本文作者在多年研究在線學(xué)習(xí)圖景、在不同平臺注冊大量機(jī)器學(xué)習(xí)課程后，收集了目前最好的 5 門機(jī)器學(xué)習(xí)課程。

 

 

機(jī)器學(xué)習(xí)根植于統(tǒng)計學(xué)，正在逐漸成為最有趣、發(fā)展最快的計算機(jī)科學(xué)領(lǐng)域之一。機(jī)器學(xué)習(xí)可應(yīng)用到無數(shù)行業(yè)和應(yīng)用中，使其更加高效和智能。

聊天機(jī)器人、垃圾郵件過濾、廣告服務(wù)、搜索引擎和欺詐檢測，這些都是機(jī)器學(xué)習(xí)模型在日常生活中的應(yīng)用實例。機(jī)器學(xué)習(xí)使我們?yōu)槿祟惲Σ荒芗暗氖抡业侥Ｊ�、�?chuàng)建數(shù)學(xué)模型。

與涉及探索性數(shù)據(jù)分析、統(tǒng)計學(xué)、通信和可視化技術(shù)的數(shù)據(jù)科學(xué)課程不同，機(jī)器學(xué)習(xí)課程主要講授機(jī)器學(xué)習(xí)算法、數(shù)學(xué)原理，以及如何使用某種編程語言寫算法。

本文介紹了 top 5 機(jī)器學(xué)習(xí)課程：

吳恩達(dá)《機(jī)器學(xué)習(xí)》課程：https://www.learndatasci.com/out/coursera-machine-learning/

吳恩達(dá)《深度學(xué)習(xí)專項課程》：https://www.learndatasci.com/out/coursera-deep-learning-specialization/

SAEED AGHABOZORGI 主講的 Machine Learning with Python 課程：https://www.learndatasci.com/out/coursera-ibm-machine-learning-python/

Advanced Machine Learning 專項課程：https://www.learndatasci.com/out/coursera-advanced-machine-learning-specialization/

哥倫比亞大學(xué)的 Machine Learning 課程：https://www.learndatasci.com/out/edx-columbia-machine-learning/

篩選標(biāo)準(zhǔn)

本文介紹的 5 門機(jī)器學(xué)習(xí)課程遵循以下標(biāo)準(zhǔn)：

嚴(yán)格專注于機(jī)器學(xué)習(xí)領(lǐng)域。

使用免費(fèi)開源的編程語言，如 Python、R 或 Octave。

使用免費(fèi)開源的庫。

包含編程作業(yè)和實踐。

解釋算法運(yùn)行的數(shù)學(xué)原理。

學(xué)員可以自己調(diào)節(jié)進(jìn)度，大約每月可以獲取新的課程。

講師有趣、課堂有趣。

在不同網(wǎng)站和論壇上的評分和評價高于平均值。

若想盡快全面地學(xué)習(xí)機(jī)器學(xué)習(xí)，那么學(xué)習(xí)者還應(yīng)該在在線學(xué)習(xí)之外看一些相關(guān)書籍。作者推薦了以下兩本書籍，這兩本書對作者的學(xué)習(xí)帶來了很大影響。

書籍

1. An Introduction to Statistical Learning: with Applications in R

免費(fèi)在線版地址：http://www-bcf.usc.edu/~gareth/ISL/

這本書具備清晰直接的解釋和示例，可以幫助讀者提升對基礎(chǔ)機(jī)器學(xué)習(xí)技術(shù)的數(shù)學(xué)理解。這本書更加偏重理論，但仍然包含一些使用 R 語言的練習(xí)和示例。

2. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems

這本書是對上一本書的良好補(bǔ)充，它主要涉及使用 Python 的機(jī)器學(xué)習(xí)應(yīng)用。這本書搭配以下任意一門課程，可以幫助大家強(qiáng)化編程技能，了解如何直接將機(jī)器學(xué)習(xí)應(yīng)用到項目中。

