憑借強(qiáng)大的統(tǒng)計學(xué)基礎(chǔ)，機(jī)器學(xué)習(xí)正在成為最有趣，節(jié)奏最快的計算機(jī)科學(xué)領(lǐng)域之一，目前已經(jīng)有無窮無盡的行業(yè)和應(yīng)用正在使用機(jī)器學(xué)習(xí)使它們更高效和智能。

聊天機(jī)器人、垃圾郵件過濾、廣告投放、搜索引擎和欺詐檢測是機(jī)器學(xué)習(xí)模型正在實際應(yīng)用于日常生活的幾個例子。

機(jī)器學(xué)習(xí)到底是什么呢？我認(rèn)為機(jī)器學(xué)習(xí)是讓我們找到模式并為人類無法做的事情創(chuàng)建數(shù)學(xué)模型。

機(jī)器學(xué)習(xí)課程與包含探索性數(shù)據(jù)分析，統(tǒng)計，通信和可視化技術(shù)等主題的數(shù)據(jù)科學(xué)課程不同，它更側(cè)重于教授機(jī)器學(xué)習(xí)算法，如何以數(shù)學(xué)方式工作，以及如何在編程語言中使用它們。

以下是今年五大機(jī)器學(xué)習(xí)課程的簡要回顧。

最好的五個機(jī)器學(xué)習(xí)課程：

1. 機(jī)器學(xué)習(xí)-Coursera

2. 深度學(xué)習(xí)專項課程-Coursera

3. 使用Python進(jìn)行機(jī)器學(xué)習(xí)-Coursera

4. 高級機(jī)器學(xué)習(xí)專項課程-Coursera

5. 機(jī)器學(xué)習(xí)-EdX

什么是一個非常好的機(jī)器學(xué)習(xí)課程？

標(biāo)準(zhǔn)：

上面的每門課程都遵循以下標(biāo)準(zhǔn)：

· 嚴(yán)格關(guān)注機(jī)器學(xué)習(xí)；

· 使用免費的開源編程語言，即Python，R或Octave；

· 這些開源的語言都有很多免費的開源庫；

· 包含練習(xí)和實踐經(jīng)驗的編程任務(wù)；

· 解釋算法如何以數(shù)學(xué)方式工作；

· 有吸引力的講師和有趣的講座；

有了這個標(biāo)準(zhǔn)，很多課程都會被淘汰，為了讓自己沉浸其中并盡可能快速全面地學(xué)習(xí)ML，我相信除了在線學(xué)習(xí)之外，你還應(yīng)該尋找各種書籍。以下是兩本對我的學(xué)習(xí)經(jīng)歷產(chǎn)生重大影響的書籍。

兩本優(yōu)秀的書籍伴侶

除了參加下面的任何視頻課程，如果你對機(jī)器學(xué)習(xí)還不熟悉，你應(yīng)該考慮閱讀以下書籍：

· 統(tǒng)計學(xué)習(xí)簡介，可在線免費獲取。

本書提供了令人難以置信的清晰直接的解釋和示例，以提高你對許多基本機(jī)器學(xué)習(xí)技術(shù)的整體數(shù)學(xué)直覺。而去更多地是關(guān)于事物的理論方面，但它確實包含許多使用R編程語言的練習(xí)和例子。

· 使用Scikit-Learn和TensorFlow進(jìn)行動手機(jī)器學(xué)習(xí)，可通過Safari訂閱獲得。

這是對前一本書的一個很好的補充，因為本文主要關(guān)注使用Python進(jìn)行機(jī)器學(xué)習(xí)的應(yīng)用。本書將強(qiáng)化你的編程技巧，并向你展示如何立即將機(jī)器學(xué)習(xí)應(yīng)用于項目�，F(xiàn)在，讓我們來看看課程描述和評論。

1：機(jī)器學(xué)習(xí) - Coursera

此課程的創(chuàng)作者是Andrew Ng，一個斯坦福大學(xué)教授，谷歌大腦、Coursera的創(chuàng)始人之一。本課程使用開源編程語言O(shè)ctave而不是Python或R進(jìn)行教學(xué)。對于某些人來說，這可能是不太友好，但如果你是一個完整的初學(xué)者，Octave實際上是一種最簡單學(xué)習(xí)ML基礎(chǔ)知識的方法。

總的來說，課程材料非常全面，并且由Ng直觀地表達(dá)，該課程完整地解釋了理解每個算法所需的所有數(shù)學(xué)，包括一些微積分解釋和線性代數(shù)的復(fù)習(xí)，課程相當(dāng)獨立，但事先對線性代數(shù)的一些了解肯定會有所幫助。

