新智元报道
来源:LearnDataSci
编辑:元子
编程的外衣下,是一颗数学的心。机器学习就是这么一个单纯又硬核的学科。
她不像数据科学,又要分析数据、又要做统计,还要沟通交流,做可视化等等。
数学!在机器学习的字典里,只有数学。而编程,好比是包裹在数学外面、用来完成各项任务的机甲。
机器学习已经这么火了,在谷歌上搜索“机器学习课程”,你能得到60700000个结果。
这么多课程,该从哪儿下手?
来自LearnDataSci的作者及编辑、Pythoner及数据科学顾问Brendan Martin,以自己多年来,亲自参加各种平台的无数机器学习课程(包括Coursera,Edx,Udemy,Udacity和DataCamp)的经验,为大家精选出5个目前最实用、最有效的机器学习课程。
这5门课程分别是:
机器学习 - Coursera
深度学习专业化 - Coursera
使用Python进行机器学习 - Coursera
高级机器学习专业化 - Coursera
机器学习 - EdX
本文分3部分:
第一部分是最佳课程评选标准
第二部分是5门最佳课程介绍
第三部分是开始课程前的”学习指南“
本文约4000字,阅读可能需要12分钟。建议收藏,并分享给身边的好友,共同进步、互相监督。
那么凭什么这5个课程就被认为是最好的?Brendan给出了评选标准:
严格关注机器学习
使用免费的开源编程语言,即Python,R或Octave
为这些语言使用免费的开源库。 一些教师和提供者使用商业包,因此不考虑这些课程。
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作
每个月左右都可以自我调节,按需或提供
有吸引力的教练和有趣的讲座
从各种聚合器和论坛获得高于平均水平的评分和评论
除了在线学习之外,读书也是必不可少的环节。Brendan同时为大家推荐了2本对他影响最大的书:
1. 《统计学习简介》
注意这本书是可以免费下载的,下载链接负载文末。
本书解释和示例清晰直接的令人难以置信!据说读完后,你在相互学这方面的直觉会发育的非常敏锐,很多基本机器学习技术能够做到迎刃而解。
2. 动手学TensorFlow之Scikit-Learn篇
这本书是对前一本书很好的补充。上一本书主偏理论,这本书偏实践,使用Python进行机器学习的应用。
配合我们上面选出来的5门课程食用,效果拔群。
好,现在让我们开始详细的为大家解读这5门精选课程的设计划重点、最突出的优势,以及适合
课程介绍:
吴恩达的机器学习课程,恐怕是很多人进入机器学习大门的引导者了。目前课程评分4.9,24005个评价。77%的学生表示通过该课程,获得了新的工作。
本课程使用开源编程语言是Octave而不是Python或R。这一点可能会 对一部分学生在后续转入Python时造成一定的困扰。
不过对于完全小白来说,用Octave来入手机器学习可能更适合。况且,Python也不是一门特别难上手的语言。
课程完整地解释了理解每个算法所需的所有数学知识,包括一些微积分和线性代数。 该课程对数学基础没有做很严格的要求,不过事前懂一点,总是有先发优势的。
课程讲师:吴恩达
课程费用:免费。课程证书79美元,约530人民币。
课程表:
单变量的线性回归
线性代数评论
具有多个变量的线性回归
Octave / Matlab教程
逻辑回归
正则
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
划重点:
全部课程持续11周。一切顺利的话,4个月后你可以可以账务机器学习的基础知识。
之后,就可以轻松地进入更高级或专业的主题,如深度学习,ML工程或任何其他让你更感兴趣的话题。
毫无疑问,这是新手开始的最佳课程。
课程介绍:
同样由吴恩达教授。相比上一个课程,这个更高阶。主要是学习神经网络和深度学习,目的是了解并掌握NN和DL如何解决实际问题。
从这门课程开始,所有的课程和作业都开始使用Python,并开始接触TensorFlow。
如果你因为上一门课程Octave,导致对Python有一点不适应,没干洗,多联系几次就好了。
课程讲师:吴恩达
课程费用:免费。课程证书每个月49美元,约330人民币。
课程表:
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
改进神经网络:超参数调整,正则化和优化
构建机器学习项目
卷积神经网络
序列模型
划重点:
本课程涉及到很多算法,所以需要对数学基础有一定的要求。文末会有所需数学知识的指南。
课程介绍:
这是IBM公司出品的,针对初学者的一门课程,仅关注最基本的机器学习算法。
本课程使用Python,如果你担心吴恩达机器学习课程会对将来转Python产生不利影响,这们课程是一个不错的替代品。
