本文给出了一些机器学习方面的在线课程，方便读者朋友们自学。机器学习方面在线课程更新非常快，读者朋友们也可以在网上自行搜索，选择适合自己的在线课程进行学习。

北京大学张志华教授（曾经在上海交通大学工作）的《统计机器学习》中文课程理论功底深厚，知识面广，讲解细致，非常适合入门，课程的视频见课程 29。

课程 29 北京大学张志华教授的《统计机器学习》中文课程，网址为：https://www.bilibili.com/video/BV1rW411N7tD?p=1或者https://www.math.pku.edu.cn/teachers/zhzhang/

斯坦福大学Trevor Hastie和Robert Tibsiranl教授的《统计学习》英文课程基于他们出版的著名教材《The Elements of Statistical Learning : Data Mining, Inference, and Prediction》。课程讲解详尽，分析富有条理，形象而生动，课程的视频见课程 30。

课程 30 斯坦福大学Trevor Hastie和Robert Tibsiranl教授的《统计学习》英文课程，网址为：https://www.bilibili.com/video/BV11t411A7Ym?p=1

浙江大学胡浩基老师的《机器学习》课程涉及的知识面广，容易理解，学习坡度平缓，适合入门，课程的视频见课程 31。

课程 31 浙江大学胡浩基老师的《机器学习》中文课程，网址为：https://www.bilibili.com/video/BV1qf4y1x7kB?p=1

斯坦福大学吴恩达教授是机器学习领域的著名学者，其在线课程受到国内外学习者的广泛好评。吴恩达教授主讲的《机器学习》英文课程讲解细致、易于理解，特别适合入门者学习，课程的视频见课程 32。

课程 32 斯坦福大学吴恩达教授的《机器学习》英文课程，网址为：https://www.bilibili.com/video/BV1Up4y1X7t1?p=1

多伦多大学Geoffrey Hinton教授是深度学习的主要创立者之一，是机器学习领域的著名学者。Geoffrey Hinton教授的《机器学习与神经网络》英文课程主要介绍神经网络与深度学习的相关内容，课程条理清晰、实例丰富，课程的视频见课程 33。

课程 33 多伦多大学Geoffrey Hinton教授的《机器学习与神经网络》英文课程，网址为：https://www.bilibili.com/video/BV1n64y117t7/?p=1

台湾大学李宏毅教授的《机器学习》中文课程深受学习者的好评，语言幽默，善于通过例子来阐述深奥的理论，课程包含的知识点新颖而全面，适合入门和提高使用，课程的视频见课程 34。

课程 34 台湾大学李宏毅教授的《机器学习》中文课程，网址为：https://speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.html

斯坦福大学吴恩达教授的《深度学习》英文课程学习坡度平缓，思路清晰，易于理解，课程的视频见课程 35。

课程 35 斯坦福大学吴恩达教授的《深度学习》英文课程，网址为：https://www.bilibili.com/video/BV1FT4y1E74V/?p=1或者https://www.deeplearning.ai/

关于人工智能中机器学习的更多介绍，可以购买《人工智能怎么学》进一步阅读。

图书购买方式

京东：https://item.jd.com/13395339.html

当当：http://product.dangdang.com/29469230.html

天猫：https://detail.tmall.com/item_o.htm?id=687374654836

为了让图书惠及更多的读者，为更多想学习人工智能的人提供帮助，经过向出版社申请，对图书《人工智能怎么学》的部分内容进行改编和连载。图书《人工智能怎么学》的全部内容包含了初级入门、中阶提高以及高级进阶三个级别的内容。连载的内容主要是初级入门级别，适合想对人工智能进行快速和高效入门的读者，对于已有一定的人工智能学习基础，希望进一步进阶或提高的读者，则需要购买图书《人工智能怎么学》，学习中阶提高以及高级进阶的内容。此外，对于学习人工智能感兴趣的读者，也可以加入知识星球《人工智能怎么学》，知识星球是一个构建学习社群的平台，通过加入《人工智能怎么学》的社群，你将获得更多的学习资料和课程信息。

与作者互动和了解更多信息

想跟作者一起学习人工智能和互动，你可以加入如下社群：

知识星球：https://t.zsxq.com/0aLkVg0os

QQ群：600587177

想了解更多关于人工智能学习及实践的内容，请关注如下媒体：

官方网站：https://bigdatamininglab.github.io

官方微信公众号：人工智能怎么学(可扫描下方二维码或者微信搜索“人工智能怎么学”添加关注)

CSDN：https://blog.csdn.net/audyxiao001

参考文献

1. 张文俊. 数学欣赏[M]. 北京: 科学出版社, 2011.

