亲自体验了几十门机器学习课程后，我发现这5个最实用的
编辑
请点击输入图片描述
【新智元导读】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
编辑
请点击输入图片描述
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。
编辑
请点击输入图片描述
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
编辑
请点击输入图片描述
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。
编辑
请点击输入图片描述
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
编辑
请点击输入图片描述
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。
编辑
请点击输入图片描述
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
编辑
请点击输入图片描述
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。
编辑
请点击输入图片描述
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
编辑
请点击输入图片描述
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
编辑
请点击输入图片描述
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/