2018.6.20-2018.7.6，Machine Learning from Stanford University，Coursera
- 入门级课程，内容循序渐进，整体难度不大。
- 介绍了很多基本算法，大多不涉及完整的数学推导，但并不影响对算法原理的描述，算法处理过程讲解很细致。
- 使用Octave来实现，题目难度不大。
- 评分4.9
2018.7.6~2018.7.9，Machine Learning and Reinforcement Learning in Finance, Coursera
- 内容围绕finance领域的ML应用，通过应用来介绍ML算法，对算法本身理论讲解非常少
- 使用Jupyter notebook(IPython)
- 需要对numpy、scikit-learn、tensorflow有一定的基础，代码作业很难
- 讲师有口音
- 评分3.4是有原因的。Week1的Quiz看上去就是讲义中题目的copy，assignment中的comment也有明显的错误。更严重的，这门课程的assignment普遍无法提交成功，并且没有mentor或TA负责解决问题
- 7.9，果断暂停了这门课。一周后收到邮件通知，终于有人修复好了提交问题，week2算是通过了。
2018.7.9，Practical Time Series Analysis，Coursera
- 为了针对性的了解学习时间序列预测分析相关的内容，转而选择了这门简短的课程，这也有助于回想起研究生时的一些项目经历
- 使用R、Jupyter notebook
- 内容比较简单，课程中应用和理论结合的比较好，时间序列基本理论都有涉及。
- 课程中的程序讲解有现成的Jupyter-notebook资源，这一点很提高学习效率
2018.7.15，Sequence Model，Coursera
- 为了应对Time series问题，我开始尝试寻找RNN的讲解。这门课week1就是介绍RNN，因此决定看一下
- 依然是Andrew Ng的课程，原理讲的很细致，作业大致做了下，对于FP和BP的过程可以有比较清晰的了解。
- 随着时间推移，我的学习思路有些转变，希望尽快接触些实际问题，因此week1之后的内容没有继续下去
2018.7.18，Tensorflow案例实战视频课程
- PT上找到的资源，默默地感谢分享的同学。
- 这一批资源整体都偏向于实战，从中我挑选了专门讲解TF的这部分，希望可以同时完成RNN的作业