收藏不看系列？2019年实用性超强的五大机器学习课程
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。它可以应用于无穷无尽的行业，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如何支撑日常生活的几个例子，机器学习是让我们找到模式并为人类无法做的事情创建数学模型的原因。
与包含探索性数据分析，统计，通信和可视化技术等主题的数据科学课程不同，机器学习课程侧重于仅教授机器学习算法，它们如何以数学方式工作，以及如何在编程语言中使用它们。
今天学术君给大家推荐实用性超强的五个机器学习课程：
＃1 机器学习 - Coursera
（课程网址：https://medium.com/@LearnDataSci/top-5-machine-learning-courses-for-2019-8a259572686e）
＃2 深度学习专业化 - Coursera
（课程网址：https://www.learndatasci.com/out/coursera-deep-learning-specialization/）
＃3 使用Python进行机器学习 - Coursera
（课程网址：https://www.learndatasci.com/out/coursera-ibm-machine-learning-python/）
＃4 高级机器学习专业化 - Coursera
（课程网址：https://www.learndatasci.com/out/coursera-advanced-machine-learning-specialization/）
＃5 机器学习 - EdX
（课程网址：https://www.learndatasci.com/out/edx-columbia-machine-learning/）
列表中的每门课程都遵循以下标准：
严格关注机器学习
使用免费的开源编程语言，即Python，R或Octave
为这些语言使用免费的开源库
包含练习和实践经验的编程任务
解释算法，如何以数学方式工作
每个月左右都可以自我调节
有吸引力的老师和有趣的讲座
在各种论坛获得高于平均水平的评分和评论
为了让自己沉浸其中并尽可能快速全面地学习ML，我相信除了在线学习之外，你还应该寻找各种书籍。以下是两本对我的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，如果您对机器学习还不熟悉，您应该考虑阅读以下书籍：
1.《Springer Texts in Statistics》——《统计学习简介》
后台回复“统计学”可直接获取
本书提供了令人难以置信的清晰直接的解释和示例，以提高您对许多基本机器学习技术的整体数学直觉。本书更多的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。
2.《hands-on machine learning with scikit-learn and tensorflow》
Github上有中文译版：https://github.com/apachecn/hands-on-ml-zh
这是对前一本书一个很好的补充，因为本文主要关注使用Python进行机器学习的应用。与以下任何课程一起，本书将强化您的编程技巧，并向您展示如何立即将机器学习应用于项目。
现在，让我们来看看课程描述和评论。
＃1 机器学习 - Coursera
此课程的老师和创作者的是Andrew Ng，斯坦福大学教授，谷歌脑，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进行分配。如果你是一个完整的初学者，Octave实际上是一种学习ML基础知识的简单方法。
总的来说，课程材料非常全面，并且由Ng直观地表达。完整地解释了理解每个算法所需的所有数学，包括一些微积分解释和线性代数的复习。该课程相当独立，但事先对线性代数的一些了解肯定会有所帮助。
课程结构：
1.单变量的线性回归
2.线性代数评论
3.具有多个变量的线性回归
4.Octave / Matlab教程
5.Logistic回归
6.正则
7.神经网络：表示
8.神经网络：学习
9.应用机器学习的建议
10.机器学习系统设计
11.支持向量机
12.降维
13.异常检测
14.推荐系统
15.大规模机器学习
16.应用示例：Photo OCR
所有这些内容需学习十一周左右，如果您完成了整个课程，您将在大约四个月内掌握机器学习的基础知识。
之后，您可以轻松地进入更高级或专业的主题，如深度学习、ML工程或任何其他引起您兴趣的话题。
毫无疑问，这是以新手开始的最佳课程。
＃2 深度学习专业化 - Coursera
该课程的老师依旧是Andrew Ng教授，它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，以及帮助他们解决许多问题。
每门课程的作业和讲座都使用Python编程语言，并将TensorFlow库用于神经网络。这自然是Ng的机器学习课程一个很好的后续，因为你会收到类似的讲座风格，但现在将先使用Python进行机器学习。
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
自然语言处理和Word嵌入
序列模型和注意机制
＃3 使用Python进行机器学习 - Coursera
另一个初学者课程，这个课程仅关注最基本的机器学习算法。教师、幻灯片动画和算法说明非常合适初学者，让您对基础知识有一种直观的感觉。
本课程使用Python，并且在算法背后的数学上稍微简单一些。通过每个模块，您将有机会在浏览器中使用交互式Jupyter笔记本电脑来检验您刚学过的新概念。每个笔记本都增强了您的知识，并为您提供了在实际数据上使用算法的具体说明。
课程结构：
1.机器学习简介
2.回归
3.分类
4.聚类
5.推荐系统
6.最终项目
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，教师会向您提供它的工作原理、优点和缺点，以及您应该使用它的哪种情况。这些点经常被排除在其他课程之外，这些信息对于新学员来说非常重要。
＃4 高级机器学习专业化 - Coursera
这是另一个高级系列课程，投入了非常广泛的网络。如果您有兴趣尽可能多地使用机器学习技术，这个专业化是平衡和广泛的在线课程的关键。
本课程的教学非常棒：非常精彩，简洁。由于其先进性，您需要比目前列出的任何其他课程更多的数学知识。如果您已经参加了初学者课程并学习了线性代数和微积分，那么这是填补其余机器学习专业知识的不错选择。
本专业化涵盖的大部分内容对许多机器学习项目至关重要。
完成这一系列课程大约需要8到10个月，所以如果你从今天开始，在不到一年的时间里，你将学到大量的机器学习，并能够开始处理更多尖端的应用程序。
＃5 机器学习 - EdX
这是一个高级课程，具有该列表中任何其他课程的最高数学先决条件。你需要非常牢固地掌握线性代数，微积分，概率和编程。该课程在Python或Octave中都有有趣的编程作业，但该课程不教授任何一种语言。
如果您有兴趣阅读教科书，例如《Machine Learning ：A Probabilistic Perspective》→《机器学习：概率视角》 ，这是硕士课程中推荐较多的数据科学书籍之一 ，这门课程将是一个很棒的补充。