NYU教授公布2025机器学习课程大纲：所有人都在追LLM，高校为何死磕基础理论？

主要观点总结

本文报道了Meta公司首席AI科学家LeCun转发的关于教授Kyunghyun Cho的机器学习教学大纲和讲义。课程内容聚焦于基础机器学习算法，鼓励学生深入研读经典论文，理解机器学习的理论发展脉络。同时，文章探讨了教育界对基础教学的重视以及理论与实践之间的平衡问题。

关键观点总结

关键观点1: LeCun转发的机器学习教学大纲和讲义

该大纲和讲义是Kyunghyun Cho教授在New York大学的教学资源，内容聚焦于以随机梯度下降（SGD）为核心的基础机器学习算法，鼓励学生深入研读领域经典论文。

关键观点2: 高校机器学习课程的普遍特点

高校研究生机器学习课程普遍以基础理论和经典模型为核心，如斯坦福的CS229和MIT的6.790课程。最新的大型语言模型（LLM）内容多在专门选修课中出现。

关键观点3: 教育界对基础教学的重视

教育界认为基础教学有助于学生长远发展，强调通用可扩展方法（如以SGD为核心）比具体架构更重要。教授Cho在讲义中引用了Sutton的“苦涩教训”，并强调通过经典方法和论文让学生理解知识的源头与演进脉络。

关键观点4: 理论与实践的平衡问题

大学培养机制强调基础、原理和科研能力，而实际工作环境需要快速响应、工程落地和产品迭代能力。为此，不少大学正在探索解决方案，如开设“桥接”课程或实践项目，以弥补科研与工程能力的脱节。

关键观点5: 课程讲义的内容概览

课程讲义涵盖了机器学习的基础概念和现代技术，包括能量函数、基本分类思想、神经网络的基本构建块、概率机器学习和无监督学习等。此外，还提到了经典论文，如关于强化学习、对比散度算法、变分自编码器和元学习的论文。