CS-GY 6923这门课程是纽约大学提供的一门在线课程，主要是帮助学生发展实用的机器学习和数据科学技能。本课程将涵盖广泛的机器学习概念和方法的理论基础，并通过编程分配实际应用于样本数据集。课程一共包含14个核心主题，下面来看看具体的内容。
一、主要学习内容
Topic 1: Introduction to the course and to machine learning
目标：能够在一个非常高的水平上，描述什么是机器学习，以及为什么它正在变得越来越普遍。
Topic 2: The Perceptron and Adaline machine learning models
目的：能够描述和实现感知器和阿达林机器学习模型。能够比较这两个模型的假设，并讨论它们的优缺点。
Topic 3：Logistic regression model, regularization. Multiclass classification
目的：能够描述和实现逻辑回归机器学习模型。能够描述正规化，确定它适用于哪些机器学习情况，并应用它。能够将二元分类模型应用于多类问题。
Topic 4：Support Vector Machines and Kernel Machines
目标：能够描述支持向量机和内核机。实现SVM和内核机器学习模型。
Topic 5：Decision Trees and Decision Tree Pruning
目标：能够描述和实现决策树机器学习模型，并确定何时修剪合适，何时适当时实现它。
Topic 6：Bayesian Learning
目的：能够描述和实现贝叶斯机器学习模型。
Topic 7：Ensemble Methods
目的：能够描述强和弱学习之间的区别。能够描述引导、梯度增强和辅助的技术。能够描述和实现随机森林机器学习模型。
Topic 8：Regression
目的：能够描述如何使用多个机器学习模型来解决回归问题和实现这些技术。
Topic 9：Clustering and Nonparametric Models Including PCA. Dimensionality Reduction
目标：能够描述和实现集群模型和非参数模型
Topic 10：Neural Networks and Backpropagation
目的：能够描述反向传播的技术。能够描述和实现基于神经网络的机器学习模型
Topic 11：Other topics in Neural Networks
目的：能够描述和实现利用卷积神经网络、递归和递归神经网络，以及隐马尔可夫模型的技术。
Topic 12：Reinforcement Learning
目的：能够描述和实施强化学习的机器学习技术
Topic 13：Generative Adversarial Networks, Ethics and Fairness in Machine Learning, and Concluding Comments
目标：能够描述生成性的对抗性网络。能够描述机器学习中的伦理和公平问题。
Topic 14：Presentation of Final Projects
二、CS-GY 6923机器学习成果
完成这门课程，你应该可以获得以下知识：
1.描述在机器学习中使用的主要模型以及它们通常应用于的问题类型。
2.比较了每个模型的假设和每个模型的优缺点。
3.确定机器学习适用于哪些问题，以及哪些模型或多个模型在每种情况下最合适。
4.将机器学习中的主要模型应用于适当的问题。
以上就是关于纽约大学机器学习这门课程的详细内容介绍，希望能帮助到各位同学。学习中有任何问题，欢迎找海师帮的专业老师咨询!