課程設置和內容
視頻課程分為20集，每集72-85分鍾。實體課程大概一周2次，中間還穿插助教上的習題課，大概一個學期的課程。
內容涉及四大部分，分別是：監督學習（2-8集）、學習理論（9集-11集）、無監督學習（12-15集）、強化學習（16-20集）。監督學習和無監督學習，基本上是機器學習的二分法；強化學習位於兩者之間；而學習理論則從總體上介紹了如何選擇、使用機器學習來解決實際問題，以及調試（比如：誤差分析、銷蝕分析）、調優（比如：模型選擇、特征選擇）的各種方法和要注意的事項（比如，避免過早優化）。
監督學習，介紹了回歸、朴素貝葉斯、神經網絡、SVM（支持向量機）、SMO（順序最小優化）算法等；無監督學習講了聚類、K-means、GMM（混合高斯模型）、EM算法 、PCA（主成分分析）、LSI（潛在語義索引）、SVD（奇異值分解）、ICA（獨立成分分析）等；強化學習主要講了這類連續決策學習（馬爾科夫決策過程，MDP）中的值迭代（VI）和策略迭代（PI），以及如何定義回報函數，如何找到最佳策略等問題。
授課方式
網上有老師的講義，可以在網易這門課的主頁面上打包下載（網址http://v.163.com/special/opencourse/machinelearning.html）。老師基本上是寫板書的，PPT是輔助。在黑板上用粉筆邊講解邊書寫，有助於帶動學生的思考，使師生之間有交流有互動。個人以為，比直接顯示PPT效果好。數學公式的推導很費時間，課堂上也不可能大多數的時間用來推導公式，所以大量的推導老師要求學生在課下看講義，或者通過習題課聽助教講解。
授課語言
因為是美國的課堂，當然的教學語言是英語。網易做的不錯，除了把老師說的話全部轉寫下來，還做了中文翻譯，前14集翻譯得不錯，除了偶有錯別字之外，專業術語翻譯的很好，語句也很流暢。第15集以后一直到最后一堂課，翻譯的不是太准確，一些專業術語都翻譯錯了，很讓觀者感到不適。但是，無論如何，還是感謝網易這些轉寫和翻譯的無名網友無私的付出。這些小的瑕疵不會讓真正熱愛這門課程的學習者放棄學習，反而想加入翻譯者的隊伍，為傳播科學知識而貢獻力量呢。
觀后感
總體感覺，老師講的不錯，是個真正懂機器學習的人。老師在課上也說過，很容易區分那些真正懂機器學習的人，和那些只會紙上談兵的人。我希望成為第一類，並為此努力着。
老師是華裔，中文名字叫吳恩達，生於倫敦，看上去很親切。課堂很活躍，老師注重和學生交流，每講完一個主題，會問學生有問題嗎，然后一一作答。
視頻大概錄制於2007年（個人推測，未經考證），內容上，與現在的機器學習技術比，稍微顯得不夠多。近年來，機器學習領域有了長足的發展，學術界和工業界齊發力，二者相互促進，達到了前所未有的高度。即便是曾經沉寂的神經網絡，近年來也改頭換面成了深度學習。不過，從專家的角度看，這不是一種新的機器學習技術，它只是涉及到其中的一個環節——特征選擇，並不構成一個獨立的學習方法。
老師沒有涉及實戰。受限於課堂講授的方式和時間上的限制，課上只能做必要知識點的講解。
數學公式比較多，似懂非懂的。如果不滿足於“知其然”，還要“知其所以然”，以后的方向是搞模型、算法研究的話，那還要補習一下數學知識，必須的。如果僅是為了解決實際問題，對算法要求不高的話，那知道如何運用就夠了。剩下的，隨着應用系統的不斷進展，對整個系統各方面要求的提高，那時會倒逼你進階的。
遺憾的是，因為沒有完全掌握，所以再回看已經看過的視頻，還是似懂非懂，但是比第一次要好很多。建議大家多看幾遍，加強練習，跟自己的項目相結合，動手實現會加深理解。“精通的目的全在於應用”（毛語），機器學習只是工具，應用到解決實際問題上才能真正體現它的價值。
跟這個課程最接近的，是加州理工學院的《機器學習與數據挖掘》（18集）（網址http://v.163.com/special/opencourse/learningfromdata.html），主講老師有口音，很重，如果沒有中文字幕的幫助，很難快速掌握。目前網易的進展是，翻譯完了前4集。
順便說一句，以后想練專業口語的話，可以多看Andrew Ng這個，跟着說，以后在國際會議上就能充分表達了。聽加州理工的這個，也能聽懂那些非英語母語國家講的英語了。不同的地方有不同的英語口音，我們還不算難聽的，應該算是好聽的，呵呵。
又及，自己心里暗想，土鱉也能“准”“海歸”一回。網絡帶來了革命，網絡也給我們這些愛學習的人帶來了真正“免費的午餐”。其實，話說回來，就像免費的搜索引擎一樣，他們收獲的是更大的名聲上的勝利，擴大了影響，傳播了美譽。像耶魯大學的一個教授的一句玩笑話，其目的是爭取“世界學術霸權”。
Andrew Ng教授的《機器學習》公開課視頻（30集）
http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning
Andrew Ng教授的Deep Learning維基，有中文翻譯
http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
其他教學資源
韓家煒教授在北大的《數據挖掘》暑期班視頻，英文PPT，中文講解（22集）
http://v.youku.com/v_show/id_XMzA3NDI5MzI=.html（視頻：01數據挖掘概念，課程簡介，數據庫技術發展史，數據挖掘應用）
韓家煒教授（UIUC大學）的《數據挖掘》在線課程
https://wiki.engr.illinois.edu/display/cs412/Home;jsessionid=6BF0A2C36A95A31D2DA754A017756F4B
卡內基•梅隆大學（CMU）的《機器學習》在線課程
http://www.cs.cmu.edu/~epxing/Class/10701/lecture.html
麻省理工學院（MIT）的《機器學習》在線課程
http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/index.htm
加州理工學院（Caltech）的《機器學習與數據挖掘》在線課程
http://work.caltech.edu/telecourse.html（同上述網易公開課http://v.163.com/special/opencourse/learningfromdata.html）
UC Irvine的《機器學習與數據挖掘》在線課程
http://sli.ics.uci.edu/Classes/2011W-178
斯坦福大學的《數據挖掘》在線課程
http://www.stanford.edu/class/stats202/
其他資源
北京機器學習讀書會
http://q.weibo.com/1644133
機器學習相關電子書
http://t.cn/zjtPuCS（打開artificial intelligence找子目錄machine learning）
附：
主講教師介紹：（新浪公開課：機器學習http://open.sina.com.cn/course/id_280/）
講師：Andrew Ng
學校：斯坦福
斯坦福大學計算機系副教授，人工智能實驗室主任，致力於人工智能、機器學習，神經信息科學以及機器人學等研究方向。他和他的學生成功開發出新的機器視覺算法，大大簡化了機器人的傳感器系統。
【原文鏈接：http://liliphd.iteye.com/blog/1929358】