提供者：Andrew Ng，斯坦福大學(xué)

費用：免費審核，證書79美元

課程結(jié)構(gòu)：

· 單變量的線性回歸

· 回顧線性代數(shù)

· 多變量的線性回歸

· Octave/Matlab教程

· Logistic回歸

· 正則化

· 神經(jīng)網(wǎng)絡(luò)：表示

· 神經(jīng)網(wǎng)絡(luò)：學(xué)習(xí)

· 應(yīng)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)用示例：Photo OCR

如果你可以承諾完成整個課程，你將在大約四個月內(nèi)掌握機(jī)器學(xué)習(xí)的基礎(chǔ)知識。之后，你可以輕松地進(jìn)入更高級或?qū)�業(yè)的主題，如深度學(xué)習(xí)，ML工程或任何其他引起你興趣的話題。毫無疑問，這是新手開始的最佳課程。

2：深度學(xué)習(xí)專項課程-Coursera

同樣由Andrew Ng教授，這是一個更高級的課程系列，適合任何有興趣學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的人。每門課程的作業(yè)和講座都使用Python編程語言，并將TensorFlow庫用于神經(jīng)網(wǎng)絡(luò)。這第一個機(jī)器學(xué)習(xí)課程的很好的后續(xù)，因為你現(xiàn)在將接觸使用Python進(jìn)行機(jī)器學(xué)習(xí)。

提供者：Andrew Ng，deeplearning.ai

費用：免費審核，證書每月49美元

課程結(jié)構(gòu)：

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

· 深度學(xué)習(xí)簡介

· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識

· 淺層神經(jīng)網(wǎng)絡(luò)

· 深度神經(jīng)網(wǎng)絡(luò)

2.改進(jìn)神經(jīng)網(wǎng)絡(luò)：超參數(shù)調(diào)整，正則化和優(yōu)化

· 深度學(xué)習(xí)的實踐方面

· 優(yōu)化算法

· 超參數(shù)調(diào)整，批量標(biāo)準(zhǔn)化和編程框架

3.構(gòu)建機(jī)器學(xué)習(xí)項目

· ML策略（1）

· ML策略（2）

4.卷積神經(jīng)網(wǎng)絡(luò)

· 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)

· 深度卷積模型：案例研究

· 物體檢測

· 特殊應(yīng)用：人臉識別和神經(jīng)風(fēng)格轉(zhuǎn)移

5.序列模型

· 遞歸神經(jīng)網(wǎng)絡(luò)

· 自然語言處理和Word嵌入

· 序列模型和注意機(jī)制

為了理解本課程中介紹的算法，你應(yīng)該熟悉線性代數(shù)和機(jī)器學(xué)習(xí)。如果你需要一些建議來獲取所需的數(shù)學(xué)，請參閱本文末尾的學(xué)習(xí)指南。

3：使用Python進(jìn)行機(jī)器學(xué)習(xí)-Coursera

這是另一個初學(xué)者課程，這個課程僅關(guān)注最基本的機(jī)器學(xué)習(xí)算法。本課程使用Python教學(xué)，并且對數(shù)學(xué)的要求不是很高。通過每個模塊，你將有機(jī)會使用交互式Jupyter筆記本來完成你剛學(xué)過的新概念。每個筆記本都增強(qiáng)了你的知識，并為你提供了在實際數(shù)據(jù)上使用算法的具體說明。

提供者：IBM

價格：免費審核，證書每月39美元

課程結(jié)構(gòu)：

· 機(jī)器學(xué)習(xí)簡介

· 回歸

· 分類

· 聚類

· 推薦系統(tǒng)

· 項目

本課程最好的一點是為每種算法提供實用的建議。當(dāng)引入新算法時，老師會向你提供它的工作原理，它的優(yōu)點和缺點，以及你應(yīng)該使用它的哪種情況。這些點經(jīng)常被排除在其他課程之外，這些信息對于新學(xué)員來說非常重要。

4：高級機(jī)器學(xué)習(xí)專項課程-Coursera

這是另一個高級系列課程，涉及了非常多的網(wǎng)絡(luò)類型。如果你有興趣盡可能多地使用機(jī)器學(xué)習(xí)技術(shù)，這個課程很關(guān)鍵。本課程的教學(xué)非常棒，由于其先進(jìn)性，你需要學(xué)習(xí)更多的數(shù)學(xué)。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。

