親自體驗了幾十門機器學習課程後，我發現這5個最實用的

編輯

請點擊輸入圖片描述

【新智元導讀】機器學習課程浩如煙海。今天為大家獻上由資深學習者，通過自己的切身體驗，從眾多機器學習在線課程中精選出的5門最佳課程。除了獻上課程外，還為大家帶來了學習指南！

編程的外衣下，是一顆數學的心。機器學習就是這麼一個單純又硬核的學科。

她不像數據科學，又要分析數據、又要做統計，還要溝通交流，做可視化等等。

數學！在機器學習的字典里，只有數學。而編程，好比是包裹在數學外面、用來完成各項任務的機甲。

機器學習已經這麼火了，在谷歌上搜索「機器學習課程」，你能得到60700000個結果。

這麼多課程，該從哪兒下手？

來自LearnDataSci的作者及編輯、Pythoner及數據科學顧問Brendan Martin，以自己多年來，親自參加各種平台的無數機器學習課程（包括Coursera，Edx，Udemy，Udacity和DataCamp）的經驗，為大家精選出5個目前最實用、最有效的機器學習課程。

這5門課程分別是：

1. 機器學習 - Coursera
2. 深度學習專業化 - Coursera
3. 使用Python進行機器學習 - Coursera
4. 高級機器學習專業化 - Coursera
5. 機器學習 - EdX

本文分3部分：

1. 第一部分是最佳課程評選標準
2. 第二部分是5門最佳課程介紹
3. 第三部分是開始課程前的」學習指南「

本文約4000字，閱讀可能需要12分鐘。建議收藏，並分享給身邊的好友，共同進步、互相監督。

「最佳課程」評選標準

那麼憑什麼這5個課程就被認為是最好的？Brendan給出了評選標準：

• 嚴格關注機器學習
• 使用免費的開源編程語言，即Python，R或Octave
• 為這些語言使用免費的開源庫。 一些教師和提供者使用商業包，因此不考慮這些課程。
• 包含練習和實踐經驗的編程任務
• 解釋演算法如何以數學方式工作
• 每個月左右都可以自我調節，按需或提供
• 有吸引力的教練和有趣的講座
• 從各種聚合器和論壇獲得高於平均水平的評分和評論

除了在線學習之外，讀書也是必不可少的環節。Brendan同時為大家推薦了2本對他影響最大的書：

1. 《統計學習簡介》

注意這本書是可以免費下載的，下載鏈接負載文末。

本書解釋和示例清晰直接的令人難以置信！據說讀完後，你在相互學這方面的直覺會發育的非常敏銳，很多基本機器學習技術能夠做到迎刃而解。

2. 動手學TensorFlow之Scikit-Learn篇

這本書是對前一本書很好的補充。上一本書主偏理論，這本書偏實踐，使用Python進行機器學習的應用。

配合我們上面選出來的5門課程食用，效果拔群。

好，現在讓我們開始詳細的為大家解讀這5門精選課程的設計劃重點、最突出的優勢，以及適合

機器學習 - Coursera

編輯

請點擊輸入圖片描述

課程介紹：

吳恩達的機器學習課程，恐怕是很多人進入機器學習大門的引導者了。目前課程評分4.9，24005個評價。77%的學生表示通過該課程，獲得了新的工作。

本課程使用開源編程語言是Octave而不是Python或R。這一點可能會 對一部分學生在後續轉入Python時造成一定的困擾。

不過對於完全小白來說，用Octave來入手機器學習可能更適合。況且，Python也不是一門特別難上手的語言。

課程完整地解釋了理解每個演算法所需的所有數學知識，包括一些微積分和線性代數。 該課程對數學基礎沒有做很嚴格的要求，不過事前懂一點，總是有先發優勢的。

編輯

請點擊輸入圖片描述

課程講師：吳恩達

課程費用：免費。課程證書79美元，約530人民幣。

課程表：

• 單變數的線性回歸
• 線性代數評論
• 具有多個變數的線性回歸
• Octave / Matlab教程
• 邏輯回歸
• 正則
• 神經網路：表示
• 神經網路：學習
• 應用機器學習的建議
• 機器學習系統設計
• 支持向量機
• 降維
• 異常檢測
• 推薦系統
• 大規模機器學習
• 應用示例：Photo OCR

劃重點：

全部課程持續11周。一切順利的話，4個月後你可以可以賬務機器學習的基礎知識。

之後，就可以輕鬆地進入更高級或專業的主題，如深度學習，ML工程或任何其他讓你更感興趣的話題。

毫無疑問，這是新手開始的最佳課程。

深度學習專業化 - Coursera

編輯

請點擊輸入圖片描述

課程介紹：

同樣由吳恩達教授。相比上一個課程，這個更高階。主要是學習神經網路和深度學習，目的是了解並掌握NN和DL如何解決實際問題。

從這門課程開始，所有的課程和作業都開始使用Python，並開始接觸TensorFlow。

如果你因為上一門課程Octave，導致對Python有一點不適應，沒幹洗，多聯繫幾次就好了。

編輯

請點擊輸入圖片描述

課程講師：吳恩達

課程費用：免費。課程證書每個月49美元，約330人民幣。

課程表：

• 神經網路與深度學習
• 深度學習簡介
• 神經網路基礎知識
• 淺層神經網路
• 深度神經網路
• 改進神經網路：超參數調整，正則化和優化
• 構建機器學習項目
• 卷積神經網路
• 序列模型

