北大、清华、交大课程资源整理

也许每一个经历过大学生涯的人都会有这样的感受：他努力地收集各种课程资料，但是学完一门课程后，他会发现很多重要的内容都被遗漏了。每一代前辈总结出来的经验，往往因为无处传承而失传。

为了减少重复劳动，让我们不要孤军奋战，来自浙江大学、北京大学等国内高校的投稿人发起了课程资料民间整理项目。目前各个大学都建立了自己的网站整理课程资料，在GitHub上积累了大量的Star。

这些内容不仅仅是电子版的教材，还有历年的论文、复习资料、习题答案甚至选课策略。作者表示，希望这些晦涩难懂、不确定、口耳相传的资料和经验，能够变成开放的、容易获取的、可以分享的资料，让大家共同提高和积累。

目前，这些项目已经包含了计算机科学的大部分课程。

其实说到课程策略的分享计划，大家可能会想到浙大的开源项目，从数学、物理、计算机、化学等通用课程中引入大量的课程策略和资料。浙江大学的分享项目目前包括50个主题，部分如下所示：

浙江大学共享工程地址：https://github.com/QSCTech/zju-icicles

哪个是最好的机器学习资料？

作为最早的课程策略共享计划之一，浙大开源项目主要是“All”。但是对于机器学习学习者来说，这些资料很少深入到ML的核心课程中，仍然是比较广泛的计算机科学的资料。因此，我们主要介绍上海交通大学的课程策略，其中包含了大量的ML领域的话题。

上海交大的资源非常适合了解机器学习相关的学习内容和课题。每个课程文件下都有PPT、参考教材、作业和笔记。

项目地址：https://github.com/CoolPhilChen/SJTU-Courses

计算机

CS125编程

CS221数据结构

CS222算法的分析与设计

CS258信息论

CS385机器学习

EI331信号和系统

EI332计算机的组成

EI338计算机系统工程

EI339人工智能

SE305数据库技术

高级算法

数学

MA357数理统计

X071571优化方法

MA26035测量和概率论

学习机器学习的时候要了解上面的很多话题。无论是编程构建编程技能，优化方法构建机器“学习过程”，还是人工智能或机器学习等直接相关的话题，我们都应该有所了解。

比如CS385机器学习，作者介绍了讲师、课程主页等标准内容，还提供了教材、PPT、作业下载。也就是著名的教材《模式识别与机器学习》 (Bishop，PRML)和《机器学习》(周志华)，课程PPT涵盖了从最简单的线性模型到EM算法的九大主题。

CS385还提供了五个家庭作业，每个作业包含多个问题，但我们暂时还没有找到任何解决方案。上海交通大学的作业风格如下：

对了，机器学习这门课是大三的时候开的。有兴趣的读者可以详细看看这些资料。

当然，这个项目的其他题目也很详细，比如优化方法。除了上面提到的资源，它还提供额外的课堂笔记。下面是优化方法中手写“课堂笔记”梯度下降的收敛性分析。

此外，整个项目对学生更有帮助。通过前面的资源可以知道课程的大致内容和方向，复习的时候资料也比较多。比如信息论科目，项目还为期中考试提供了复习资料，对信息论的核心概念进行了总结。机器学习中经常使用以下信息熵概念：

其他国内课程

除了前面介绍的课程资源，边肖还找到了其他几所大学的课程资源，比如北京大学、中国科技大学、清华大学。

北大的课程资源包括专业课、公共选修课、英语课等多种不同的课程。钽

北京大学课程资源板块截图

北京大学课程资源项目地址：https://github.com/lib-pku/libpku

目前Github项目已经有约12000颗星，约3800个Fork。

这个资源包含了很多北大的期中和期末考卷。这次信息科学技术学院17-18高二B期末考试，你能做几道题？

HKUST的这个课程资源项目包含了中国科学技术大学许多课程资源的笔记、总结、经验等原创内容。

中国科学技术大学地址：https://github.com/USTC-Resource/USTC-Course

另外，从大一到大四，清华大学计算机系的课程策略项目按照学期对本校计算机系的课程资源进行了梳理。中山大学还整理了以往的论文和期末考试的复习资料等辅助内容。不管有多少课程资源，学习都是自己的。建议读者根据自己的需求学习。

最后，知识的传承是一个长期的任务，欢迎大家继续贡献！