1. 李文林. 数学史概论 第4版[M]. 北京: 高等教育出版社, 2021.

1. 方开泰. 漫漫修远攻算路：方开泰自述[M]. 长沙: 湖南教育出版社, 2016.

1. 徐品方. 数学王子——高斯[M]. 哈尔滨: 哈尔滨工业大学出版社, 2018.

1. 同济大学数学系. 高等数学（第7版）[M]. 北京: 高等教育出版社, 2014.

1. 李忠，周建莹. 高等数学（第2版）[M]. 北京: 北京大学出版社, 2009.

1. Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.

1. Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition)[M]. Cengage Learning, 2018.

1. 华东师范大学数学科学学院. 数学分析（第5版）[M]. 北京: 高等教育出版社, 2019.

1. 常庚哲, 史济怀. 数学分析教程（第3版）[M]. 合肥: 中国科学技术大学出版社, 2012.

1. Walter Rudin. Principles of Mathematical Analysis (ThirdEdition) [M]. McGraw-Hill Education, 1976.

1. Vladimir A. Zoric. Mathematical Analysis (Second Edition)[M]. Springer, 2016.

1. Elias M. Stein, and RamiShakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.

1. Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.

1. Elias M. Stein, and Rami Shakarchi. Fourier Analysis: AnIntroduction [M]. PrincetonUniversity Press,2003.

1. Elias M. Stein, and Rami Shakarchi. Functional Analysis:Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.

1. 丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.

1. 居于马. 线性代数（第2版）[M]. 北京: 清华大学出版社, 2002.

1. 李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.

1. 李炯生. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2010.

1. 龚昇. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2005.

1. 任广千, 谢聪, 胡翠芳. 线性代数的几何意义[M]. 西安: 西安电子科技大学出版社, 2015.

1. Kuldeep Singh. Linear Algebra: Step by Step [M]. OxfordUniversity Press,2014.

1. Gilbert Strang. Introduction to Linear Algebra (FifthEdition) [M]. Wellesley-Cambridge Press, 2016.

1. David C. Lay et al. Linear Algebra and Its Application (FifthEdition) [M]. Pearson,, 2016.

1. Sheldon Axler. Linear Algebra Done Right (Third Edition) [M].Springer, 2015.

1. Gerald Farin, and Dianne Hansford. Practical Linear Algebra:A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.

1. Gilbert Strang. Linear Algebra and Learning from Data [M].Wellesley-Cambridge Press, 2019.

1. 徐仲. 矩阵论简明教程（第3版）[M]. 北京: 科学出版社, 2014.

1. 张贤达. 矩阵分析与应用（第2版）[M]. 北京: 清华大学出版社, 2013.

1. Gene H. Golub, and Charles F. Van Loan. Matrix Computation(Fourth Edition) [M]. The Johns Hopkins University Press, 2013.

1. Roger A. Horn, and Charles R. Johnson. Matrix Analysis(Second Edition) [M]. Cambridge University Press, 2013.

1. 盛骤, 谢式千, 潘承毅. 概率论与数理统计（第4版）[M]. 北京: 高等教育出版社, 2008.

1. 陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2017.

1. Jay L. Devore. Probability and Statistics for Engineering andthe Sciences (Ninth Edition) [M]. Cengage Learning, 2016.

1. Morris H. DeGroot, and Mark J. Schervish . Probabilityand Statistics (Forth Edition) [M]. Pearson, 2012.

1. 高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.

1. 王静龙. 多元统计分析[M]. 科学出版社, 2008.