提供者：國立研究大學(xué)高等經(jīng)濟(jì)學(xué)院

成本：免費審核，每月49美元的證書

課程：

1. 深度學(xué)習(xí)簡介

· 優(yōu)化簡介

· 神經(jīng)網(wǎng)絡(luò)簡介

· 深度學(xué)習(xí)圖像

· 無監(jiān)督表示學(xué)習(xí)

· Dee學(xué)習(xí)序列

· 項目

2.如何贏得數(shù)據(jù)科學(xué)競賽：向頂級Kagglers學(xué)習(xí)

· 介紹和回顧

· 關(guān)于模型的特征處理和生成

· 最終項目描述

· 探索性數(shù)據(jù)分析

· 驗證

· 數(shù)據(jù)泄漏

· 度量標(biāo)準(zhǔn)優(yōu)化

· 高級特征工程-1

· 超參數(shù)優(yōu)化

· 高級特征工程-2

· Ensembling

· 項目

3.機(jī)器學(xué)習(xí)的貝葉斯方法

· 貝葉斯方法和共軛先驗的介紹

· 期望最大化算法

· 變分推斷和潛在Dirichlet分配（LDA）

· 馬爾可夫鏈蒙特卡洛

· 變分自動編碼器

· 高斯過程和貝葉斯優(yōu)化

· 項目

4.實踐強(qiáng)化學(xué)習(xí)

· 簡介：我為什么要關(guān)心？

· RL的核心：動態(tài)編程

· 無模型方法

· 基于近似值的方法

· 基于政策的方法

· 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)視覺入門

· 視覺識別的卷積特征

· 物體檢測

· 對象跟蹤和動作識別

· 圖像分割與合成

6.自然語言處理

· 簡介和文本分類

· 語言建模和序列標(biāo)記

· 語義的向量空間模型

· 序列到序列任務(wù)

· 對話系統(tǒng)

7.通過機(jī)器學(xué)習(xí)解決大型強(qiáng)子對撞機(jī)挑戰(zhàn)

· 數(shù)據(jù)科學(xué)家的粒子物理入門

· 粒子識別

· 尋找稀有衰變中的新物理學(xué)

· 在新的CERN實驗中用機(jī)器學(xué)習(xí)搜索暗物質(zhì)提示

· 探測器優(yōu)化

完成這一系列課程大約需要8到10個月，所以如果你從今天開始，在不到一年的時間里，你將學(xué)到大量的機(jī)器學(xué)習(xí)算法，并能夠開始處理更多尖端的應(yīng)用程序。在這幾個月中，你還將創(chuàng)建幾個真正的項目，使計算機(jī)學(xué)習(xí)如何閱讀，查看和播放。這些項目將成為你投資組合的理想選擇，并將使你的GitHub對任何感興趣的雇主都非�；钴S。

5：機(jī)器學(xué)習(xí)-EdX

這是一個高級課程，具有文中任何其他課程的最高數(shù)學(xué)先決條件。你需要非常牢固地掌握線性代數(shù)、微積分、概率和編程。該課程在Python或Octave中都有編程作業(yè)，但該課程不教授任何一種語言。與其他課程的不同之處是對機(jī)器學(xué)習(xí)的概率方法的講解。如果你有興趣閱讀教科書，例如機(jī)器學(xué)習(xí)：概率視角，這是碩士課程中最流行的數(shù)據(jù)科學(xué)書籍之一。

提供者：哥倫比亞大學(xué)

費用：免費審核，證書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，貝葉斯規(guī)則，最大后驗推斷

· 最近鄰分類，貝葉斯分類器，線性分類器，感知器

· Logistic回歸，Laplace逼近，核方法，高斯過程

· 最大邊距，支持向量機(jī)（SVM），樹木，隨機(jī)森林，提升

· 聚類，K均值，EM算法，缺失數(shù)據(jù)

· 高斯混合，矩陣分解

· 非負(fù)矩陣分解，潛在因子模型，PCA和變化

· 馬爾可夫模型，隱馬爾可夫模型

· 連續(xù)狀態(tài)空間模型，關(guān)聯(lián)分析

· 模型選擇，后續(xù)步驟

課程中的許多主題都包含在針對初學(xué)者的其他課程中，但數(shù)學(xué)并未在這里淡化。如果你已經(jīng)學(xué)習(xí)了這些技術(shù)，有興趣深入研究數(shù)學(xué)，并希望從事實際推導(dǎo)出某些算法的編程作業(yè)，那么請學(xué)習(xí)本課程。

學(xué)習(xí)指南

這里是你學(xué)習(xí)機(jī)器學(xué)習(xí)之旅的快速指南，首先，我們將介紹大多數(shù)機(jī)器學(xué)習(xí)課程的先決條件。

