来自顶尖大学的 5 门免费机器学习课程

Image generated by DALLE-3

如果您正在阅读这篇文章，我假设您已经知道什么是机器学习。但为了快速回顾一下，它就是让计算机足够智能，能够胜任人类过去的工作，例如，使用面部识别来点名。总之，回到我们的主要讨论，我知道有很多关于机器学习的资源，但问题是找到正确且高质量的资源。我想我们都同意，大学水平的课程在全面性和质量方面无疑会更好。因此，在本文中，我将分享我个人最喜欢的来自顶尖大学的机器学习课程。

1. CS229：斯坦福大学的机器学习

访问材料的链接： CS229：机器学习材料

Youtube链接： CS229：机器学习视频

这门课程有各种版本，由不同的讲师授课，但我指出的这门是由Andrew Ng讲授的——毫无疑问，他是最好的机器学习讲师之一。本课程广泛介绍了机器学习和统计模式识别。它涵盖了监督学习、无监督学习、学习理论、强化学习和控制等各种主题。您可以在线访问所有材料。

课程大纲

• 线性回归和逻辑回归
• 感知器和广义线性模型
• 朴素贝叶斯、支持向量机和核方法
• 数据分割、模型和交叉验证
• 决策树和集成方法
• 神经网络、反向传播和改进神经网络
• 机器学习模型调试和错误分析
• 期望最大化算法、EM算法和因子分析
• 独立成分分析和强化学习
• 连续状态MDP、奖励模型和强化学习调试

2. MIT的Python机器学习：从线性模型到深度学习

链接： MIT机器学习课程 

这门课程在edX上的评分为4.1，是一门很棒的入门课程，通过Python实践项目，涵盖了从深度学习和强化学习到广泛的机器学习主题。如果您是机器学习新手，深入研究某个特定主题可能会令人沮丧，最好通过更广泛的课程来了解ML的哪个部分能激发您的兴趣。现在，ML本身被认为是一个非常广泛的类别，深入学习所有内容会让你筋疲力尽。

课程大纲

• 理解机器学习问题的原理，例如分类、回归、聚类和强化学习
• 实现和分析模型，例如线性模型、核机器、神经网络和图模型
• 学习如何为不同应用选择合适的模型
• 实现和组织机器学习项目，从训练、验证和参数调整，到特征工程。

3. 哈佛大学的数据科学：机器学习

链接： 数据科学：机器学习课程

这门课程实际上是数据科学专业证书课程的一部分（证书是收费的，但本部分免费提供）。这个项目通过构建一个电影推荐系统，引导您掌握机器学习的所有基本技能。所以，如果您喜欢通过实践来学习，那么我的建议是选择这门课程。

课程大纲

• 机器学习基础
• 如何进行交叉验证以避免过拟合
• 流行的机器学习算法
• 如何构建推荐系统
• 什么是正则化以及为什么它有用？

4. 卡内基梅隆大学的机器学习

链接： CMU机器学习课程

如果您尝试浏览一些著名的ML书籍，我敢保证您会在列表中找到机器学习， Tom Mitchell，McGraw Hill，1997。。学习这本书的作者讲授的课程还有什么比这更令人兴奋的呢？本课程不仅涵盖理论，还为机器学习提供了实践的接触。从机器学习算法、其背后的数学原理、合适的工具和技术，它都涵盖了。

课程大纲

• 概率与估计
• 决策树、朴素贝叶斯、线性回归和逻辑回归
• 学习理论与图模型
• 提升、核方法、SVM、间隔
• 半监督学习和主动学习
• 神经网络与深度学习
• 强化学习及ML未来展望

5. 伦敦帝国理工学院的机器学习数学专业课程

官方链接： 机器学习数学 – Coursera

Youtube链接： 机器学习数学 – （3门课程合为1个视频）

最后但同样重要的，我想推荐一门对于任何想在ML领域发展职业的人来说都至关重要的课程。数学在机器学习中起着巨大的作用，掌握其中的数学原理是解释ML算法产生结果的关键。在所有与ML数学相关的课程中，Coursera上的“机器学习数学”专业课程是我的首选。该专业课程包含三门课程：线性代数、多元微积分和主成分分析。每门课程持续4-6周，涵盖了理解机器学习算法所需的数学基础概念。

课程大纲

• 线性代数：向量、矩阵、点积、基向量、改变基向量、特征值和特征向量
• 多元微积分：单变量微分、多变量微分、链式法则、雅可比矩阵、海森矩阵、拉格朗日乘子和泰勒级数
• 主成分分析：统计学、向量间的点积和正交性、矩阵中的投影、多元微积分概念和PCA的应用

总结

这就是我为您搜集的一些来自世界顶尖大学的优秀机器学习课程。如果您有兴趣了解一些YouTube频道来学习机器学习，可以查看我的另一篇文章

提升您的机器学习技能的15个顶级YouTube频道