以下是本文的重頭戲：top 5 機(jī)器學(xué)習(xí)課程。

一、吳恩達(dá)《機(jī)器學(xué)習(xí)》課程

這門課適合初學(xué)者，其講師和創(chuàng)建者是斯坦福大學(xué)教授、谷歌大腦聯(lián)合創(chuàng)始人、Coursera 聯(lián)合創(chuàng)始人吳恩達(dá)。

這門課的作業(yè)要求使用開源編程語言 Octave，而不是 Python 或 R。這對于很多人來說有些怪異，但對于新手而言，Octave 是學(xué)習(xí)機(jī)器學(xué)習(xí)基礎(chǔ)的簡單方式。

整體來看，這門課程的材料翔實，直接由吳恩達(dá)授課，詳細(xì)解釋了每個算法必需的所有數(shù)學(xué)知識，還涉及了一些微積分知識和線性代數(shù)知識。這門課程基本上是獨(dú)立的，不過提前了解一些線性代數(shù)知識會很有幫助。

課程提供者：吳恩達(dá)，斯坦福大學(xué)

費(fèi)用：免費(fèi);如需課程證書，則需 79 美元

課程結(jié)構(gòu)：

單變量線性回歸

線性代數(shù)概要

多變量線性回歸

Octave/Matlab 教程

Logistic 回歸

正則化

神經(jīng)網(wǎng)絡(luò)：表征

神經(jīng)網(wǎng)絡(luò)：學(xué)習(xí)

使用機(jī)器學(xué)習(xí)的建議

機(jī)器學(xué)習(xí)系統(tǒng)設(shè)計

支持向量機(jī)

降維

異常檢測

推薦系統(tǒng)

大規(guī)模機(jī)器學(xué)習(xí)

應(yīng)用案例：Photo OCR

該課程持續(xù)時間為 11 周。如果可以堅持上完整個課程，你將在大約四個月內(nèi)對機(jī)器學(xué)習(xí)有一個較好的基本了解。

之后，你可以再學(xué)習(xí)感興趣的高階或?qū)ｍ椪n程，如深度學(xué)習(xí)、機(jī)器學(xué)習(xí)工程等。

這門課程對于新手來說無疑是最好的課程。

二、吳恩達(dá)深度學(xué)習(xí)專項課程

該課程同樣是吳恩達(dá)開設(shè)的。這是一個更高級的課程系列，適用于任何對機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及其原理和應(yīng)用感興趣的人。

該課程共包括 5 門課，每門課的作業(yè)和授課都使用 Python 編程語言和 TensorFlow 神經(jīng)網(wǎng)絡(luò)庫。該課程是吳恩達(dá)機(jī)器學(xué)習(xí)課程的良好后續(xù)，因為授課風(fēng)格類似，而且你還可以學(xué)習(xí)使用 Python 進(jìn)行機(jī)器學(xué)習(xí)。

課程提供者：吳恩達(dá)，deeplearning.ai

費(fèi)用：免費(fèi);如需課程證書，則 49 美元/月

課程結(jié)構(gòu)：

1. 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

深度學(xué)習(xí)簡介

神經(jīng)網(wǎng)絡(luò)的基本概念

淺層神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)

2. 改善神經(jīng)網(wǎng)絡(luò)：調(diào)參、正則化和優(yōu)化

深度學(xué)習(xí)的實踐

優(yōu)化算法

超參數(shù)調(diào)整、批歸一化和編程框架

3. 構(gòu)建機(jī)器學(xué)習(xí)項目

機(jī)器學(xué)習(xí)策略(1)

機(jī)器學(xué)習(xí)策略(2)

4. 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

深度卷積模型：案例研究

目標(biāo)檢測

特殊應(yīng)用：人臉識別和神經(jīng)風(fēng)格遷移

5. 序列模型

循環(huán)神經(jīng)網(wǎng)絡(luò)

自然語言處理和詞嵌入

序列模型和注意力機(jī)制

要想理解該課程中介紹的算法，你應(yīng)該先熟悉線性代數(shù)和機(jī)器學(xué)習(xí)。如果你需要關(guān)于學(xué)習(xí)所需數(shù)學(xué)知識的建議，可以參閱文末的學(xué)習(xí)指南(Learning Guide)。

三、用 Python 進(jìn)行機(jī)器學(xué)習(xí)