課程先決條件

高級的課程在開始之前需要以下知識：

· 線性代數(shù)

· 概率

· 微積分

· 程序設(shè)計

這些是能夠理解機(jī)器學(xué)習(xí)如何在幕后工作的簡單組件。許多初級課程通常要求至少一些編程和熟悉線性代數(shù)基礎(chǔ)知識，例如向量，矩陣。本文的第一個課程，Andrew Ng的機(jī)器學(xué)習(xí)，包含了你需要的大部分?jǐn)?shù)學(xué)的復(fù)習(xí)，但是如果你以前沒有學(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)可能會很困難。

另外，我建議學(xué)習(xí)Python，因為大多數(shù)優(yōu)秀的ML課程都使用Python。如果你學(xué)習(xí)使用Octave的Andrew Ng的機(jī)器學(xué)習(xí)課程，你應(yīng)該在課程期間或之后學(xué)習(xí)Python，因為你最終需要它。另外，另一個很棒的Python資源是dataquest.io，它在他們的交互式瀏覽器環(huán)境中有一堆免費的Python課程。在學(xué)習(xí)了必備必需品之后，你就可以開始真正理解算法的工作原理了。

基本算法

在機(jī)器學(xué)習(xí)中有一套基本的算法，每個人都應(yīng)該熟悉并具有使用經(jīng)驗。這些是：

· 線性回歸

· Logistic回歸

· k-Means聚類

· k-最近鄰居

· 支持向量機(jī)（SVM）

· 決策樹

· 隨機(jī)森林

· 樸素貝葉斯

這些是必需品，上面列出的課程基本上包含所有這些。在開展新項目時，了解這些技術(shù)如何工作以及何時使用它們將非常重要。

在基礎(chǔ)知識之后，一些更先進(jìn)的學(xué)習(xí)技巧將是：

· 集成學(xué)習(xí)

· Boosting

· 降維

· 強(qiáng)化學(xué)習(xí)

· 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

這只是一個開始，但這些算法通常是你在最有趣的機(jī)器學(xué)習(xí)解決方案中看到的，它們是你工具箱的有效補充。就像基本技術(shù)一樣，你學(xué)習(xí)的每一個新工具都應(yīng)該養(yǎng)成一個習(xí)慣，立即將它應(yīng)用到項目中，以鞏固你的理解，并在需要復(fù)習(xí)時有所回頭。

解決一個項目

在線學(xué)習(xí)機(jī)器學(xué)習(xí)具有挑戰(zhàn)性并且非常有益。重要的是要記住，只是觀看視頻和參加測驗并不意味著你真的在學(xué)習(xí)這些材料。如果你正在進(jìn)行的項目使用不同的數(shù)據(jù)并且目標(biāo)與課程本身不同，你將學(xué)到更多。

一旦你開始學(xué)習(xí)基礎(chǔ)知識，你應(yīng)該尋找可以應(yīng)用這些新技能的有趣數(shù)據(jù)。上面的課程將為你提供何時應(yīng)用某些算法的直覺，因此立即將它們應(yīng)用于你自己的項目中是一種很好的做法。

通過反復(fù)試驗，探索和反饋，你將發(fā)現(xiàn)如何嘗試不同的技術(shù)，如何衡量結(jié)果，以及如何分類或預(yù)測。有關(guān)要采用何種ML項目的一些靈感，請參閱此示例列表。

解決項目可以讓你更好地理解機(jī)器學(xué)習(xí)環(huán)境，當(dāng)你深入了解深度學(xué)習(xí)等更高級的概念時，實際上可以使用無限數(shù)量的技術(shù)和方法來理解和使用。

閱讀新研究

機(jī)器學(xué)習(xí)是一個快速發(fā)展的領(lǐng)域，每天都有新的技術(shù)和應(yīng)用出現(xiàn)。一旦你通過基礎(chǔ)知識，你應(yīng)該有能力通過一些關(guān)于你感興趣的主題的研究論文。有幾個網(wǎng)站可以獲得符合你標(biāo)準(zhǔn)的新論文的通知。

Google學(xué)術(shù)搜索始終是一個好的開始，輸入“機(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”等關(guān)鍵詞，或者你感興趣的任何其他內(nèi)容，點擊左側(cè)的“創(chuàng)建提醒”鏈接即可收到電子郵件。

讓它成為每周習(xí)慣，閱讀這些警報，掃描文件，看看它們是否值得閱讀，然后承諾了解正在發(fā)生的事情。如果它與你正在處理的項目有關(guān)，請查看你是否可以將這些技術(shù)應(yīng)用于你自己的問題。

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！
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。