书添加了一些章节，作为扩展。原书和附加章节均放在本项目中。

4 完整下载

该GitHub项目中完整的资源均已整理好，方便大家免费下载。想要获得离线资源的可以在公众号：AI有道（ID: redstonewill），后台回复：Lin，即可获取。

5. 最后

如果觉得我的分享对你有用，那么就Star一下吧～同时，也欢迎大家关注我的微信公众号：AI有道（ID: redstonewill）。我会一如既往发布更多更好的文章给大家！一起学习，共同进步！

同时，也欢迎加入AI有道技术交流QQ群，进行交流：（群号：223490966）

个人主页

公众号：AI有道（ID：redstonewill）

博客：http://redstonewill.com/

知乎：https://www.zhihu.com/people/red_stone_wl

微博：AI有道

HsuanTienLin_MachineLearning 快速上手指南

本指南旨在帮助开发者快速获取台湾大学林轩田老师的经典机器学习课程资源（《机器学习基石》与《机器学习技法》），包括视频、课件、笔记及配套书籍。本项目主要为资料汇总，无需复杂的环境配置即可开始学习。

1. 环境准备

本项目为静态资源仓库，无特定的系统或编程语言依赖。

• 系统要求：Windows / macOS / Linux 均可。
• 前置依赖：
  • Git：用于克隆代码仓库（可选，也可直接下载 ZIP）。
  • PDF 阅读器：用于查看课程笔记和课件（如 Adobe Acrobat, Foxit, 或浏览器内置阅读器）。
  • 视频播放器：用于播放本地视频（若选择离线观看），或直接使用浏览器访问 Bilibili 在线观看。
• 网络建议：
  • 在线视频：推荐直接访问 Bilibili (B 站) 观看，国内访问速度快且无需特殊网络配置。
  • 代码仓库：若 GitHub 访问缓慢，可使用国内镜像站（如 Gitee）或代理加速。

2. 安装步骤

方式一：克隆仓库（推荐）

打开终端（Terminal 或 CMD），执行以下命令获取完整资源：

git clone https://github.com/redstonewill/NTU-HsuanTienLin-MachineLearning.git

注：若 GitHub 连接超时，可尝试使用国内镜像源（如有）或手动下载 ZIP 包解压。

方式二：手动下载

1. 访问项目 GitHub 主页。
2. 点击绿色的 Code 按钮，选择 Download ZIP。
3. 解压文件到本地目录。

获取离线大礼包（含高清视频与完整笔记）

若需获取整理好的离线大包（避免逐个下载），请关注微信公众号 AI有道（ID: redstonewill），后台回复关键字：

Lin

即可获取百度网盘等国内高速下载地址。

3. 基本使用

本项目核心内容为学习资料，以下是最高效的学习路径：

3.1 在线观看视频（最便捷）

无需下载视频文件，直接通过浏览器访问 Bilibili 链接：

• 《机器学习基石》： https://www.bilibili.com/video/av36731342
• 《机器学习技法》： https://www.bilibili.com/video/av36760800

3.2 阅读课程笔记与课件

进入克隆或解压后的项目目录，找到以下文件夹进行阅读：

• 课件 (Slides)：通常在 slides 或根目录相关文件夹中，对应 16+16 节课程的 PPT/PDF。
• 精炼笔记 (Notes)：
  • 查看根目录下的完整合并版笔记 PDF（通常命名为 Lin_Notes_Complete.pdf 或类似名称）。
  • 或访问作者博客查看详细在线版：http://redstonewill.com/

3.3 配套教材学习

本课程推荐搭配教材 《Learning From Data》 进行学习：

• 官方主页：http://amlbook.com/
• 本地资源：项目中已包含该书原文章节及《机器学习技法》的扩展章节 PDF，请在项目目录中的 books 文件夹下查找。

3.4 学习路线建议

1. 入门阶段：先学习 《机器学习基石》，涵盖机器学习可行性、VC 维、线性模型等基础理论。
2. 进阶阶段：接着学习 《机器学习技法》，深入 SVM、决策树、神经网络、深度学习等经典算法。
3. 实践结合：边看 B 站视频，边对照项目中的 PDF 笔记理解公式推导，最后阅读配套教材巩固知识。