台湾大学—机器学习的基石

这门课在中文机器学习圈里的地位有点特殊：它不是那种"三天上手深度学习"的速成课，而是把机器学习当成一门有数学骨架的学科来教。台大林轩田的这门《机器学习的基石》，配合它的下半部《技法》，长期被当作华人学习者打基础的经典材料。资料包里是繁体中文授课，术语中英混用，第一次看可能会被"機器學習""梯度"这些词绊一下，但撑过前两讲就顺了。

课纲的含金量在哪

这门课真正值钱的地方，是它把"为什么这样学得会"讲清楚了，而不是直接甩给你一个能跑的模型。它从机器学习的可行性问题切入，讨论在什么条件下、用多少资料，学习才是可能的。这个视角在绝大多数实战教程里是缺失的，很多做了几年模型的人其实答不上来"VC 维到底约束了什么"。

课程围绕几个核心工具展开：感知机与线性模型打底，接着是误差衡量与泛化，再往后是正则化、验证、以及把线性模型核化的思路。整条线是连贯的——每一步都在解决上一步暴露的问题，而不是零散知识点拼盘。这种"问题驱动"的编排，是它比一般网课耐看的原因。

哪些章节值得精看

• 关于"学习可行性"和泛化误差的那几讲，建议放慢速度。这里出现的几个不等式是整个理论的支点，后面的正则化、模型选择都从这里长出来。第一遍看不懂很正常，配合笔记看第二遍。
• 误差衡量与模型选择部分，是实战中最容易被忽略、又最容易踩坑的地方。很多人调参全凭感觉，就是因为跳过了这段。
• 线性模型转核方法的那条推理链，是全课最漂亮的一段。它解释了为什么有些非线性问题不需要真的把特征映射到高维，值得反复看。
• 至于感知机、线性回归这些开篇内容，如果你已有基础，可以快速过，把注意力留给后面的理论转折。

资料包怎么拆开用

别把它当成"看完就完"的视频课。比较高效的用法是：先跟着讲义理一遍推导逻辑，把每讲的核心结论手写成一页纸；再用课后的题目验证自己是否真懂——这门课的习题是有强度的，做不出来往往说明前一讲没吃透，回到相应章节补。视频适合理解直觉，讲义适合抠细节，两者不要只取其一。

繁体术语可以提前做一张对照表，把常见词和自己熟悉的简体说法对应上，减少来回切换的摩擦。笔记不必抄讲义，重点是记录自己卡住的地方和想通的瞬间，那份笔记在面试前翻一遍，比刷十道八股题有用。

适合谁，别踩什么坑

这门课偏理论和推导，不适合只想快速调库跑项目的人。但如果你打算长期做机器学习，或者一直对"模型为什么有效"存疑，它值得投入时间。常见的坑有两个：一是急着跳到下半部技法课，结果理论没跟上，后面越看越虚；二是追求刷完进度，忽略习题。这门课的价值密度不均匀，慢慢啃前几讲的理论，比囫囵吞枣看完一整轮更划算。

把它当作地基来打，而不是当作工具箱来翻。