劃重點：

本課程涉及到很多演算法，所以需要對數學基礎有一定的要求。文末會有所需數學知識的指南。

使用Python進行機器學習 - Coursera

編輯

請點擊輸入圖片描述

課程介紹：

這是IBM公司出品的，針對初學者的一門課程，僅關注最基本的機器學習演算法。

本課程使用Python，如果你擔心吳恩達機器學習課程會對將來轉Python產生不利影響，這們課程是一個不錯的替代品。

並且能夠在瀏覽器中使用互動式Jupyter Notebook，來對剛學過的知識進行實踐，並提供了在實際數據上使用演算法的具體說明。

編輯

請點擊輸入圖片描述

課程講師：IBM

課程費用：免費。課程證書39美元/每月，約260人民幣。

課程表：

• 機器學習簡介
• 回歸
• 分類
• 聚類
• 推薦系統
• 最終項目

劃重點：

本課程最好的一點是為每種演算法提供實用的建議。當引入新演算法時，教師會向告訴工作原理、優缺點，以及應用於什麼場景中。

這些信息對於新學員來說非常重要，卻在其他課程中，經常被排除外，

高級機器學習專業化 - Coursera

編輯

請點擊輸入圖片描述

課程介紹：

這是一些列高級課程，內容很充實，同時對數學用的要求也較前3門課程更高。

本課程的教學非常棒，用兩個詞來形容就是：精彩，簡潔。涵蓋的大部分內容對許多機器學習項目至關重要。

編輯

請點擊輸入圖片描述

課程講師：俄羅斯國家研究型高等經濟大學。

課程費用：免費。課程證書每個月49美元，約330人民幣。

課程表：

• 深度學習簡介
• 優化簡介
• 神經網路簡介
• 深度學習圖像
• 無監督表示學習
• Dee學習序列
• 最終項目
• 如何贏得數據科學競賽：向頂級Kagglers學習
• 機器學習的貝葉斯方法
• 實踐強化學習
• 計算機視覺中的深度學習
• 自然語言處理
• 通過機器學習解決大型強子對撞機挑戰

劃重點：

本課程課時較長，大約需要8到10個月。但是在這不到一年的時間裡，你將學到大量的機器學習相關的知識，並能夠處理更多尖端的應用程序，創建幾個真正的項目，例如使計算機學習學會閱讀，查看和播放。

這些項目將來都會增加你簡歷的分享，並且能夠讓你的Github主業保持一個不錯的活躍度。僱主很看著這兩點！

機器學習 - EdX

編輯

請點擊輸入圖片描述

課程介紹：

OK。這門課程是5門課程里，境界最高的，對數學基礎的要求也是最高的。

你需要對線性代數、微積分、概率以及編程都有一定的了解。課程作業對Python和Octave都有涉及，但並不直接教授這兩門語言，所你需要具備一定的Python或者Octave基礎。

該課程也是碩士課程中最推薦的數據科學書籍之一《Machine Learning: A Probabilistic Perspective》一個很棒的補充。

課程講師：哥倫比亞大學。

課程費用：免費。證書300美元，大約2010人民幣。

課程表：

• 最大似然估計，線性回歸，最小二乘法
• 嶺回歸，偏差方差，貝葉斯規則，最大後驗推斷
• 最近鄰分類，貝葉斯分類器，線性分類器，感知器
• 邏輯回歸，Laplace逼近，核方法，高斯過程
• 最大邊距，支持向量機（SVM），樹木，隨機森林，提升
• 聚類，K均值，EM演算法，缺失數據
• 高斯混合，矩陣分解
• 非負矩陣分解，潛在因子模型，PCA和變化
• 馬爾可夫模型，隱馬爾可夫模型
• 連續狀態空間模型，關聯分析
• 型號選擇，後續步驟

劃重點：

如果你數學功底紮實，並希望從實際推導出某些演算法的編程，那麼請學習本課程。

學習指南

編輯

請點擊輸入圖片描述

你需要掌握的預備知識

在開始投入上述5門課程的學習之前，你需要具備一定的數學、編程基礎。

下面列出需要用到數學、編程知識：

• 線性代數：《面向工程師的矩陣代數》 - Coursera
• 概率：《Fat Chance: Probability from the Ground Up》 - EdX
• 微積分：《單變數微積分》- MIT開放式課程
• 編程：《人人都會編程》 - Coursera

至於編程語言，當然是建議學習Python了。

你需要掌握的基本演算法

• 線性回歸
• 邏輯回歸
• k-Means聚類
• k-最近鄰居
• 支持向量機（SVM）
• 決策樹
• 隨機森林
• 樸素貝葉斯

在基礎知識之後，一些更先進的學習技巧將是：

• 合奏
• 推進
• 維度降低
• 強化學習
• 神經網路與深度學習

就像基本技術一樣，你學習的每一個新工具都應該養成一個習慣，立即將它應用到項目中，以鞏固你的理解，並在需要的時候，隨時進行複習。

從一個項目入手

這一點的重要性顯而易見，不做過多強調了。

多看最新的研究成果

因為機器學習是一個發展非常快的領域，新技術和新應用迭代速度非常快。

所以大家可以多關注新智元，我們每天都會為大家獻上最新的研究成果。通知，也歡迎大家向我們投稿、提供線索。

最後，預祝大家能夠最快速的掌握到所需知識，並成功獲得更好的工作！

免費獲取《Introduction to Statistical Learning》

http://www-bcf.usc.edu/~gareth/ISL/

參考鏈接：

https://www.learndatasci.com/best-machine-learning-courses/

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！