機器學習課程浩如煙海。今天為大家獻上由資深學習者，通過自己的切身體驗，從眾多機器學習在線課程中精選出的5門最佳課程。除了獻上課程外，還為大家帶來了學習指南！

編程的外衣下，是一顆數學的心。機器學習就是這么一個單純又硬核的學科。

她不像數據科學，又要分析數據、又要做統計，還要溝通交流，做可視化等等。

數學！在機器學習的字典里，只有數學。而編程，好比是包裹在數學外面、用來完成各項任務的機甲。

機器學習已經這么火了，在谷歌上搜索“機器學習課程”，你能得到60700000個結果。

這么多課程，該從哪兒下手？

來自LearnDataSci的作者及編輯、Pythoner及數據科學顧問Brendan Martin，以自己多年來，親自參加各種平臺的無數機器學習課程（包括Coursera，Edx，Udemy，Udacity和DataCamp）的經驗，為大家精選出5個目前最實用、最有效的機器學習課程。

這5門課程分別是：

機器學習 - Coursera

深度學習專業化 - Coursera

使用Python進行機器學習 - Coursera

高級機器學習專業化 - Coursera

機器學習 - EdX

本文分3部分：

第一部分是最佳課程評選標準

第二部分是5門最佳課程介紹

第三部分是開始課程前的”學習指南“

本文約4000字，閱讀可能需要12分鐘。建議收藏，并分享給身邊的好友，共同進步、互相監督。

“最佳課程”評選標準

那么憑什么這5個課程就被認為是最好的？Brendan給出了評選標準：

嚴格關注機器學習

使用免費的開源編程語言，即Python，R或Octave

為這些語言使用免費的開源庫。 一些教師和提供者使用商業包，因此不考慮這些課程。

包含練習和實踐經驗的編程任務

解釋算法如何以數學方式工作

每個月左右都可以自我調節，按需或提供

有吸引力的教練和有趣的講座

從各種聚合器和論壇獲得高于平均水平的評分和評論

除了在線學習之外，讀書也是必不可少的環節。Brendan同時為大家推薦了2本對他影響最大的書：

1. 《統計學習簡介》

注意這本書是可以免費下載的，下載鏈接負載文末。

本書解釋和示例清晰直接的令人難以置信！據說讀完后，你在相互學這方面的直覺會發育的非常敏銳，很多基本機器學習技術能夠做到迎刃而解。

2. 動手學TensorFlow之Scikit-Learn篇

這本書是對前一本書很好的補充。上一本書主偏理論，這本書偏實踐，使用Python進行機器學習的應用。

配合我們上面選出來的5門課程食用，效果拔群。

好，現在讓我們開始詳細的為大家解讀這5門精選課程的設計劃重點、最突出的優勢，以及適合

機器學習 - Coursera

課程介紹：

吳恩達的機器學習課程，恐怕是很多人進入機器學習大門的引導者了。目前課程評分4.9，24005個評價。77%的學生表示通過該課程，獲得了新的工作。

本課程使用開源編程語言是Octave而不是Python或R。這一點可能會 對一部分學生在后續轉入Python時造成一定的困擾。

不過對于完全小白來說，用Octave來入手機器學習可能更適合。況且，Python也不是一門特別難上手的語言。

課程完整地解釋了理解每個算法所需的所有數學知識，包括一些微積分和線性代數。 該課程對數學基礎沒有做很嚴格的要求，不過事前懂一點，總是有先發優勢的。

課程講師：吳恩達

課程費用：免費。課程證書79美元，約530人民幣。

課程表：

單變量的線性回歸

線性代數評論

具有多個變量的線性回歸

Octave / Matlab教程

邏輯回歸

正則

神經網絡：表示

神經網絡：學習

應用機器學習的建議

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

應用示例：Photo OCR

劃重點：

全部課程持續11周。一切順利的話，4個月后你可以可以賬務機器學習的基礎知識。

之后，就可以輕松地進入更高級或專業的主題，如深度學習，ML工程或任何其他讓你更感興趣的話題。

毫無疑問，這是新手開始的最佳課程。

深度學習專業化 - Coursera

課程介紹：

同樣由吳恩達教授。相比上一個課程，這個更高階。主要是學習神經網絡和深度學習，目的是了解并掌握NN和DL如何解決實際問題。

從這門課程開始，所有的課程和作業都開始使用Python，并開始接觸TensorFlow。

如果你因為上一門課程Octave，導致對Python有一點不適應，沒干洗，多聯系幾次就好了。

課程講師：吳恩達

課程費用：免費。課程證書每個月49美元，約330人民幣。

課程表：

神經網絡與深度學習

深度學習簡介

神經網絡基礎知識

淺層神經網絡

深度神經網絡

改進神經網絡：超參數調整，正則化和優化

構建機器學習項目

卷積神經網絡

序列模型

劃重點：

