選自Medium
作者：LearnDataSci
機器之心編譯
本文作者在多年研究在線學習圖景、在不同平臺註冊大量機器學習課程後，收集了目前最好的 5 門機器學習課程。
機器學習根植於統計學，正在逐漸成為最有趣、發展最快的計算機科學領域之一。機器學習可應用到無數行業和應用中，使其更加高效和智能。
聊天機器人、垃圾郵件過濾、廣告服務、搜尋引擎和欺詐檢測，這些都是機器學習模型在日常生活中的應用實例。機器學習使我們為人類力不能及的事找到模式、創建數學模型。
與涉及探索性數據分析、統計學、通信和可視化技術的數據科學課程不同，機器學習課程主要講授機器學習算法、數學原理，以及如何使用某種程式語言寫算法。
本文介紹了 top 5 機器學習課程：
吳恩達《機器學習》課程：https://www.learndatasci.com/out/coursera-machine-learning/吳恩達《深度學習專項課程》：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/哥倫比亞大學的 Machine Learning 課程：https://www.learndatasci.com/out/edx-columbia-machine-learning/
篩選標準
本文介紹的 5 門機器學習課程遵循以下標準：
嚴格專注於機器學習領域。使用免費開源的程式語言，如 Python、R 或 Octave。使用免費開源的庫。包含編程作業和實踐。解釋算法運行的數學原理。學員可以自己調節進度，大約每月可以獲取新的課程。講師有趣、課堂有趣。在不同網站和論壇上的評分和評價高於平均值。若想儘快全面地學習機器學習，那麼學習者還應該在在線學習之外看一些相關書籍。作者推薦了以下兩本書籍，這兩本書對作者的學習帶來了很大影響。
書籍
1. An Introduction to Statistical Learning: with Applications in R
免費在線版地址：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機器學習技術的數學理解。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充，它主要涉及使用 Python 的機器學習應用。這本書搭配以下任意一門課程，可以幫助大家強化編程技能，了解如何直接將機器學習應用到項目中。
以下是本文的重頭戲：top 5 機器學習課程。
一、吳恩達《機器學習》課程
這門課適合初學者，其講師和創建者是史丹福大學教授、谷歌大腦聯合創始人、Coursera 聯合創始人吳恩達。
這門課的作業要求使用開源程式語言 Octave，而不是 Python 或 R。這對於很多人來說有些怪異，但對於新手而言，Octave 是學習機器學習基礎的簡單方式。
整體來看，這門課程的材料翔實，直接由吳恩達授課，詳細解釋了每個算法必需的所有數學知識，還涉及了一些微積分知識和線性代數知識。這門課程基本上是獨立的，不過提前了解一些線性代數知識會很有幫助。
課程提供者：吳恩達，史丹福大學費用：免費；如需課程證書，則需 79 美元
課程結構：
單變量線性回歸線性代數概要多變量線性回歸Octave/Matlab 教程Logistic 回歸正則化神經網絡：表徵神經網絡：學習使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案例：Photo OCR
該課程持續時間為 11 周。如果可以堅持上完整個課程，你將在大約四個月內對機器學習有一個較好的基本了解。
之後，你可以再學習感興趣的高階或專項課程，如深度學習、機器學習工程等。
這門課程對於新手來說無疑是最好的課程。
參考文章：資源 | 吳恩達《機器學習》筆記，哥大研究生獻上
二、吳恩達深度學習專項課程
該課程同樣是吳恩達開設的。這是一個更高級的課程系列，適用於任何對機器學習、深度學習及其原理和應用感興趣的人。
該課程共包括 5 門課，每門課的作業和授課都使用 Python 程式語言和 TensorFlow 神經網絡庫。該課程是吳恩達機器學習課程的良好後續，因為授課風格類似，而且你還可以學習使用 Python 進行機器學習。
課程提供者：吳恩達，deeplearning.ai費用：免費；如需課程證書，則 49 美元/月
課程結構：
1. 神經網絡和深度學習
深度學習簡介神經網絡的基本概念淺層神經網絡深度神經網絡
2. 改善神經網絡：調參、正則化和優化
深度學習的實踐優化算法超參數調整、批歸一化和編程框架
3. 構建機器學習項目
