2019五个最棒的机器学习课程

摘要： 爱学习的朋友们，大家的福利来了！2019五个最棒的机器学习课程！！

凭借强大的统计学基础，机器学习正在成为最有趣，节奏最快的计算机科学领域之一，目前已经有无穷无尽的行业和应用正在使用机器学习使它们更高效和智能。

聊天机器人、垃圾邮件过滤、广告投放、搜索引擎和欺诈检测是机器学习模型正在实际应用于平常生活的几个例子。

机器学习究竟是什么呢？我认为机器学习是让咱们找到模式并为人类没法作的事情建立数学模型。

机器学习课程与包含探索性数据分析，统计，通讯和可视化技术等主题的数据科学课程不一样，它更侧重于教授机器学习算法，如何以数学方式工做，以及如何在编程语言中使用它们。

如下是今年五大机器学习课程的简要回顾。

最好的五个机器学习课程：

1. 机器学习-Coursera

2. 深度学习专项课程-Coursera

3. 使用Python进行机器学习-Coursera

4. 高级机器学习专项课程-Coursera

5. 机器学习-EdX

什么是一个很是好的机器学习课程？

标准：

上面的每门课程都遵循如下标准：

·       严格关注机器学习；

·       使用免费的开源编程语言，即Python，R或Octave；

·       这些开源的语言都有不少免费的开源库；

·       包含练习和实践经验的编程任务；

·       解释算法如何以数学方式工做；

·       有吸引力的讲师和有趣的讲座；

有了这个标准，不少课程都会被淘汰，为了让本身沉浸其中并尽量快速全面地学习ML，我相信除了在线学习以外，你还应该寻找各类书籍。如下是两本对个人学习经历产生重大影响的书籍。

两本优秀的书籍伴侣

除了参加下面的任何视频课程，若是你对机器学习还不熟悉，你应该考虑阅读如下书籍：

·       统计学习简介，可在线免费获取。

本书提供了使人难以置信的清晰直接的解释和示例，以提升你对许多基本机器学习技术的总体数学直觉。而去更多地是关于事物的理论方面，但它确实包含许多使用R编程语言的练习和例子。

·       使用Scikit-Learn和TensorFlow进行动手机器学习，可经过Safari订阅得到。

这是对前一本书的一个很好的补充，由于本文主要关注使用Python进行机器学习的应用。本书将强化你的编程技巧，并向你展现如何当即将机器学习应用于项目。如今，让咱们来看看课程描述和评论。

1：机器学习 - Coursera

此课程的创做者是Andrew Ng，一个斯坦福大学教授，谷歌大脑、Coursera的创始人之一。本课程使用开源编程语言Octave而不是Python或R进行教学。对于某些人来讲，这多是不太友好，但若是你是一个完整的初学者，Octave其实是一种最简单学习ML基础知识的方法。

总的来讲，课程材料很是全面，而且由Ng直观地表达，该课程完整地解释了理解每一个算法所需的全部数学，包括一些微积分解释和线性代数的复习，课程至关独立，但事先对线性代数的一些了解确定会有所帮助。

提供者：Andrew Ng，斯坦福大学

费用：免费审核，证书79美圆

课程结构：

·       单变量的线性回归

·       回顾线性代数

·       多变量的线性回归

·       Octave/Matlab教程

·       Logistic回归

·       正则化

·       神经网络：表示

·       神经网络：学习

·       应用机器学习的建议

·       机器学习系统设计

·       支持向量机

·       降维

·       异常检测

·       推荐系统

·       大规模机器学习

·       应用示例：Photo OCR

若是你能够承诺完成整个课程，你将在大约四个月内掌握机器学习的基础知识。以后，你能够轻松地进入更高级或专业的主题，如深度学习，ML工程或任何其余引发你兴趣的话题。毫无疑问，这是新手开始的最佳课程。

2：深度学习专项课程-Coursera

一样由Andrew Ng教授，这是一个更高级的课程系列，适合任何有兴趣学习神经网络和深度学习的人。每门课程的做业和讲座都使用Python编程语言，并将TensorFlow库用于神经网络。这第一个机器学习课程的很好的后续，由于你如今将接触使用Python进行机器学习。

