机器学习课程资料
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
intro2ml.com是黎巴嫩贝鲁特美国大学（AUB）2025年秋季学期《Introduction to Machine Learning（机器学习入门）》课程的官方公开网站，是该校面向符合先修要求学生开设的正规学分课展示平台，由Joseph Bakarji教授主导，配备4名教学助理提供日常答疑支持，网站会随学期进度持续更新通知与教学材料。
课程兼顾理论深度与实操能力，核心主题覆盖机器学习全链路基础：从数据分析可视化（matplotlib、pandas、numpy工具栈）、线性/逻辑回归等经典统计学习方法，到SVM、朴素贝叶斯等生成与核方法，再到全连接、卷积、循环神经网络等深度学习内容，同时包含PCA、K-means等无监督学习方法，强化学习基础，Transformers、大语言模型等前沿基础模型内容，还专门设置了AI bias、公平性与负责任使用的伦理模块。
实践环节要求学生使用Python实现机器学习算法并解决真实问题，课程形式为每周2节75分钟讲座，配套随堂编程实验；支撑资源包含斯坦福CS229讲义、《统计学习要素》《概率机器学习导论》两本免费开源经典教材、公开数据集等，同时提供完整的课程日程、作业指南、政策说明查询功能。
课程考核体系明确：7-9次编程作业占25%，课堂与实验参与度占5%，概念小测占5%，期中占10%，期末占15%，小组机器学习项目占比最高达40%。学术诚信政策要求作业独立完成，概念理解可协作讨论；作业逾期每天扣10%，每人可累计使用5天紧急延期额度（项目除外）， documented紧急情况可申请额外延期。
优势方面，课程体系覆盖从基础到前沿的全链路内容，兼顾理论与实践，参考资料多为免费公开资源，降低了学习门槛，40%的项目占比侧重培养落地能力，灵活的延期政策也更贴合学生实际情况。不足之处在于，该课程仅面向AUB校内注册学生开放选课，未对外开放录播或非注册用户的完整学习权限，且中期考试日期、部分课程安排为暂定，可能存在调整。
该课程适合具备线性代数、微积分、概率统计基础，且有Python编程经验的本科生或研究生系统入门机器学习。经测试，intro2ml.com在中国境内可直接访问，无需代理。
本测评基于公开资料整理,不构成购买建议,请以 intro2ml.com 官网实际信息为准。
公开课程资料完整，适合自学机器学习。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。