如何评价 Coursera 的机器学习 课程

如何评价 Coursera 的机器学习 (Andrew Ng) 课程？本人统计学专业在读小本一枚。暑假想扩充一下知识面，正好看到了这门课对背景知识要求不高，感觉像是给非计算机专业的业余爱好者开得课程，于是选了这门课。现在已经Week6结束了，现在已经介绍了线性回归、logistic回归、BP神经网络以及机器学习算法中的一些常见问题（例如overfitting、underfitting等），以及一些解决方法（learning curve之类的）。接下来准备学习SVM、推荐系统 (recommend system) 设计和一些案例。小白有以下几个问题：1. 这门课介绍的是非常基础的基本思想，很显然在实务中情况会复杂许多。那么这个“复杂”指的是由于运算量庞大导致的算法复杂化，还是有待解决的问题本身变得复杂了？由此引申的问题是1.1. 学了这门课，我们可以直接地将所学内容用在实践中吗？假设我能够大部分理解教授slide中的内容（仅仅内容本身而已），80%地理解课程作业中的主程序内容（就是每章编程作业里的ex?.m，?为周数），能够独立地编写、调试、完成作业。2. 因为这门课是2011年开设的，教授课上提到的一些“前沿”内容但是在这三年中，数据分析领域有了很大的进步（我作为外行来看），这类的算法是否已经有了替代品，或者直白地说，过时了？例如：在介绍到spam分类问题时，教授提到了porter stemmer英文分词算法，他认为这个算法是很有用的，但我上网检索了以后发现关于这个算法的批判和改进方案还是挺多的。3. 这门课程对于机器学习的主流算法、模型的介绍是否全面？例如：我只上到第六周，我看了syllabus他没有直白地提到决策树算法，但我能够经常地从研究机器学习的朋友口中听到决策树。教授把很大篇幅花在BP神经网络算法的介绍上，是否可以理解为BP算法是机器学习的主流算法？4. 在实务中使用 Octave/MATLAB 来实现机器学习算法是否是理想的选择？除了免费开源与否以外，在运算能力，尤其是针对于处理大规模数据时的性能、以及需要并行运算的情形等。认识的做机器学习的朋友是用numpy和R来实现算法，但教授对Octave的评价很高，并且说在硅谷大多数搞机器学习的程序员都是用Octave来做的。谢谢！本人统计学专业在读小本一枚。暑假想扩充一下知识面，正好看到了这门课对背景知识要求不高，感觉像是给非计算机专业的业余爱好者开得课程，于是选了这门课。现在已经Week6结束了，现在已经介绍了线性回归、logistic回归、BP神经网络以及机器学习算法中的一些常见问题（例如overfitting、underfitting等），以及一些解决方法（learning curve之类的）。接下来准备学习SVM、推荐系统 (recommend system) 设计和一些案例。小白有以下几个问题：1. 这门课介绍的是非常基础的基本思想，很显然在实务中情况会复杂许多。那么这个“复杂”指的是由于运算量庞大导致的算法复杂化，还是有待解决的问题本身变得复杂了？由此引申的问题是1.1. 学了这门课，我们可以直接地将所学内容用在实践中吗？假设我能够大部分理解教授slide中的内容（仅仅内容本身而已），80%地理解课程作业中的主程序内容（就是每章编程作业里的ex?.m，?为周数），能够独立地编写、调试、完成作业。2. 因为这门课是2011年开设的，教授课上提到的一些“前沿”内容但是在这三年中，数据分析领域有了很大的进步（我作为外行来看），这类的算法是否已经有了替代品，或者直白地说，过时了？