现如今，在火爆的人工智能领域，面临的最窘迫的问题是越来越庞大的产业规模和国家每年约500万的相关人才需求的矛盾。广阔的发展前景、巨大的人才缺口和令人心动的行业薪资，让越来越多的年轻人选择了进入这一行业。然而，目前国内开设人工智能专业的高校不多，学科建设不完善，相当多的开发者是跨界入门，需要自学大量知识并在实践中摸索。面对网络讯息碎片化，培训班种类繁多、收费昂贵的局面，该如何高效学习成为了人工智能入门的首要难题。
以下，笔者盘点了学生中最受欢迎的人工智能网络课程，包括吴恩达的公司Coursera出品的在线课、斯坦福大学在线课、伯克利大学在线课等，希望能够为大家的学习提供帮助。
一、机器学习
Machine Learning
主讲人：吴恩达 Andrew Ng
发布平台：Coursera
课程链接：
https://www.coursera.org/learn/machine-learning#faqs
课程评价：在Coursera上，有近5万人给吴恩达教授这堂课打出4.9的平均分（满分5分），根据Freecodecamp统计，这门课是所有在线Machine Learning课程中最受好评的课程。这是一个机器学习打基础的入门理论课，不仅有基本概念的解释，它还十分重视联系实际和经验总结：1.课程中吴恩达老师列举了许多算法实际应用的例子；2.他提到当年他们入门AI时面临的许多问题，以及处理这些难题的经验。考虑其广泛受众，这门课程中没有涉及过多的数学知识，对统计、IT基础知识薄弱的学生也非常友好。
Learning from Data
主讲人：Yaser Abu-Mostafa
发布平台：edX，网易公开课
课程链接：
https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-2516；
http://open.163.com/special/opencourse/learningfromdata.html
课程评价：这是加州理工Yaser Abu-Mostafa教授关于机器学习的入门课，但内容并不简单。该课程强调数据，是因为机器学习与各领域的大数据处理应用（比如金融、医疗）联系十分紧密。这门课内容涵盖基础理论、算法和应用，平衡了理论与实践，既覆盖数学统计，也包含启发式的概念理解。不少人评论该课程结构就像讲故事，它有助于学习者形成对机器学习概念和模型深度、直觉性的理解。学习者公认它内容非常充实，但对作业模块的争议很大：有人认为难度偏高并且缺乏反馈，有人认为它是网上能找到的、最好的机器学习练习。
Neural Networks for Machine Learning
主讲人：Geoffrey Hinton
发布平台：Coursera
课程链接：
https://www.coursera.org/learn/neural-networks#ratings
课程评价：Geoffrey Hinton的这门课程可以作为吴恩达的机器学习课的进阶课程，难度相对来说有所提升，要求学生有微积分、Python基础，涉及许多专有名词，对初学者难度较大，需自己查找相关资料。网友认为“学习这么课对我来说真是大开眼界，而且就我所知，这门课相当接近深度学习领域最前沿的技术。这门课的习题比吴恩达的课更详细，更具挑战性，因此我最终学到了更多。”
Machine Learning
主讲人：Tom Mitchell
发布平台：CMU 官网
课程链接：
http://www.cs.cmu.edu/~tom/10701_sp11/
课程评价：这门课是学界人士的最爱，是入门课程之中较全面、高阶的一门，覆盖的话题非常广，按先后次序包括：代数和概率论，机器学习的基础工具，概率图模型，AI，神经网络，主动学习，增强学习。这门课程能帮助学习者理清机器学习的发展脉络。它适合计划进行系统性学习、投入大量时间的人。对于初学者，建议至少听完吴恩达的机器学习课程之后，再修这一门