這也是一個適合初學(xué)者的課程，只關(guān)注最基本的機(jī)器學(xué)習(xí)算法。講師、幻燈片動畫和對算法的解釋結(jié)合得非常好，能讓你對基本概念有直觀的了解。

該課程使用 Python，但對算法背后的數(shù)學(xué)知識講得較少。通過每個模塊，你將有機(jī)會在瀏覽器中下載一個交互式 Jupyter notebook 來實踐你學(xué)到的新概念。每個 notebook 會鞏固你的知識，并提供了在真實數(shù)據(jù)上使用算法的具體說明。

課程提供者：IBM, Cognitive Class

費(fèi)用：免費(fèi);如需課程證書，則 39 美元/月

課程結(jié)構(gòu)：

機(jī)器學(xué)習(xí)導(dǎo)論

回歸

分類

聚類

推薦系統(tǒng)

期末專題

這門課提供的最大好處之一是為每個算法提供了實用的建議。在講授新算法時，講師會介紹它的工作原理、優(yōu)缺點(diǎn)以及你應(yīng)該在什么樣的情況下使用它。其它課程很少會涉及這些，但這些信息對于初學(xué)者理解更廣泛的背景很重要。

四、高階機(jī)器學(xué)習(xí)專項課程

這是關(guān)于機(jī)器學(xué)習(xí)的另一個高階課程。如果你想盡可能多地學(xué)習(xí)機(jī)器學(xué)習(xí)技術(shù)，該專項課程就是一個很好的選擇。

這門課程的教學(xué)非常好：很精彩，而且簡明扼要。由于這是一門高級課程，因此你需要更多的數(shù)學(xué)知識。如果你已經(jīng)參加了一門初級課程，并且復(fù)習(xí)了線性代數(shù)和微積分，這門課將是你補(bǔ)充機(jī)器學(xué)習(xí)其它專業(yè)知識的很好選擇。

本課程涵蓋的大部分內(nèi)容對許多機(jī)器學(xué)習(xí)項目至關(guān)重要。

課程提供者：俄羅斯國家研究型高等經(jīng)濟(jì)大學(xué)(National Research University Higher School of Economics，HSE)

費(fèi)用：免費(fèi);如需課程證書，則 49 美元/月

課程結(jié)構(gòu)：

1. 深度學(xué)習(xí)導(dǎo)論

優(yōu)化簡介

神經(jīng)網(wǎng)絡(luò)簡介

圖像深度學(xué)習(xí)

無監(jiān)督表征學(xué)習(xí)

序列深度學(xué)習(xí)

最終項目

2. 如何在數(shù)據(jù)科學(xué)競賽中獲勝：向頂尖 kaggler 學(xué)習(xí)

介紹和回顧

模型的特征處理和生成

最終項目說明

探索性數(shù)據(jù)分析

驗證

數(shù)據(jù)泄露

度量優(yōu)化

高級特征工程 1

超參數(shù)優(yōu)化

高級特征工程 2

集成

競賽介紹

最終項目

3. 機(jī)器學(xué)習(xí)貝葉斯方法

貝葉斯方法和共軛先驗簡介

期望最大化算法

變分推斷和隱含狄利克雷分布(LDA)

馬爾科夫鏈蒙特卡洛

變分自編碼器

高斯過程和貝葉斯優(yōu)化

最終項目

4. 實用強(qiáng)化學(xué)習(xí)

簡介

強(qiáng)化學(xué)習(xí)核心：動態(tài)編程

無模型方法

基于近似值的方法

基于策略的方法

探索

5. 計算機(jī)視覺中的深度學(xué)習(xí)

圖像處理和計算機(jī)視覺簡介

視覺識別的卷積特征

目標(biāo)檢測

目標(biāo)跟蹤和動作識別

圖像分割與合成

6. 自然語言處理

概念介紹和文本分類

語言建模和序列標(biāo)注

語義向量空間模型

序列到序列任務(wù)

對話系統(tǒng)

7. 用機(jī)器學(xué)習(xí)應(yīng)對大型強(qiáng)子對撞機(jī)的挑戰(zhàn)