機器學習策略（1）機器學習策略（2）
4. 卷積神經網絡
卷積神經網絡基礎深度卷積模型：案例研究目標檢測特殊應用：人臉識別和神經風格遷移
5. 序列模型
循環神經網絡自然語言處理和詞嵌入序列模型和注意力機制
要想理解該課程中介紹的算法，你應該先熟悉線性代數和機器學習。如果你需要關於學習所需數學知識的建議，可以參閱文末的學習指南（Learning Guide）。
參考文章：
吳恩達 Deeplearning.ai 課程學習全體驗：深度學習必備課程（已獲證書）入門 | 吳恩達 Deeplearning.ai 全部課程學習心得分享資源 | 吳恩達 deeplearning.ai 五項課程完整筆記了解一下？這是一份優美的信息圖，吳恩達點讚的 deeplearning.ai 課程總結
三、用 Python 進行機器學習
這也是一個適合初學者的課程，只關注最基本的機器學習算法。講師、幻燈片動畫和對算法的解釋結合得非常好，能讓你對基本概念有直觀的了解。
該課程使用 Python，但對算法背後的數學知識講得較少。通過每個模塊，你將有機會在瀏覽器中下載一個交互式 Jupyter notebook 來實踐你學到的新概念。每個 notebook 會鞏固你的知識，並提供了在真實數據上使用算法的具體說明。
課程提供者：IBM, Cognitive Class費用：免費；如需課程證書，則 39 美元/月
課程結構：
機器學習導論回歸分類聚類推薦系統期末專題
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、優缺點以及你應該在什麼樣的情況下使用它。其它課程很少會涉及這些，但這些信息對於初學者理解更廣泛的背景很重要。
四、高階機器學習專項課程
這是關於機器學習的另一個高階課程。如果你想儘可能多地學習機器學習技術，該專項課程就是一個很好的選擇。
這門課程的教學非常好：很精彩，而且簡明扼要。由於這是一門高級課程，因此你需要更多的數學知識。如果你已經參加了一門初級課程，並且複習了線性代數和微積分，這門課將是你補充機器學習其它專業知識的很好選擇。
本課程涵蓋的大部分內容對許多機器學習項目至關重要。
課程提供者：俄羅斯國家研究型高等經濟大學（National Research University Higher School of Economics，HSE）費用：免費；如需課程證書，則 49 美元/月
課程結構：
1. 深度學習導論
優化簡介神經網絡簡介圖像深度學習無監督表徵學習序列深度學習最終項目
2. 如何在數據科學競賽中獲勝：向頂尖 kaggler 學習
介紹和回顧模型的特徵處理和生成最終項目說明探索性數據分析驗證數據洩露度量優化高級特徵工程 1超參數優化高級特徵工程 2集成競賽介紹最終項目
3. 機器學習貝葉斯方法
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化最終項目
4. 實用強化學習
簡介強化學習核心：動態編程無模型方法基於近似值的方法基於策略的方法探索
5. 計算機視覺中的深度學習
圖像處理和計算機視覺簡介視覺識別的卷積特徵目標檢測目標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註語義向量空間模型序列到序列任務對話系統
7. 用機器學習應對大型強子對撞機的挑戰
面向數據科學家的粒子物理學導論粒子鑑別在稀有衰變中探索新物理學在新 CERN 實驗中用機器學習尋找暗物質暗示檢測器優化
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習，在近一年的時間裡，你將學到大量關於機器學習以及前沿應用的知識。
在這幾個月裡，你還將創建幾個真正的項目。這些項目將極大豐富你的簡歷，讓你的 GitHub 更吸引人。
五、機器學習
這是數學基礎要求最高的一門高級課程。你的線性代數、微積分、概率、編程基礎都需要非常牢固。該課程的有趣編程作業可以使用 Python 或 Octave 完成，但不提供關於這兩種語言的課程。
該課程最大的亮點在於其涵蓋了機器學習的概率方法。如果你之前讀過《Machine Learning: A Probabilistic Perspective》等教科書，那麼這門課程將成為良好的補充。
課程提供者：哥倫比亞大學費用：免費；如需課程證書，則需 300 美元
課程結構：