提供者：Andrew Ng，deeplearning.ai

费用：免费审核，证书每个月49美圆

课程结构：

1. 神经网络与深度学习

·       深度学习简介

·       神经网络基础知识

·       浅层神经网络

·       深度神经网络

2.改进神经网络：超参数调整，正则化和优化

·       深度学习的实践方面

·       优化算法

·       超参数调整，批量标准化和编程框架

3.构建机器学习项目

·       ML策略（1）

·       ML策略（2）

4.卷积神经网络

·       卷积神经网络的基础

·       深度卷积模型：案例研究

·       物体检测

·       特殊应用：人脸识别和神经风格转移

5.序列模型

·       递归神经网络

·       天然语言处理和Word嵌入

·       序列模型和注意机制

为了理解本课程中介绍的算法，你应该熟悉线性代数和机器学习。若是你须要一些建议来获取所需的数学，请参阅本文末尾的学习指南。

3：使用Python进行机器学习-Coursera

这是另外一个初学者课程，这个课程仅关注最基本的机器学习算法。本课程使用Python教学，而且对数学的要求不是很高。经过每一个模块，你将有机会使用交互式Jupyter笔记原本完成你刚学过的新概念。每一个笔记本都加强了你的知识，并为你提供了在实际数据上使用算法的具体说明。

提供者：IBM

价格：免费审核，证书每个月39美圆

课程结构：

·       机器学习简介

·       回归

·       分类

·       聚类

·       推荐系统

·       项目

本课程最好的一点是为每种算法提供实用的建议。当引入新算法时，老师会向你提供它的工做原理，它的优势和缺点，以及你应该使用它的哪一种状况。这些点常常被排除在其余课程以外，这些信息对于新学员来讲很是重要。

4：高级机器学习专项课程-Coursera

这是另外一个高级系列课程，涉及了很是多的网络类型。若是你有兴趣尽量多地使用机器学习技术，这个课程很关键。本课程的教学很是棒，因为其先进性，你须要学习更多的数学。本课程涵盖的大部份内容对许多机器学习项目相当重要。

提供者：国立研究大学高等经济学院

成本：免费审核，每个月49美圆的证书

课程：

1.  深度学习简介

·       优化简介

·       神经网络简介

·       深度学习图像

·       无监督表示学习

·       Dee学习序列

·       项目

2.如何赢得数据科学竞赛：向顶级Kagglers学习

·       介绍和回顾

·       关于模型的特征处理和生成

·       最终项目描述

·       探索性数据分析

·       验证

·       数据泄漏

·       度量标准优化

·       高级特征工程-1

·       超参数优化

·       高级特征工程-2

·       Ensembling

·       项目

3.机器学习的贝叶斯方法

·       贝叶斯方法和共轭先验的介绍

·       指望最大化算法

·       变分推断和潜在Dirichlet分配（LDA）

·       马尔可夫链蒙特卡洛

·       变分自动编码器

·       高斯过程和贝叶斯优化

·       项目

4.实践强化学习

·       简介：我为何要关心？

·       RL的核心：动态编程

·       无模型方法

·       基于近似值的方法

·       基于政策的方法

·       探索

5.计算机视觉中的深度学习

·       图像处理和计算机视觉入门

·       视觉识别的卷积特征

·       物体检测

·       对象跟踪和动做识别

·       图像分割与合成

6.天然语言处理

·       简介和文本分类

·       语言建模和序列标记

·       语义的向量空间模型

·       序列到序列任务

·       对话系统

7.经过机器学习解决大型强子对撞机挑战

·       数据科学家的粒子物理入门

·       粒子识别

·       寻找稀有衰变中的新物理学

·       在新的CERN实验中用机器学习搜索暗物质提示

·       探测器优化

完成这一系列课程大约须要8到10个月，因此若是你从今天开始，在不到一年的时间里，你将学到大量的机器学习算法，并可以开始处理更多尖端的应用程序。在这几个月中，你还将建立几个真正的项目，使计算机学习如何阅读，查看和播放。这些项目将成为你投资组合的理想选择，并将使你的GitHub对任何感兴趣的雇主都很是活跃。

5：机器学习-EdX

这是一个高级课程，具备文中任何其余课程的最高数学先决条件。你须要很是牢固地掌握线性代数、微积分、几率和编程。该课程在Python或Octave中都有编程做业，但该课程不教授任何一种语言。与其余课程的不一样之处是对机器学习的几率方法的讲解。若是你有兴趣阅读教科书，例如机器学习：几率视角，这是硕士课程中最流行的数据科学书籍之一。