并且能够在浏览器中使用交互式Jupyter Notebook,来对刚学过的知识进行实践,并提供了在实际数据上使用算法的具体说明。
课程讲师:IBM
课程费用:免费。课程证书39美元/每月,约260人民币。
课程表:
机器学习简介
回归
分类
聚类
推荐系统
最终项目
划重点:
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,教师会向告诉工作原理、优缺点,以及应用于什么场景中。
这些信息对于新学员来说非常重要,却在其他课程中,经常被排除外,
课程介绍:
这是一些列高级课程,内容很充实,同时对数学用的要求也较前3门课程更高。
本课程的教学非常棒,用两个词来形容就是:精彩,简洁。涵盖的大部分内容对许多机器学习项目至关重要。
课程讲师:俄罗斯国家研究型高等经济大学。
课程费用:免费。课程证书每个月49美元,约330人民币。
课程表:
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
最终项目
如何赢得数据科学竞赛:向顶级Kagglers学习
机器学习的贝叶斯方法
实践强化学习
计算机视觉中的深度学习
自然语言处理
通过机器学习解决大型强子对撞机挑战
划重点:
本课程课时较长,大约需要8到10个月。但是在这不到一年的时间里,你将学到大量的机器学习相关的知识,并能够处理更多尖端的应用程序,创建几个真正的项目,例如使计算机学习学会阅读,查看和播放。
这些项目将来都会增加你简历的分享,并且能够让你的Github主业保持一个不错的活跃度。雇主很看着这两点!
课程介绍:
OK。这门课程是5门课程里,境界最高的,对数学基础的要求也是最高的。
你需要对线性代数、微积分、概率以及编程都有一定的了解。课程作业对Python和Octave都有涉及,但并不直接教授这两门语言,所你需要具备一定的Python或者Octave基础。
该课程也是硕士课程中最推荐的数据科学书籍之一《Machine Learning: A Probabilistic Perspective》一个很棒的补充。
课程讲师:哥伦比亚大学。
课程费用:免费。证书300美元,大约2010人民币。
课程表:
最大似然估计,线性回归,最小二乘法
岭回归,偏差方差,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
逻辑回归,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,提升
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
型号选择,后续步骤
划重点:
如果你数学功底扎实,并希望从实际推导出某些算法的编程,那么请学习本课程。
你需要掌握的预备知识
在开始投入上述5门课程的学习之前,你需要具备一定的数学、编程基础。
下面列出需要用到数学、编程知识:
线性代数:《面向工程师的矩阵代数》 - Coursera
概率:《Fat Chance: Probability from the Ground Up》 - EdX
微积分:《单变量微积分》- MIT开放式课程
编程:《人人都会编程》 - Coursera
至于编程语言,当然是建议学习Python了。
你需要掌握的基本算法
线性回归
逻辑回归
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
在基础知识之后,一些更先进的学习技巧将是:
合奏
推进
维度降低
强化学习
神经网络与深度学习
就像基本技术一样,你学习的每一个新工具都应该养成一个习惯,立即将它应用到项目中,以巩固你的理解,并在需要的时候,随时进行复习。
从一个项目入手
这一点的重要性显而易见,不做过多强调了。
多看最新的研究成果
因为机器学习是一个发展非常快的领域,新技术和新应用迭代速度非常快。
所以大家可以多关注新智元,我们每天都会为大家献上最新的研究成果。通知,也欢迎大家向我们投稿、提供线索。
最后,预祝大家能够最快速的掌握到所需知识,并成功获得更好的工作!
免费获取《Introduction to Statistical Learning》
http://www-bcf.usc.edu/~gareth/ISL/
参考链接:
https://www.learndatasci.com/best-machine-learning-courses/
更多阅读
【加入社群】
新智元AI技术+产业社群招募中,欢迎对AI技术+产业落地感兴趣的同学,加小助手微信号:aiera2015_2 入群;通过审核后我们将邀请进群,加入社群后务必修改群备注(姓名 - 公司 - 职位;专业群审核较严,敬请谅解)