选机器学习课程怕踩雷?有人帮你选出了top 5优质课

栏目: 数据库 · 发布时间: 5年前

内容简介:机器学习根植于统计学,正在逐渐成为最有趣、发展最快的计算机科学领域之一。机器学习可应用到无数行业和应用中,使其更加高效和智能。聊天机器人、垃圾邮件过滤、广告服务、搜索引擎和欺诈检测,这些都是机器学习模型在日常生活中的应用实例。机器学习使我们为人类力不能及的事找到模式、创建数学模型。

选机器学习课程怕踩雷?有人帮你选出了top 5优质课

机器学习根植于统计学,正在逐渐成为最有趣、发展最快的计算机科学领域之一。机器学习可应用到无数行业和应用中,使其更加高效和智能。

聊天机器人、垃圾邮件过滤、广告服务、搜索引擎和欺诈检测,这些都是机器学习模型在日常生活中的应用实例。机器学习使我们为人类力不能及的事找到模式、创建数学模型。

与涉及探索性数据分析、统计学、通信和可视化技术的数据科学课程不同,机器学习课程主要讲授机器学习算法、数学原理,以及如何使用某种编程语言写算法。

本文介绍了 top 5机器学习课程:

  • 吴恩达《机器学习》课程:https://www.learndatasci.com/out/coursera-machine-learning/

  • 吴恩达《深度学习专项课程》:https://www.learndatasci.com/out/coursera-deep-learning-specialization/

  • SAEED AGHABOZORGI 主讲的 Machine Learning with Python 课程:https://www.learndatasci.com/out/coursera-ibm-machine-learning-python/

  • Advanced Machine Learning 专项课程:https://www.learndatasci.com/out/coursera-advanced-machine-learning-specialization/

  • 哥伦比亚大学的 Machine Learning 课程:https://www.learndatasci.com/out/edx-columbia-machine-learning/

筛选标准

本文介绍的 5 门机器学习课程遵循以下标准:

  • 严格专注于机器学习领域。

  • 使用免费开源的编程语言,如 Python 、R 或 Octave。

  • 使用免费开源的库。

  • 包含编程作业和实践。

  • 解释算法运行的数学原理。

  • 学员可以自己调节进度,大约每月可以获取新的课程。

  • 讲师有趣、课堂有趣。

  • 在不同网站和论坛上的评分和评价高于平均值。

  • 若想尽快全面地学习机器学习,那么学习者还应该在在线学习之外看一些相关书籍。作者推荐了以下两本书籍,这两本书对作者的学习带来了很大影响。

书籍

1. An Introduction to Statistical Learning: with Applications in R 

免费在线版地址:http://www-bcf.usc.edu/~gareth/ISL/

这本书具备清晰直接的解释和示例,可以帮助读者提升对基础机器学习技术的数学理解。这本书更加偏重理论,但仍然包含一些使用 R 语言的练习和示例。

2. Hands-On Machine Learning with Scikit-Learn andTensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems

这本书是对上一本书的良好补充,它主要涉及使用 Python 的机器学习应用。这本书搭配以下任意一门课程,可以帮助大家强化编程技能,了解如何直接将机器学习应用到项目中。

以下是本文的重头戏:top 5机器学习课程。

一、吴恩达《机器学习》课程

这门课适合初学者,其讲师和创建者是斯坦福大学教授、谷歌大脑联合创始人、Coursera 联合创始人吴恩达。

这门课的作业要求使用开源编程语言 Octave,而不是 Python 或 R。这对于很多人来说有些怪异,但对于新手而言,Octave 是学习机器学习基础的简单方式。

整体来看,这门课程的材料翔实,直接由吴恩达授课,详细解释了每个算法必需的所有数学知识,还涉及了一些微积分知识和线性代数知识。这门课程基本上是独立的,不过提前了解一些线性代数知识会很有帮助。

  • 课程提供者:吴恩达,斯坦福大学

  • 费用:免费;如需课程证书,则需 79 美元

课程结构:

