入門機器學習是一個循序漸進的過程，優(yōu)質(zhì)的學習資源和科學的學習路線缺一不可。在本文中，來自英偉達人工智能應用團隊的計算機科學家 Chip Huyen 不僅列出了十大優(yōu)質(zhì)的免費機器學習課程資源，還將其串成了一條高效的學習路線

 

 

Chip Huyen 是一位來自越南的作家和計算機科學家，現(xiàn)居于美國硅谷，就職于英偉達人工智能應用團隊。

 

 

Chip Huyen

她本科和碩士均就讀于斯坦福大學計算機科學專業(yè)，曾開設和講授課程《TensorFlow for Deep Learning Research》。

該課程鏈接：http://web.stanford.edu/class/cs20si/

她還曾協(xié)助推出越南第二受歡迎的網(wǎng)絡瀏覽器 Coc Coc，每月活躍用戶數(shù)量達 2000 萬以上。

她目前正在進行的一些項目包括 SOTAWHAT(查詢和總結(jié) SOTA 人工智能研究成果)、OpenSeq2Seq(利用語音識別、Text2Speech 和 NLP 進行高效實驗的工具包)以及 Free Hugs Vietnam(為越南青少年提供軟技能的非盈利項目)等。

以下是她給出的《機器學習》資源清單和路線：

1. 斯坦�！陡怕逝c統(tǒng)計(Probability and Statistics)》

鏈接：https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics

簡介：這門課程涵蓋了概率和統(tǒng)計學的基本概念，涉及機器學習的四個基本方面：探索性數(shù)據(jù)分析、生產(chǎn)數(shù)據(jù)、概率和推理。

2.MIT《線性代數(shù)(Linear Algebra)》

鏈接：https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

簡介：這門課程的授課教師為《線性代數(shù)導論》、《線性代數(shù)與數(shù)據(jù)學習》的作者 Gilbert Strang。該課程與《線性代數(shù)導論》中的理論和應用知識相輔相成，挑選了書中四個關(guān)鍵的應用：圖和網(wǎng)絡;微分方程組;最小二乘與投影;傅里葉級數(shù)和快速傅里葉變換。作者表示，這是自己見過的最好的線性代數(shù)課程。

 

 

Gilbert Strang3. 斯坦福 CS231N《用于視覺識別的卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks for Visual Recognition)》

鏈接：https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq

簡介：這門課程的特點是理論與實踐并重。課程 PPT 用了可視化的方式解釋反向傳播、損失、正則化、dropout、batchnorm 等比較難以理解的概念。

4.fastai《程序員深度學習實戰(zhàn)(Practical Deep Learning for Coders)》

鏈接：https://course.fast.ai/

簡介：這門實踐課程是面向新手的，不要求參與者擁有大學水平的數(shù)學知識，也不要求參與者有很多的數(shù)據(jù)，但需要一年的編程經(jīng)驗，還需要配備一塊 GPU。此外，該課程還有一個論壇，專門用來討論 ML 的最佳實踐。

5. 斯坦福 CS224N《深度學習自然語言處理(Natural Language Processing with Deep Learning)》

鏈接：https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_

 

 

簡介：對于對 NLP 感興趣的同學來說，這是一門不容錯過的課程，被稱為入門自然語言處理(NLP)的「標配」公開課。它和計算機視覺方面的課程 CS231n 堪稱絕配。該課程組織嚴密、教法得當、緊跟前沿研究趨勢。這門課的授課者是斯坦福 AI 實驗室負責人 Christopher Manning。

6.Coursera 上的斯坦�！稒C器學習》。

鏈接：https://www.coursera.org/learn/machine-learning

 

 

簡介：這門課授課者是吳恩達，在 Coursera 上的注冊人數(shù)已達到 244 萬。它廣泛介紹了機器學習、數(shù)據(jù)挖掘、統(tǒng)計模式識別等方面的內(nèi)容，包含監(jiān)督學習、無監(jiān)督學習、機器學習最佳實踐等主題。此外，課程中還包含大量的應用案例。

7. 斯坦�！陡怕蕡D模型專項課程(Probabilistic Graphical Models Specialization)》

鏈接：https://www.coursera.org/specializations/probabilistic-graphical-models

簡介：概率圖模型是一個豐富的框架，用于編碼復雜領域的概率分布。本課程包含三部分內(nèi)容：《概率圖模型 1：表征》、《概率圖模型 2：推理》和《概率圖模型 3：學習》。授課者為斯坦福大學工程學院講師 Daphne Koller。

8. DeepMind《強化學習入門課程(Introduction to Reinforcement Learning)》

鏈接：https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ

簡介：本課程借助于一些生動直觀的解讀和有趣易懂的示例，為學生提供了有關(guān)強化學習(RL)的全面介紹。授課者為世界頂級專家 David Silver。

9. Full Stack Deep Learning《全棧深度學習訓練營(Full Stack Deep Learning Bootcamp)》

鏈接：https://fullstackdeeplearning.com/march2019

簡介：這是為熟悉深度學習基礎的開發(fā)人員提供的實踐項目。除了學習訓練和調(diào)整模型之外，學生還可以學習到如何制定問題和預估項目成本、選擇正確框架和計算基礎結(jié)構(gòu)以及訓練中的故障排查和確保復現(xiàn)性等其他技能。

10. Coursera《如何贏得數(shù)據(jù)科學競賽：向頂尖 Kaggler 學習(How to Win a Data Science Competition: Learn from Top Kagglers)》

鏈接：https://www.coursera.org/learn/competitive-data-science

簡介：如果你想要參加競爭激烈的數(shù)據(jù)科學競賽并希望在競賽中取得好成績，本課程不失為最好的選擇。你將會學習到如何在數(shù)據(jù)科學競賽中分析和解決預測建模任務。

標簽： 機器學習 數(shù)據(jù) 蒲

版權(quán)申明：本站文章部分自網(wǎng)絡，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。