机器学习修炼手册：从倔强青铜到最强王者
即将开播：5月14日，Jenkins在K8S下的三种部署流程和实战演示
本文转载自公众号“读芯术”(ID：AI_Discovery)
居家隔离期间只顾着玩游戏刷剧真的不会坐立不安吗?与其心神不安打Boss，不如来面对机器学习这个大BOSS。笔者整理的这套课程从入门到高级，快来提升你的段位吧!
提示：Coursera的大部分课程和专业都有审核的选项。用户不会获得证明，但可以访问本课程的大部分资源，这就已经足够了。在报名时，只需选择审核课程的选项即可。
Coursera将提供免费试用，就在“开始免费试用”按钮后面，可以发现一行小字，上面写着“审核课程”。这个技巧很难发现，但也很实用，笔者已经仔细检查了推荐的所有课程，它们应该都是免费的。
A. 倔强青铜
1. 机器学习
使用平台：Coursera
参与机构：斯坦福
所需时间：54小时
事先要求：没有任何要求，但对微积分特别是线性代数有一些理解会更好，可以最大限度帮助理解这门课程。
点评：吴恩达大佬的课程还需要推荐吗?!他是斯坦福大学的教授，也是Coursera的创始人之一，开发了机器学习领域的首批在线课程之一，这批课程目前仍可在YouTube上查阅。
课程摘要：
本课程广泛介绍了机器学习、数据挖掘和统计模式识别。主题包括：
- 监督学习(参数/非参数算法、支持向量机、核、神经网络);
- 无监督学习(聚类、降维、推荐系统、深度学习);
- 机器学习的最佳实践(偏差/方差理论;机器学习与人工智能的创新过程)。
主题包括：
- 线性回归
- 逻辑回归
- 神经网络
- 正则化
- 降维
- 支持向量机
- 无监督学习
- 异常检测
- 推荐系统
2. Python中的机器学习
使用平台：Coursera
参与机构：IBM
所需时间：22小时
事先要求：了解基本数学原理。
点评：虽然课程自称“中级水平”，但笔者认为它对新手来说是个很好的起点。如果觉得斯坦福的课程有点长，这门课程也是一个不错的选择。
课程摘要：
本课程使用易于理解且常见的编程语言Python，深入探讨机器学习的基础知识。本课程包含两个主要组成部分：
- 机器学习的目的以及它在现实世界中的应用;
- 之后将理解机器学习主题的一般概述，如监督与无监督学习、模型评估与机器学习算法。
主题包括：
- 回归
- 聚类
- 分类
- 推荐系统
B. 荣耀黄金
3. 神经网络与深度学习
使用平台：Coursera
参与机构：deeplearning.ai
所需时间：30小时
事先要求：需要有Python编码经验，具备高中数学水平，掌握一些机器学习或深度学习知识会更好。
点评：在笔者看来，一旦掌握了机器学习的基本概念，并且熟悉了Python，下一步可能就是TensorFlow了，现在很多计算量很大的算法都是用它来运行的。吴恩达也是Deeplearning.ai的创建者，因此也是这门课程的提供者。
课程摘要：
在本课程中，你将学习深度学习的基础。当你完成这门课时，你将收获：
- 了解推动深度学习的主要技术趋势
- 了解如何实现高效(矢量化)神经网络
- 了解神经网络架构中的关键参数
- 能够构建、训练和应用全连接的深度神经网络
这门课程还将介绍深度学习的实际工作原理，而不是仅仅提供粗略的或表面的描述。
主题包括：
- 深度学习介绍
- 神经网络基础
- 浅显的神经网络知识
- 深度神经网络
4. 卷积神经网络
使用平台：Coursera
参与机构：deeplearning.ai
所需时间：20小时
事先要求：需要一些TensorFlow知识、Python编码基础和高中水平的数学知识。
点评：自上门课程之后的又一理想课程。
课程摘要：
本课程将教你如何构建卷积神经网络，并将其应用于图像数据。凭借深度学习，计算机视觉比两年前强大得多，这使得许多令人兴奋的应用得以实现，从安全的自动驾驶，到精确的人脸识别，再到放射图像的自动读取。
主题包括：
- 卷积神经网络基础
- 目标检测
- 深度卷机模型：案例研究
- 特殊应用：人脸识别与神经风格迁移
C. 最强王者
5. 高级机器学习专业
使用平台：Coursera
参与机构：国立研究大学高等经济学院(俄罗斯)
所需时间：10个月，每周6小时
事先要求：已经在本行业有扎实的机器学习与数学基础。
点评：这是一套完整的专业课程，所以那些想要节省时间，或者从技术上讲觉得不需要，以及已经在工作中接触过或在以前的课程中学习过这些内容的人，就可以跳过啦。
课程摘要：
深入研究现代人工智能技术。本课程将教授用计算机看、画、读、说、玩游戏以及解决行业问题。本专业对深度学习、强化学习、自然语言理解、计算机视觉和贝叶斯法进行了介绍。顶尖的Kaggle机器学习从业者以及CERN科学家将分享他们解决现实问题的经验，帮助你填补理论与实践之间的空白。
主题包括：
- 深度学习介绍 (32小时)
- 如何赢得数据科学竞赛：向顶级Kagglers学习 (47小时)
- 机器学习的贝叶斯法 (30小时)
- 目标检测
- 实用强化学习 (30小时)
- 计算机视觉中的深度学习 (17小时)
- 自然语言处理 (32小时)