本課程涉及到很多算法，所以需要對數學基礎有一定的要求。文末會有所需數學知識的指南。

使用Python進行機器學習 - Coursera

課程介紹：

這是IBM公司出品的，針對初學者的一門課程，僅關注最基本的機器學習算法。

本課程使用Python，如果你擔心吳恩達機器學習課程會對將來轉Python產生不利影響，這們課程是一個不錯的替代品。

并且能夠在瀏覽器中使用交互式Jupyter Notebook，來對剛學過的知識進行實踐，并提供了在實際數據上使用算法的具體說明。

課程講師：IBM

課程費用：免費。課程證書39美元/每月，約260人民幣。

課程表：

機器學習簡介

回歸

分類

聚類

推薦系統

最終項目

劃重點：

本課程最好的一點是為每種算法提供實用的建議。當引入新算法時，教師會向告訴工作原理、優缺點，以及應用于什么場景中。

這些信息對于新學員來說非常重要，卻在其他課程中，經常被排除外，

高級機器學習專業化 - Coursera

課程介紹：

這是一些列高級課程，內容很充實，同時對數學用的要求也較前3門課程更高。

本課程的教學非常棒，用兩個詞來形容就是：精彩，簡潔。涵蓋的大部分內容對許多機器學習項目至關重要。

課程講師：俄羅斯國家研究型高等經濟大學。

課程費用：免費。課程證書每個月49美元，約330人民幣。

課程表：

深度學習簡介

優化簡介

神經網絡簡介

深度學習圖像

無監督表示學習

Dee學習序列

最終項目

如何贏得數據科學競賽：向頂級Kagglers學習

機器學習的貝葉斯方法

實踐強化學習

計算機視覺中的深度學習

自然語言處理

通過機器學習解決大型強子對撞機挑戰

劃重點：

本課程課時較長，大約需要8到10個月。但是在這不到一年的時間里，你將學到大量的機器學習相關的知識，并能夠處理更多尖端的應用程序，創建幾個真正的項目，例如使計算機學習學會閱讀，查看和播放。

這些項目將來都會增加你簡歷的分享，并且能夠讓你的Github主業保持一個不錯的活躍度。雇主很看著這兩點！

機器學習 - EdX

課程介紹：

OK。這門課程是5門課程里，境界最高的，對數學基礎的要求也是最高的。

你需要對線性代數、微積分、概率以及編程都有一定的了解。課程作業對Python和Octave都有涉及，但并不直接教授這兩門語言，所你需要具備一定的Python或者Octave基礎。

該課程也是碩士課程中最推薦的數據科學書籍之一《Machine Learning: A Probabilistic Perspective》一個很棒的補充。

課程講師：哥倫比亞大學。

課程費用：免費。證書300美元，大約2010人民幣。

課程表：

最大似然估計，線性回歸，最小二乘法

嶺回歸，偏差方差，貝葉斯規則，最大后驗推斷

最近鄰分類，貝葉斯分類器，線性分類器，感知器

邏輯回歸，Laplace逼近，核方法，高斯過程

最大邊距，支持向量機（SVM），樹木，隨機森林，提升

聚類，K均值，EM算法，缺失數據

高斯混合，矩陣分解

非負矩陣分解，潛在因子模型，PCA和變化

馬爾可夫模型，隱馬爾可夫模型

連續狀態空間模型，關聯分析

型號選擇，后續步驟

劃重點：

如果你數學功底扎實，并希望從實際推導出某些算法的編程，那么請學習本課程。

學習指南

你需要掌握的預備知識

在開始投入上述5門課程的學習之前，你需要具備一定的數學、編程基礎。

下面列出需要用到數學、編程知識：

線性代數：《面向工程師的矩陣代數》 - Coursera

概率：《Fat Chance: Probability from the Ground Up》 - EdX

微積分：《單變量微積分》- MIT開放式課程

編程：《人人都會編程》 - Coursera

至于編程語言，當然是建議學習Python了。

你需要掌握的基本算法

線性回歸

邏輯回歸

k-Means聚類

k-最近鄰居

支持向量機（SVM）

決策樹

隨機森林

樸素貝葉斯

在基礎知識之后，一些更先進的學習技巧將是：

合奏

推進

維度降低

強化學習

神經網絡與深度學習

就像基本技術一樣，你學習的每一個新工具都應該養成一個習慣，立即將它應用到項目中，以鞏固你的理解，并在需要的時候，隨時進行復習。

從一個項目入手

這一點的重要性顯而易見，不做過多強調了。

多看最新的研究成果

因為機器學習是一個發展非常快的領域，新技術和新應用迭代速度非常快。

所以大家可以多關注新智元，我們每天都會為大家獻上最新的研究成果。通知，也歡迎大家向我們投稿、提供線索。

最后，預祝大家能夠最快速的掌握到所需知識，并成功獲得更好的工作！

免費獲取《Introduction to Statistical Learning》

http://www-bcf.usc.edu/~gareth/ISL/