面向數(shù)據(jù)科學(xué)家的粒子物理學(xué)導(dǎo)論

粒子鑒別

在稀有衰變中探索新物理學(xué)

在新 CERN 實驗中用機(jī)器學(xué)習(xí)尋找暗物質(zhì)暗示

檢測器優(yōu)化

完成該系列課程大概需要 8-10 個月的時間，所以如果你從今天開始學(xué)習(xí)，在近一年的時間里，你將學(xué)到大量關(guān)于機(jī)器學(xué)習(xí)以及前沿應(yīng)用的知識。

在這幾個月里，你還將創(chuàng)建幾個真正的項目。這些項目將極大豐富你的簡歷，讓你的 GitHub 更吸引人。

五、機(jī)器學(xué)習(xí)

這是數(shù)學(xué)基礎(chǔ)要求最高的一門高級課程。你的線性代數(shù)、微積分、概率、編程基礎(chǔ)都需要非常牢固。該課程的有趣編程作業(yè)可以使用 Python 或 Octave 完成，但不提供關(guān)于這兩種語言的課程。

該課程最大的亮點(diǎn)在于其涵蓋了機(jī)器學(xué)習(xí)的概率方法。如果你之前讀過《Machine Learning: A Probabilistic Perspective》等教科書，那么這門課程將成為良好的補(bǔ)充。

課程提供者：哥倫比亞大學(xué)

費(fèi)用：免費(fèi);如需課程證書，則需 300 美元

課程結(jié)構(gòu)：

最大似然估計、線性回歸、最小二乘法

嶺回歸、偏差-方差、貝葉斯法則、最大后驗概率推理

最近鄰分類、貝葉斯分類器、線性分類器、感知機(jī)

Logistic 回歸、拉普拉斯近似、核方法、高斯過程

最大間隔、支持向量機(jī)(SVM)、樹、隨機(jī)森林、Boosting 算法

聚類、K-均值、EM 算法、缺失數(shù)據(jù)

混合高斯過程、矩陣分解

非負(fù)矩陣分解、隱因子模型、主成分分析及其變體

馬爾科夫模型、隱馬爾科夫模型

連續(xù)狀態(tài)空間模型、關(guān)聯(lián)分析

模型選擇、未來走向

許多針對初學(xué)者的課程可能已經(jīng)介紹過上述很多主題，但這個課程的數(shù)學(xué)卻是實打?qū)嵉摹Ｈ绻�你已�?jīng)學(xué)過這些，想在數(shù)學(xué)上更進(jìn)一步，并且想通過做編程作業(yè)推導(dǎo)出一些算法，那么這個課程值得一試。

學(xué)習(xí)指南

首先介紹一下多數(shù)機(jī)器學(xué)習(xí)課程需要的知識儲備。

課程知識儲備

高階課程需要以下知識儲備：

線性代數(shù)

概率

微積分

編程

這些是理解機(jī)器學(xué)習(xí)內(nèi)在工作原理的必備知識。許多初學(xué)者課程通常要求至少有一些編程基礎(chǔ)，并熟悉線性代數(shù)的基礎(chǔ)知識，如向量、矩陣及其符號。

本文提及的第一份課程——吳恩達(dá)的《機(jī)器學(xué)習(xí)》復(fù)習(xí)了大部分所需數(shù)學(xué)知識，但如果你之前沒有學(xué)過線性代數(shù)，那么同時學(xué)習(xí)機(jī)器學(xué)習(xí)和線性代數(shù)可能會有點(diǎn)困難。

如果你需要溫習(xí)數(shù)學(xué)基礎(chǔ)知識，請參考以下建議：

推薦學(xué)習(xí) Python，因為多數(shù)機(jī)器學(xué)習(xí)課程用的編程語言都是 Python。即使你學(xué)的是吳恩達(dá)的《機(jī)器學(xué)習(xí)》課程(該課程用 Octave)，你也應(yīng)該抽時間學(xué)一下 Python，因為早晚都得用到。dataquest.io 也是一份極好的 Python 資源，其交互式瀏覽器環(huán)境中有很多免費(fèi)的 Python 課程。