  • 单变量 线性回归

  • 线性代数概要

  • 多变量线性回归

  • Octave/Matlab 教程

  • Logistic 回归

  • 正则化

  • 神经网络:表征

  • 神经网络:学习

  • 使用机器学习的建议

  • 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

  • 应用案例:Photo OCR

该课程持续时间为 11 周。如果可以坚持上完整个课程,你将在大约四个月内对机器学习有一个较好的基本了解。

之后,你可以再学习感兴趣的高阶或专项课程,如深度学习、机器学习工程等。

这门课程对于新手来说无疑是最好的课程。

参考文章: 资源 |吴恩达《机器学习》笔记,哥大研究生献上

二、吴恩达深度学习专项课程

该课程同样是吴恩达开设的。这是一个更高级的课程系列,适用于任何对机器学习、深度学习及其原理和应用感兴趣的人。

该课程共包括 5 门课,每门课的作业和授课都使用 Python 编程语言和TensorFlow神经网络库。该课程是吴恩达机器学习课程的良好后续,因为授课风格类似,而且你还可以学习使用 Python 进行机器学习。

  • 课程提供者:吴恩达,deeplearning.ai

  • 费用:免费;如需课程证书,则 49 美元/月

课程结构:

1.神经网络和深度学习

  • 深度学习简介

  • 神经网络的基本概念

  • 浅层神经网络

  • 深度神经网络

2. 改善神经网络:调参、正则化和优化

  • 深度学习的实践

  • 优化算法

  • 超参数调整、批归一化和编程框架

3. 构建机器学习项目

  • 机器学习策略(1)

  • 机器学习策略(2)

4. 卷积神经网络

  • 卷积神经网络基础

  • 深度卷积模型:案例研究

  • 目标检测

  • 特殊应用:人脸识别和神经风格迁移

5. 序列模型

  • 循环神经网络

  • 自然语言处理和词嵌入

  • 序列模型和注意力机制

要想理解该课程中介绍的算法,你应该先熟悉线性代数和机器学习。如果你需要关于学习所需数学知识的建议,可以参阅文末的学习指南(Learning Guide)。

参考文章:

三、用 Python 进行机器学习

这也是一个适合初学者的课程,只关注最基本的机器学习算法。讲师、幻灯片动画和对算法的解释结合得非常好,能让你对基本概念有直观的了解。

该课程使用 Python,但对算法背后的数学知识讲得较少。通过每个模块,你将有机会在浏览器中下载一个交互式Jupyternotebook 来实践你学到的新概念。每个 notebook 会巩固你的知识,并提供了在真实数据上使用算法的具体说明。

  • 课程提供者:IBM, Cognitive Class

  • 费用:免费;如需课程证书,则 39 美元/月

课程结构:

  • 机器学习导论

  • 回归

  • 分类

  • 聚类

  • 推荐系统

  • 期末专题

这门课提供的最大好处之一是为每个算法提供了实用的建议。在讲授新算法时,讲师会介绍它的工作原理、优缺点以及你应该在什么样的情况下使用它。其它课程很少会涉及这些,但这些信息对于初学者理解更广泛的背景很重要。

四、高阶机器学习专项课程

这是关于机器学习的另一个高阶课程。如果你想尽可能多地学习机器学习技术,该专项课程就是一个很好的选择。

这门课程的教学非常好:很精彩,而且简明扼要。由于这是一门高级课程,因此你需要更多的数学知识。如果你已经参加了一门初级课程,并且复习了线性代数和微积分,这门课将是你补充机器学习其它专业知识的很好选择。

本课程涵盖的大部分内容对许多机器学习项目至关重要。

  • 课程提供者:俄罗斯国家研究型高等经济大学(National Research University Higher School of Economics,HSE)

  • 费用:免费;如需课程证书,则 49 美元/月

课程结构:

