5个目前最实用、最有效的机器学习课程

机器学习课程浩如烟海。今天为大家献上由资深学习者，通过自己的切身体验，从众多机器学习在线课程中精选出的5门最佳课程。除了献上课程外，还为大家带来了学习指南！

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。

“最佳课程”评选标准

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

机器学习 - Coursera

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。

深度学习专业化 - Coursera

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。

使用Python进行机器学习 - Coursera

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，

高级机器学习专业化 - Coursera

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！

机器学习 - EdX

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。

学习指南

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/