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、最大後驗概率推理最近鄰分類、貝葉斯分類器、線性分類器、感知機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（SVM）、樹、隨機森林、Boosting 算法聚類、K-均值、EM 算法、缺失數據混合高斯過程、矩陣分解非負矩陣分解、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狀態空間模型、關聯分析模型選擇、未來走向
許多針對初學者的課程可能已經介紹過上述很多主題，但這個課程的數學卻是實打實的。如果你已經學過這些，想在數學上更進一步，並且想通過做編程作業推導出一些算法，那麼這個課程值得一試。
學習指南
首先介紹一下多數機器學習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：
線性代數概率微積分編程
這些是理解機器學習內在工作原理的必備知識。許多初學者課程通常要求至少有一些編程基礎，並熟悉線性代數的基礎知識，如向量、矩陣及其符號。
本文提及的第一份課程——吳恩達的《機器學習》複習了大部分所需數學知識，但如果你之前沒有學過線性代數，那麼同時學習機器學習和線性代數可能會有點困難。
如果你需要溫習數學基礎知識，請參考以下建議：
推薦學習 Python，因為多數機器學習課程用的程式語言都是 Python。即使你學的是吳恩達的《機器學習》課程（該課程用 Octave），你也應該抽時間學一下 Python，因為早晚都得用到。dataquest.io 也是一份極好的 Python 資源，其交互式瀏覽器環境中有很多免費的 Python 課程。
這些知識儲備有助於初步了解算法的工作原理。
基礎算法
以下是大家需要熟悉和練習使用的基礎算法集合：
線性回歸Logistic 回歸k-均值聚類k-最近鄰支持向量機（SVM）決策樹隨機森林樸素貝葉斯
這些算法是必須了解的，當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。
除了這些基礎算法之外，還有一些比較高級的技術需要學習：
集成Boosting降維強化學習神經網絡和深度學習
這只是開始，這些算法通常是最有趣的機器學習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充。
與基礎技術一樣，每學習一項新工具，你就要直接將其應用到項目中，以加深理解、融會貫通。
解決項目
在線學習機器學習很有難度，當然回報也很大。不過你要記住，只看講課視頻、做測驗並不能證明你真的在學習教材。如果你創建一個與課程使用數據和目標皆不同的項目，那麼你會學到更多。
在你剛開始學習機器學習基礎知識時，你就應該尋找一些有趣的數據，以便實踐新技能。上述課程將使學習者了解何時應用算法，因此在自己的項目中應用機器學習算法是一項不錯的實踐。
通過試錯、探索和反饋，你會發現如何使用不同的技術、如何衡量結果、如何分類或預測。關於 ML 項目，這裡有一份示例列表，參見：https://github.com/NirantK/awesome-project-ideas。
解決項目會幫助你更好、更高級地理解機器學習。如果你開始了解更高級的概念（如深度學習），那麼將有無數種技術和方法去理解和使用。
閱讀新研究
機器學習是一個快速發展的領域，每天都有新技術和應用出現。你掌握了機器學習基礎知識之後，可以閱讀自己感興趣的研究論文。
有一些網站可以即時獲取感興趣領域的新論文。比如谷歌學者，輸入關鍵詞「machine learning」和「twitter」，或其他感興趣的主題，點擊「Create Alert」，即可通過電子郵件獲取相關新論文通知。
養成每周閱讀提醒郵件的習慣，瀏覽論文以確定是否有閱讀的必要，然後深入理解某項研究的具體內容。如果某些研究與你正在做的項目相關，你可以看看是否可以將這些技術應用到自己的問題上。
結語
機器學習是一個非常有趣的領域，值得你去學習和體驗，希望在這裡你可以找到一個適合自己的課程。
機器學習是數據科學的一個重要組成部分，如果你對統計、可視化、數據分析等方面感興趣的話，可以參考關於頂級數據科學課程推薦的文章：https://www.learndatasci.com / best-data-science-online-courses /。
原文連結：https://medium.com/@LearnDataSci/top-5-machine-learning-courses-for-2019-8a259572686e
本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。