Meta科学家发布2025年机器学习课程大纲：强调基础理论，避开LLM内容

近期，Meta公司的首席AI科学家、图灵奖获得者Yann LeCun转发了他的同事Kyung-Hyun Cho在纽约大学发布的关于2025学年机器学习研究生课程的教学大纲与讲义。这个课程的设计引发了广泛关注，因为它聚焦于核心机器学习算法，特别是以随机梯度下降（SGD）为主体，特意避开了当前热门的大型语言模型（LLM）内容。这一选择在深受LLM影响的教育环境中显得尤为突出。

教学理念：基础优先

Cho的教学大纲强调了基础理论的重要性。在一片追捧LLM的氛围中，这种课程设计似乎有些逆潮流而行，然而如果放眼其他高校的机器学习课程，尤其是研究生阶段的课程，依然会发现基础理论和经典模型占据着主要地位。例如，斯坦福大学的CS229课程，就是一门经典的机器学习基础课程，系统性地讲授了包括线性回归、逻辑回归、支持向量机（SVM）、神经网络、聚类和降维等一系列的基本模型与方法。而MIT的6.790课程则从概率建模和统计推理的角度深入阐释机器学习，强调理论与实践之间的密切联系。

Cho在其课程中引用了Sutton的一句名言，强调通用可扩展的方法（例如以SGD为核心）比具体架构在长远发展中更为重要。这种观点不仅基于机器学习理论的演进脉络，也契合了教育界对于基础知识的普遍共识：打下扎实的基础对于学生的长远发展至关重要。

实践与理论的平衡

虽然强调理论基础是必要的，但也不能忽视现代技术需求的现实。在某些情况下，单纯追求理论深度可能会让学生错失学习实用技能的机会。例如，许多学生进校园的初衷往往是为能够掌握可直接应用于工作的技能，而非一味地沉浸于繁杂的理论推导之中。对此，不少大学已开始探索如何在理论学习与实践技能之间找到平衡。例如，斯坦福大学除了理论课CS229之外，还设立了CS329S《机器学习系统设计》实践课，旨在教导学生如何构建可实际部署的机器学习系统。同时，CMU的机器学习博士生课程中也包括了一门实践课程，要求学生通过独立项目搭建和部署完整的机器学习系统。清华大学等国内高校也在逐渐重视开设与行业实践相结合的课程。

基础的重要性与可持续发展

在迅速变化的技术背景下，基础知识的积累和更新成为了能否保持竞争力的关键。正如吴恩达在他的文章中提到的，扎实且及时更新的基础知识是成为高产机器学习工程师的基石。随着技术潮流从卷积神经网络（CNN）走向Transformer，再到当前的LLM与多模态系统，理解底层理论的重要性愈发显著。

对于未来的技术变革，学生不能仅仅依赖追逐热门话题，而需扎实掌握基本的优化方法、表示学习等核心概念。只有深入理解“为什么要这样设计”以及“背后的假设是什么”，在面对新技术和新问题时，才能有效避免迷茫，快速适应并创新。

教育并非单纯为了“找工作”，而是为培养学生独立分析、判断和创造的能力。科研工作不仅需要技术能力，更需要扎实的数学工具和严谨的逻辑训练。深厚的基础不仅是科研与技术创新的起点，更是学生在快速变化的技术环境中跨越发展周期的“护城河”。

Cho的课程框架展示了对机器学习的深度理解，涵盖了基础概念与现代技术，并提供了详细的学习资源与引导。对于希望在此领域深耕的学生而言，熟练掌握高层次的理论与实践技能，才能在未来的职业生涯中游刃有余。在变化莫测的技术世界中，扎实的基础与科学的思维将是学生不断攀登高峰的重要保障。

对于感兴趣的读者，不妨参考Cho的讲义和教学大纲，深入了解课程的详细结构与内容，全面提升自己的机器学习能力。