课程概述
李宏毅的机器学习课程以生动例子拆解复杂算法，帮助中文初学者从零起步。2021年春季台湾大学公开课从基本概念到深度学习，提供完整路径，历时四个多月。新浪财经2021年3月6日报道课程更新，视频和PPT上传主页，覆盖过拟合和动量等关键问题。他的讲解像日常聊天，抓住要点，让机器学习易触及。
深度学习基础
课程核心是机器学习用数据训练模型预测，深度学习通过多层神经网络模拟大脑。第一堂课用日常生活场景如猫狗图片分类引入，避免分心。基础是梯度下降：最小化损失函数L(θ) = (y - f(x;θ))^2，更新θ = θ - η * ∂L/∂θ，η为学习率。第二堂课解释网络停滞原因，如鞍点或局部最小值，基于实际经验避免盲目调试。
实践步骤：复现神经网络
上手实践复现简单神经网络，用Python和PyTorch在Google Colab实现MNIST分类器，2026年3月运行只需10分钟，准确率超85%。
在Colab新笔记本运行!pip install torch torchvision。然后import torch; import torch.nn as nn; import torchvision.transforms as transforms; from torchvision.datasets import MNIST。定义transform = transforms.Compose([transforms.ToTensor()]); train_dataset = MNIST(root='./data', train=True, transform=transform, download=True); train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=100, shuffle=True)。
class Net(nn.Module): def __init__(self): super(Net, self).__init__(); self.fc1 = nn.Linear(28*28, 500); self.fc2 = nn.Linear(500, 10); def forward(self, x): x = x.view(-1, 28*28); x = torch.relu(self.fc1(x)); x = self.fc2(x); return x。
model = Net(); criterion = nn.CrossEntropyLoss(); optimizer = torch.optim.SGD(model.parameters(), lr=0.01); for epoch in range(5): for images, labels in train_loader: outputs = model(images); loss = criterion(outputs, labels); optimizer.zero_grad(); loss.backward(); optimizer.step()。注意批次大小别超硬件，损失不降调lr到0.001。
# 示例训练循环
for epoch in range(5):
for images, labels in train_loader:
outputs = model(images)
loss = criterion(outputs, labels)
optimizer.zero_grad()
loss.backward()
optimizer.step()
强化学习部分
课程延伸到强化学习，李宏毅讲解出色，2020年11月25日开源《LeeDeepRL-Notes》项目由Datawhale整理，历时四个月实现100%复现，包括PPO和DQN。用Atari游戏举例Q-learning：Q(s,a) = r + γ max Q(s',a')，γ折扣因子。演员-评论员算法生动，避免数学枯燥。
策略梯度实践
策略梯度优化π(a|s)，梯度∇J(θ) ≈ E[∇logπ(a|s;θ) * A(s,a)]。用PyTorch定义网络，采样轨迹计算回报G_t，更新θ += α ∇logπ * (G_t - b)。
课程对比
李宏毅课程更适合中文母语者快速入门，对比吴恩达Coursera：吴恩达2011年起流行，全英文强调数学，节奏慢；李宏毅用台湾普通话，PPT可视化，2021年新增Transformer，幽默适合碎片学习。豆瓣2025年2月27日讨论显示，李宏毅深度学习部分更易懂，项目完成率高30%。
| 方面 | 李宏毅课程 | 吴恩达课程 |
|---|---|---|
| 语言 | 中文（台湾普通话） | 英文 |
| 风格 | 互动讲座，幽默生动 | 系统教材，严谨数学 |
| 时长/节奏 | 四个多月，碎片友好 | 慢节奏，需自律 |
| 更新 | 2021 Transformer等 | 广覆盖基础 |
| 证书 | 纯开源免费 | 可选付费49美元 |
局限与建议
课程偏应用，数学推导不全面，如RNN只基础，到2026年大模型覆盖不足。假设编程经验，零基础易卡壳；Colab免费版有时限。建议结合Python基础教程先补课，用Colab Pro每月9.99美元跑强化学习如CartPole PPO，奖励从200升到500。
A: 它用中文生动例子平衡理论实践，适合初学者快速上手，避免英文课程的抽象推导，2021春季课覆盖完整路径。
A: 打开新笔记本安装PyTorch，加载MNIST数据集定义简单网络，运行5个epoch训练，注意学习率0.01，10分钟达85%准确率。
A: 李宏毅更适合，幽默互动讲座碎片时间学，项目上手快；吴恩达需三月深挖数学，适合有时间者。
A: 需要Python基础和监督学习知识，用Gym环境如CartPole实践PPO，Colab免费GPU够小项目，但大模型需Pro版。
A: 偏应用数学不全，2026年大模型覆盖不足，但基础如梯度下降和动量适用于Stable Diffusion，建议补NeurIPS论文。
行动起来：访问NTU机器学习资源，从2021春季第一堂视频开始，结合GitHub笔记跑项目。