1.深度学习导论

  • 优化简介

  • 神经网络简介

  • 图像深度学习

  • 无监督表征学习

  • 序列深度学习

  • 最终项目

2. 如何在数据科学竞赛中获胜:向顶尖 kaggler 学习

  • 介绍和回顾

  • 模型的特征处理和生成

  • 最终项目说明

  • 探索性数据分析

  • 验证

  • 数据泄露

  • 度量优化

  • 高级特征工程1

  • 超参数优化

  • 高级特征工程2

  • 集成

  • 竞赛介绍

  • 最终项目

3.机器学习贝叶斯方法

  • 贝叶斯方法和共轭先验简介

  • 期望最大化算法

  • 变分推断和隐含狄利克雷分布(LDA)

  • 马尔科夫链蒙特卡洛

  • 变分自编码器

  • 高斯过程和贝叶斯优化

  • 最终项目

4. 实用强化学习

  • 简介

  • 强化学习核心:动态编程

  • 无模型方法

  • 基于近似值的方法

  • 基于策略的方法

  • 探索

5.计算机视觉中的深度学习

  • 图像处理和计算机视觉简介

  • 视觉识别的卷积特征

  • 目标检测

  • 目标跟踪和动作识别

  • 图像分割与合成

6.自然语言处理

  • 概念介绍和文本分类

  • 语言建模和序列标注

  • 语义向量空间模型

  • 序列到序列任务

  • 对话系统

7. 用机器学习应对大型强子对撞机的挑战

  • 面向数据科学家的粒子物理学导论

  • 粒子鉴别

  • 在稀有衰变中探索新物理学

  • 在新 CERN 实验中用机器学习寻找暗物质暗示

  • 检测器优化

完成该系列课程大概需要 8-10 个月的时间,所以如果你从今天开始学习,在近一年的时间里,你将学到大量关于机器学习以及前沿应用的知识。

在这几个月里,你还将创建几个真正的项目。这些项目将极大丰富你的简历,让你的 GitHub 更吸引人。

五、机器学习

这是数学基础要求最高的一门高级课程。你的线性代数、微积分、概率、编程基础都需要非常牢固。该课程的有趣编程作业可以使用 Python 或 Octave 完成,但不提供关于这两种语言的课程。

该课程最大的亮点在于其涵盖了机器学习的概率方法。如果你之前读过《Machine Learning: A Probabilistic Perspective》等教科书,那么这门课程将成为良好的补充。

  • 课程提供者:哥伦比亚大学

  • 费用:免费;如需课程证书,则需 300 美元

课程结构:

  • 最大似然估计、线性回归、最小二乘法

  • 岭回归、偏差-方差、贝叶斯法则、最大后验概率推理

  • 最近邻分类、贝叶斯分类器、线性分类器、感知机

  • Logistic 回归、拉普拉斯近似、核方法、高斯过程

  • 最大间隔、支持向量机(SVM)、树、随机森林、Boosting 算法

  • 聚类、K-均值、EM 算法、缺失数据

  • 混合高斯过程、矩阵分解

  • 非负矩阵分解、隐因子模型、主成分分析及其变体

  • 马尔科夫模型、隐马尔科夫模型

  • 连续状态空间模型、关联分析

  • 模型选择、未来走向

许多针对初学者的课程可能已经介绍过上述很多主题,但这个课程的数学却是实打实的。如果你已经学过这些,想在数学上更进一步,并且想通过做编程作业推导出一些算法,那么这个课程值得一试。

学习指南

首先介绍一下多数机器学习课程需要的知识储备。

课程知识储备

高阶课程需要以下知识储备:

  • 线性代数

  • 概率

  • 微积分

  • 编程

这些是理解机器学习内在工作原理的必备知识。许多初学者课程通常要求至少有一些编程基础,并熟悉线性代数的基础知识,如向量、矩阵及其符号。

本文提及的第一份课程——吴恩达的《机器学习》复习了大部分所需数学知识,但如果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有点困难。

如果你需要温习数学基础知识,请参考以下建议:

推荐学习 Python,因为多数机器学习课程用的编程语言都是 Python。即使你学的是吴恩达的《机器学习》课程(该课程用 Octave),你也应该抽时间学一下 Python,因为早晚都得用到。dataquest.io 也是一份极好的 Python 资源,其交互式浏览器环境中有很多免费的 Python 课程。

