秋招已進(jìn)入尾聲，互聯(lián)網(wǎng)行業(yè)也逐漸進(jìn)入冬天，很多大廠都傳來了縮招或停止招聘的訊息。但由一些崗位仍然是求賢若渴，即人工智能、大數(shù)據(jù)行業(yè)。

在近日的世界互聯(lián)網(wǎng)大會上，這兩個也是熱門話題，可以預(yù)見到，這些行業(yè)在未來的十年里都是比較熱門的�？梢哉f，誰掌握了數(shù)據(jù)和人工智能，它就掌握了未來。因此，對于那些還在猶豫是否進(jìn)入這一領(lǐng)域的人來說，在掌握一門傍身技能的同時，如果不想在之后的時代里落伍，那就趕緊補(bǔ)充這方面的技能吧。網(wǎng)上關(guān)于這方面的學(xué)習(xí)資源有很多，讓人無從下手。

本文總結(jié)了一系列免費的機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)課程，方便讀者在這個冬天及行業(yè)冬天里補(bǔ)充和提升自己。課程范圍涵蓋入門機(jī)器學(xué)習(xí)(Machine Learning)、深度學(xué)習(xí)(Deep Learning)及自然語言處理(NLP)等。

 

 

1. 計算思維和數(shù)據(jù)科學(xué)簡介|MIT

https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-0002-introduction-to-computational-thinking-and-data-science-fall-2016/

6.0002是6.0001計算機(jī)科學(xué)和Python編程簡介的延續(xù)，適用于編程經(jīng)驗很少或沒有編程經(jīng)驗的學(xué)生。它旨在讓學(xué)生了解計算在解決問題方面可以發(fā)揮的作用，并讓其對自己有所幫助。無論屬于什么專業(yè)，他們都有理由相信他們能夠編寫出一些小程序，使其能夠?qū)崿F(xiàn)一些有用的目標(biāo)。本教程使用Python3.5。

2. 機(jī)器學(xué)習(xí)|Stanford

http://cs229.stanford.edu/

本課程提供機(jī)器學(xué)習(xí)和統(tǒng)計模式識別的基礎(chǔ)介紹。主要主題包括：監(jiān)督學(xué)習(xí)(生成/判別學(xué)習(xí)、參數(shù)/非參數(shù)學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)); 無監(jiān)督學(xué)習(xí)(聚類、降維、核方法); 學(xué)習(xí)理論(偏差/方差權(quán)衡、VC理論、最大邊緣); 強(qiáng)化學(xué)習(xí)和自適應(yīng)控制。本課程還將討論機(jī)器學(xué)習(xí)的最新應(yīng)用，例如機(jī)器人控制、數(shù)據(jù)挖掘、自主導(dǎo)航、生物信息學(xué)、語音識別以及文本和網(wǎng)頁數(shù)據(jù)處理。

3. 針對編程者的機(jī)器學(xué)習(xí)簡介|fast.ai

https://course.fast.ai/ml

本課程有大約24小時學(xué)時，但如果你想完成所有的學(xué)習(xí)素材，你應(yīng)該計劃每周花大約8小時，為期12周。該課程是以舊金山大學(xué)數(shù)據(jù)科學(xué)碩士課程記錄的筆記為基礎(chǔ)。學(xué)習(xí)之前，本教程假設(shè)學(xué)習(xí)者具備至少一年的編碼經(jīng)驗，如果你沒有達(dá)到這個要求，那么需要復(fù)習(xí)一些高數(shù)中學(xué)到的知識，以及做一些額外的學(xué)習(xí)來更新掌握的知識。

4. 機(jī)器學(xué)習(xí)速成課程|Google

https://developers.google.com/machine-learning/crash-course/

準(zhǔn)備好開始實戰(zhàn)機(jī)器學(xué)習(xí)了嗎?通過速成課程的學(xué)習(xí)和應(yīng)用一些基本的機(jī)器學(xué)習(xí)概念，以及在Kaggle競賽中獲得的真實的體驗，或者訪問Google AI學(xué)習(xí)來主頁探索完整的學(xué)習(xí)資源庫來進(jìn)行機(jī)器學(xué)習(xí)實戰(zhàn)。