提供者：哥伦比亚大学

费用：免费审核，证书300美圆

课程结构：

·       最大似然估计，线性回归，最小二乘法

·       岭回归，误差方差，贝叶斯规则，最大后验推断

·       最近邻分类，贝叶斯分类器，线性分类器，感知器

·       Logistic回归，Laplace逼近，核方法，高斯过程

·       最大边距，支持向量机（SVM），树木，随机森林，提高

·       聚类，K均值，EM算法，缺失数据

·       高斯混合，矩阵分解

·       非负矩阵分解，潜在因子模型，PCA和变化

·       马尔可夫模型，隐马尔可夫模型

·       连续状态空间模型，关联分析

·       模型选择，后续步骤

课程中的许多主题都包含在针对初学者的其余课程中，但数学并未在这里淡化。若是你已经学习了这些技术，有兴趣深刻研究数学，并但愿从事实际推导出某些算法的编程做业，那么请学习本课程。

学习指南

这里是你学习机器学习之旅的快速指南，首先，咱们将介绍大多数机器学习课程的先决条件。

课程先决条件

高级的课程在开始以前须要如下知识：

·       线性代数

·       几率

·       微积分

·       程序设计

这些是可以理解机器学习如何在幕后工做的简单组件。许多初级课程一般要求至少一些编程和熟悉线性代数基础知识，例如向量，矩阵。本文的第一个课程，Andrew Ng的机器学习，包含了你须要的大部分数学的复习，可是若是你之前没有学过线性代数，那么同时学习机器学习和线性代数可能会很困难。

另外，我建议学习Python，由于大多数优秀的ML课程都使用Python。若是你学习使用Octave的Andrew Ng的机器学习课程，你应该在课程期间或以后学习Python，由于你最终须要它。另外，另外一个很棒的Python资源是dataquest.io，它在他们的交互式浏览器环境中有一堆免费的Python课程。在学习了必备必需品以后，你就能够开始真正理解算法的工做原理了。

基本算法

在机器学习中有一套基本的算法，每一个人都应该熟悉并具备使用经验。这些是：

·       线性回归

·       Logistic回归

·       k-Means聚类

·       k-最近邻居

·       支持向量机（SVM）

·       决策树

·       随机森林

·       朴素贝叶斯

这些是必需品，上面列出的课程基本上包含全部这些。在开展新项目时，了解这些技术如何工做以及什么时候使用它们将很是重要。

在基础知识以后，一些更先进的学习技巧将是：

·       集成学习

·       Boosting

·       降维

·       强化学习

·       神经网络与深度学习

这只是一个开始，但这些算法一般是你在最有趣的机器学习解决方案中看到的，它们是你工具箱的有效补充。就像基本技术同样，你学习的每个新工具都应该养成一个习惯，当即将它应用到项目中，以巩固你的理解，并在须要复习时有所回头。

解决一个项目

在线学习机器学习具备挑战性而且很是有益。重要的是要记住，只是观看视频和参加测验并不意味着你真的在学习这些材料。若是你正在进行的项目使用不一样的数据而且目标与课程自己不一样，你将学到更多。

一旦你开始学习基础知识，你应该寻找能够应用这些新技能的有趣数据。上面的课程将为你提供什么时候应用某些算法的直觉，所以当即将它们应用于你本身的项目中是一种很好的作法。

经过反复试验，探索和反馈，你将发现如未尝试不一样的技术，如何衡量结果，以及如何分类或预测。有关要采用何种ML项目的一些灵感，请参阅此示例列表。

解决项目可让你更好地理解机器学习环境，当你深刻了解深度学习等更高级的概念时，实际上可使用无限数量的技术和方法来理解和使用。

阅读新研究

机器学习是一个快速发展的领域，天天都有新的技术和应用出现。一旦你经过基础知识，你应该有能力经过一些关于你感兴趣的主题的研究论文。有几个网站能够得到符合你标准的新论文的通知。

Google学术搜索始终是一个好的开始，输入“机器学习”和“深度学习”等关键词，或者你感兴趣的任何其余内容，点击左侧的“建立提醒”连接便可收到电子邮件。

让它成为每周习惯，阅读这些警报，扫描文件，看看它们是否值得阅读，而后承诺了解正在发生的事情。若是它与你正在处理的项目有关，请查看你是否能够将这些技术应用于你本身的问题。

原文连接