这些知识储备有助于初步了解算法的工作原理。

基础算法

以下是大家需要熟悉和练习使用的基础算法集合:

  • 线性回归

  • Logistic 回归

  • k-均值聚类

  • k-最近邻

  • 支持向量机(SVM)

  • 决策树

  • 随机森林

  • 朴素贝叶斯

这些算法是必须了解的,当然还有很多其他算法。上述课程介绍了这些算法及其变体。理解这些技术的原理以及何时使用它们对处理新项目非常重要。

除了这些基础算法之外,还有一些比较高级的技术需要学习:

  • 集成

  • Boosting

  • 降维

  • 强化学习

  • 神经网络和深度学习

这只是开始,这些算法通常是最有趣的机器学习解决方案中会使用到的,它们对你的 工具 箱来说也是个有效的补充。

与基础技术一样,每学习一项新工具,你就要直接将其应用到项目中,以加深理解、融会贯通。

解决项目

在线学习机器学习很有难度,当然回报也很大。不过你要记住,只看讲课视频、做测验并不能证明你真的在学习教材。如果你创建一个与课程使用数据和目标皆不同的项目,那么你会学到更多。

在你刚开始学习机器学习基础知识时,你就应该寻找一些有趣的数据,以便实践新技能。上述课程将使学习者了解何时应用算法,因此在自己的项目中应用机器学习算法是一项不错的实践。

通过试错、探索和反馈,你会发现如何使用不同的技术、如何衡量结果、如何分类或预测。关于 ML 项目,这里有一份示例列表,参见:https://github.com/NirantK/awesome-project-ideas。

解决项目会帮助你更好、更高级地理解机器学习。如果你开始了解更高级的概念(如深度学习),那么将有无数种技术和方法去理解和使用。

阅读新研究

机器学习是一个快速发展的领域,每天都有新技术和应用出现。你掌握了机器学习基础知识之后,可以阅读自己感兴趣的研究论文。

有一些网站可以即时获取感兴趣领域的新论文。比如谷歌学者,输入关键词「machine learning」和「twitter」,或其他感兴趣的主题,点击「Create Alert」,即可通过电子邮件获取相关新论文通知。

养成每周阅读提醒邮件的习惯,浏览论文以确定是否有阅读的必要,然后深入理解某项研究的具体内容。如果某些研究与你正在做的项目相关,你可以看看是否可以将这些技术应用到自己的问题上。

结语

机器学习是一个非常有趣的领域,值得你去学习和体验,希望在这里你可以找到一个适合自己的课程。

机器学习是数据科学的一个重要组成部分,如果你对统计、可视化、数据分析等方面感兴趣的话,可以参考关于顶级数据科学课程推荐的文章:https://www.learndatasci.com / best-data-science-online-courses /。

原文链接:https://medium.com/@LearnDataSci/top-5-machine-learning-courses-for-2019-8a259572686e


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

算法导论(原书第2版)

算法导论(原书第2版)

[美] Thomas H.Cormen、Charles E.Leiserson、Ronald L.Rivest、Clifford Stein / 潘金贵 等 / 机械工业出版社 / 2006-9 / 85.00元

这本书深入浅出,全面地介绍了计算机算法。对每一个算法的分析既易于理解又十分有趣,并保持了数学严谨性。本书的设计目标全面,适用于多种用途。涵盖的内容有:算法在计算中的作用,概率分析和随机算法的介绍。书中专门讨论了线性规划,介绍了动态规划的两个应用,随机化和线性规划技术的近似算法等,还有有关递归求解、快速排序中用到的划分方法与期望线性时间顺序统计算法,以及对贪心算法元素的讨论。此书还介绍了对强连通子图......一起来看看 《算法导论(原书第2版)》 这本书的介绍吧!

MD5 加密
MD5 加密

MD5 加密工具

XML 在线格式化
XML 在线格式化

在线 XML 格式化压缩工具

Markdown 在线编辑器
Markdown 在线编辑器

Markdown 在线编辑器