5. 深度學(xué)習(xí)簡介|MIT

http://introtodeeplearning.com/

本課程是一門深度學(xué)習(xí)方法入門課程，教程中涵蓋機(jī)器翻譯、圖像識別、游戲、圖像生成等應(yīng)用場景。此外，本教程也是一個TensorFlow實驗室和同行合作的課程，課程結(jié)束時可以提供一些項目建議，你回得到工作人員和行業(yè)贊助商小組的反饋。

6. 針對編程者的深度學(xué)習(xí)實戰(zhàn)(part I)|fast.ai

https://course.fast.ai/

歡迎閱讀2018年版fast.ai的為期7周的課程，深度學(xué)習(xí)實戰(zhàn)第1部分。該教程是由Enlitic的創(chuàng)始人杰里米·霍華德(Jeremy Howard)講授。學(xué)習(xí)如何在不需要研究生水平數(shù)學(xué)知識的情況下建立最先進(jìn)的模型，同時也不會疏忽任何事情，并且該學(xué)習(xí)社區(qū)有成千上萬的其他學(xué)習(xí)者，在整個學(xué)習(xí)過程中，如果你有任何學(xué)習(xí)的問題需要幫助時，請前往forums.fast.ai，相信你的小伙伴們能夠給予及時且準(zhǔn)確的回答。請注意，本課程還有第二部分：針對編程者的深度學(xué)習(xí)實戰(zhàn)(part II)。

7. 自然語言處理 |Yandex

https://github.com/yandexdataschool/nlp_course

 

 

該課程為期七周，分別講述詞嵌入、文本分類、語言模型、注意機(jī)制、最大期望以及機(jī)器翻譯。

8. 從語言到信息|Stanford

https://web.stanford.edu/class/cs124/

在線世界以語言和社交網(wǎng)絡(luò)的形式提供大量非結(jié)構(gòu)化信息。本課程將教你學(xué)習(xí)如何理解它以及如何通過語言與人類互動，互動的形式不局限于回答，還包括提供建議等。

9. 實用強(qiáng)化學(xué)習(xí)|Yandex

https://github.com/yandexdataschool/Practical_RL

出于好奇心：對于未詳細(xì)介紹的所有材料，可以鏈接到更多相關(guān)信息和材料(D.Silver / Sutton / blogs / whatever)。如果你想深入挖掘，完成作業(yè)將將會有部分獎勵。

出于實用性：解決強(qiáng)化學(xué)習(xí)問題所必需的知識都是值得一提。本課程不會避免涉及技巧和啟發(fā)式。對于每個主要的想法，都應(yīng)該有一次試驗，通過實踐讓你在實際問題上“感受”它。

10. 針對編程者的計算線性代數(shù)| fast.ai

https://github.com/fastai/numerical-linear-algebra/blob/master/README.md

本課程的重點是以下問題：如何以可接受的速度和可接受的準(zhǔn)確度進(jìn)行矩陣計算?

本課程于2017年夏季在舊金山大學(xué)的分析科學(xué)碩士課程中講授。本課程使用Jupyter筆記本進(jìn)行Python教學(xué)，使用Scikit-Learn和Numpy等大多數(shù)擴(kuò)展庫，以及Numba(將Python編譯為C以獲得更快性能的庫)和PyTorch(GPU替代Numpy)。

作者：Matthew Mayo，機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)

文章原標(biāo)題《10 Free Must-See Courses for Machine Learning and Data Science》，譯者：海棠，審校：Uncle_LLD。

標(biāo)簽： Google 大數(shù)據(jù) 大數(shù)據(jù)行業(yè) 互聯(lián)網(wǎng) 互聯(lián)網(wǎng)行業(yè) 世界互聯(lián)網(wǎng) 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。