這些知識儲備有助于初步了解算法的工作原理。

基礎(chǔ)算法

以下是大家需要熟悉和練習(xí)使用的基礎(chǔ)算法集合：

線性回歸

Logistic 回歸

k-均值聚類

k-最近鄰

支持向量機(jī)(SVM)

決策樹

隨機(jī)森林

樸素貝葉斯

這些算法是必須了解的，當(dāng)然還有很多其他算法。上述課程介紹了這些算法及其變體。理解這些技術(shù)的原理以及何時使用它們對處理新項目非常重要。

除了這些基礎(chǔ)算法之外，還有一些比較高級的技術(shù)需要學(xué)習(xí)：

集成

Boosting

降維

強(qiáng)化學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

這只是開始，這些算法通常是最有趣的機(jī)器學(xué)習(xí)解決方案中會使用到的，它們對你的工具箱來說也是個有效的補(bǔ)充。

與基礎(chǔ)技術(shù)一樣，每學(xué)習(xí)一項新工具，你就要直接將其應(yīng)用到項目中，以加深理解、融會貫通。

解決項目

在線學(xué)習(xí)機(jī)器學(xué)習(xí)很有難度，當(dāng)然回報也很大。不過你要記住，只看講課視頻、做測驗并不能證明你真的在學(xué)習(xí)教材。如果你創(chuàng)建一個與課程使用數(shù)據(jù)和目標(biāo)皆不同的項目，那么你會學(xué)到更多。

在你剛開始學(xué)習(xí)機(jī)器學(xué)習(xí)基礎(chǔ)知識時，你就應(yīng)該尋找一些有趣的數(shù)據(jù)，以便實踐新技能。上述課程將使學(xué)習(xí)者了解何時應(yīng)用算法，因此在自己的項目中應(yīng)用機(jī)器學(xué)習(xí)算法是一項不錯的實踐。

通過試錯、探索和反饋，你會發(fā)現(xiàn)如何使用不同的技術(shù)、如何衡量結(jié)果、如何分類或預(yù)測。關(guān)于 ML 項目，這里有一份示例列表，參見：https://github.com/NirantK/awesome-project-ideas。

解決項目會幫助你更好、更高級地理解機(jī)器學(xué)習(xí)。如果你開始了解更高級的概念(如深度學(xué)習(xí))，那么將有無數(shù)種技術(shù)和方法去理解和使用。

閱讀新研究

機(jī)器學(xué)習(xí)是一個快速發(fā)展的領(lǐng)域，每天都有新技術(shù)和應(yīng)用出現(xiàn)。你掌握了機(jī)器學(xué)習(xí)基礎(chǔ)知識之后，可以閱讀自己感興趣的研究論文。

有一些網(wǎng)站可以即時獲取感興趣領(lǐng)域的新論文。比如谷歌學(xué)者，輸入關(guān)鍵詞「machine learning」和「twitter」，或其他感興趣的主題，點(diǎn)擊「Create Alert」，即可通過電子郵件獲取相關(guān)新論文通知。

養(yǎng)成每周閱讀提醒郵件的習(xí)慣，瀏覽論文以確定是否有閱讀的必要，然后深入理解某項研究的具體內(nèi)容。如果某些研究與你正在做的項目相關(guān)，你可以看看是否可以將這些技術(shù)應(yīng)用到自己的問題上。

結(jié)語

機(jī)器學(xué)習(xí)是一個非常有趣的領(lǐng)域，值得你去學(xué)習(xí)和體驗，希望在這里你可以找到一個適合自己的課程。

機(jī)器學(xué)習(xí)是數(shù)據(jù)科學(xué)的一個重要組成部分，如果你對統(tǒng)計、可視化、數(shù)據(jù)分析等方面感興趣的話，可以參考關(guān)于頂級數(shù)據(jù)科學(xué)課程推薦的文章：https://www.learndatasci.com / best-data-science-online-courses /。

原文鏈接：https://medium.com/@LearnDataSci/top-5-machine-learning-courses-for-2019-8a259572686e

標(biāo)簽： [db:TAGG]

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(diǎn)！
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。