1. T. W. Anderson. An Introduction to Multivariate StatisticalAnalysis (Third Edition) [M]. John Wiley & Sons, 2003.

1. Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (SixthEdition) [M]. Pearson, 2007.

1. 程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.

1. 严加安. 测度论讲义（第2版）[M]. 北京: 科学出版社, 2004.

1. Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theory andProbability Theory (Third Edition) [M]. Springer, 2006.

1. Paul R. Halmos. Measure Theory [M]. Springer Science+Business Media, 1974.

1. 胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.

1. 郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.

1. Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced andMultivariate Statistical Methods: Practical Application and Interpretation(Sixth Edition) [M]. Routledge, 2017.

1. Eugene Demidenko. Advanced Statistics with Applications in R[M]. John Wiley & Sons, 2020.

1. 何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.

1. 张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.

1. Sheldon M. Ross. Introduction to Probability Models (TwelfthEdition) [M]. Academic Press, 2019.

1. Robert G. Gallager. Stochastic Processes: Theory forApplications [M]. John Wiley & Sons, 2013.

1. David Forsyth. Probability and Statistics for ComputerScience (Twelfth Edition) [M]. Springer, 2018.

1. Luc Devroye et al. A Probabilistic Theory of PatternRecognition [M]. Springer, 1997.

1. 《运筹学》教材编写组. 运筹学（第4版）[M]. 北京: 清华大学出版社, 2013.

1. 胡运权, 郭耀煌. 运筹学教程（第5版）[M]. 北京: 清华大学出版社, 2018.

1. Frederick S. Hillier, and Gerald J. Lieberman. Introductionto Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.

1. Hamdy A. Taha. Operation Research：An Introduction(Tenth Edition) [M]. Pearson, 2017.

1. 陈宝林. 最优化理论与算法（第2版）[M]. 北京: 清华大学出版社, 2018.

1. 高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.

1. Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction toOptimization (Fourth Edition) [M]. John Wiley & Sons, 2013.

1. Jorge Nocedal, and Stephen J. Wright. Numerical Optimization(Second Edition) [M]. Springer, 2006.

1. Stephen Boyd, and Lieven Vandenberghe. Convex Optimization[M]. Cambridge University Press, 2004.

1. Yuni Nesterov. Lectures on Convex Optimization (SecondEdition) [M]. Springer, 2018.

1. 李航. 机器学习方法[M]. 北京: 清华大学出版社, 2022.

1. 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

1. Yuni Nesterov. The Elements of Statistical Learning: DataMining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.

1. Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education,1997.

1. Christopher Bishop. Pattern Recognition and Machine Learning[M]. Springer, 2006.

1. Mehryar Mohri et al. Foundation of Machine Learning (SecondEdition) [M]. The MIT Press, 2018.

1. Kevin P. Murphy. Probabilistic Machine Learning: AnIntroduction [M]. The MIT Press, 2022.

1. Shai Shalev-Shwartz, and Shai Ben-David. UnderstandingMachine Learning: From Theory to Algorithms [M]. Cambridge University Press,2014.

1. Ian Goodfellow etal. Deep Learning [M]. The MIT Press, 2016.

1. 杨强, 张宇, 戴文渊, 潘嘉林 . 迁移学习[M]. 北京: 机械工业出版社, 2020.

1. 杨强, 刘洋，程勇 等. 联邦学习[M]. 北京: 中国工信出版集团, 电子工业出版社, 2020.

1. 周志华. 集成学习：基础与算法（第2版）[M]. 李楠, 译. 北京: 清华大学出版社, 2019.

1. Richard S. Sutton, and Andrew G. Barto. ReinforcementLearning: An Introduction [M]. The MIT Press, 2018.

1. Amparo Albalate, and Wolfgang Minker. Semi-Supervised andUnsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.

1. Christoph Molnar. Interpretable Machine Learning: A Guide forMaking Black Box Models Expainable [M]. lulu.com, 2020.

1. Judea Pearl. Causality: Models, Reasoning, and Inference(Second Edition) [M]. Cambridge University Press, 2009.

注：本文版权归作者个人所有，如需转载请联系作者，未经授权不得转载。