机器学习植根于统计学，并逐渐成为计算机科学中最有趣和发展最快的领域之一。机器学习可以应用到无数的行业和应用中，让它变得更加高效和智能。聊天机器人、垃圾邮件过滤、广告服务、搜索引擎和欺诈检测都是机器学习模型在日常生活中应用的例子。机器学习使我们能够找到模式，并为超出人类能力的事物创建数学模型。与涉及探索性数据分析、统计、通信和可视化技术的数据科学课程不同，机器学习课程主要教授机器学习算法、数学原理，以及如何用某种编程语言编写算法。本文介绍了排名前5的机器学习课程:
吴恩达《机器学习》课程：https://www.learndatasci.com/out/coursera-machine-learning/吴恩达《深度学习专项课程》：https://www.learndatasci.com/out/coursera-deep-learning-specialization/SAEED AGHABOZORGI 主讲的 Machine Learning with Python 课程：https://www.learndatasci.com/out/coursera-ibm-machine-learning-python/Advanced Machine Learning 专项课程：https://www.learndatasci.com/out/coursera-advanced-machine-learning-specialization/哥伦比亚大学的 Machine Learning 课程：https://www.learndatasci.com/out/edx-columbia-machine-learning/筛选标准本文介绍的五门机器学习课程遵循以下标准:
严格专注于机器学习领域。使用免费开源的编程语言，如 Python、R 或 Octave。使用免费开源的库。包含编程作业和实践。解释算法运行的数学原理。学员可以自己调节进度，大约每月可以获取新的课程。讲师有趣、课堂有趣。在不同网站和论坛上的评分和评价高于平均值。若想尽快全面地学习机器学习，那么学习者还应该在在线学习之外看一些相关书籍。作者推荐了以下两本书籍，这两本书对作者的学习带来了很大影响。书籍1.统计学习导论:R中的应用
网络版地址:http://www-bcf.usc.edu/~gareth/ISL/这本书有清晰直接的解释和例子，可以帮助读者提高对基本机器学习技术的数学理解。这本书理论性比较强，但还是包含了一些使用R语言的练习和例子。2.使用sci kit-learn和tensorflow进行机器学习:构建智能系统的概念、工具和技术。这本书是对前一本书的很好补充，它主要涉及使用Python的机器学习应用。这本书，配合以下任何一门课程，都可以帮助你强化编程技能，知道如何将机器学习直接应用到项目中。以下是本文的亮点:top 5机器学习课程。一、吴恩达的机器学习课程本课程适合初学者。它的讲师和创始人是吴恩达，斯坦福大学教授，谷歌大脑的联合创始人和Coursera的联合创始人。这门课的作业要求使用Octave，一种开源的编程语言，而不是Python或者r，这对于很多人来说有点怪异，但是对于初学者来说，Octave是一种学习机器学习基础的简单方法。总的来说，本课程的材料是充分和准确的，它是直接由吴恩达教授。详细讲解了每种算法必须的所有数学知识，还涉及到一些微积分知识和线性代数知识。这门课基本上是独立的，但是提前了解一些线性代数的知识会有帮助。
课程提供者：吴恩达，斯坦福大学费用：免费；如需课程证书，则需 79 美元课程结构:
单变量线性回归线性代数概要多变量线性回归Octave/Matlab 教程Logistic 回归正则化神经网络：表征神经网络：学习使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案例：Photo OCR本课程为期11周。如果能全程坚持，四个月左右就能对机器学习有很好的基础了解。之后可以上自己感兴趣的高级或者专项课程，比如深度学习、机器学习工程等。这门课程对初学者来说无疑是最好的。参考文章:资源|吴恩达机器学习笔记。哥伦比亚大学的研究生在吴恩达开设了一门专门的深度学习课程。吴恩达也开设这门课程。这是一个更高级的课程系列，适合任何对机器学习、深度学习及其原理和应用感兴趣的人。本课程由五门课程组成，每门课程都使用Python编程语言和TensorFlow神经网络库。这个课程是吴恩达机器学习课程很好的后续，因为教学风格差不多，也可以学习使用Python进行机器学习。
课程提供者：吴恩达，deeplearning.ai费用：免费；如需课程证书，则 49 美元/月课程结构:1。神经网络和深度学习
深度学习简介神经网络的基本概念浅层神经网络深度神经网络2.改进神经网络:参数调整、正则化和优化。
深度学习的实践优化算法超参数调整、批归一化和编程框架3.建立一个机器学习项目
机器学习策略（1）机器学习策略（2）4.卷积神经网络
卷积神经网络基础深度卷积模型：案例研究目标检测特殊应用：人脸识别和神经风格迁移5.序列模型
循环神经网络自然语言处理和词嵌入序列模型和注意力机制要理解本课程介绍的算法，你应该熟悉线性代数和机器学习。需要学习的数学知识如果需要建议，可以参考文末的学习指南。参考文章:
吴恩达 Deeplearning.ai 课程学习全体验：深度学习必备课程（已获证书）入门 | 吴恩达 Deeplearning.ai 全部课程学习心得分享 资源 | 吴恩达 deeplearning.ai 五项课程完整笔记了解一下？这是一份优美的信息图，吴恩达点赞的 deeplearning.ai 课程总结第三，用Python进行机器学习。这也是一门适合初学者的课程，只关注最基础的机器学习算法。讲师的讲解，幻灯片动画，算法的讲解结合的非常好，可以让你对基本概念有一个直观的了解。本课程使用Python，但对算法背后的数学知识知之甚少。通过每个模块，您将有机会在浏览器中下载一个交互式Jupyter笔记本，以练习您所学的新概念。每个笔记本将巩固你的知识，并提供具体的指示，使用算法对真实数据。
课程提供者：IBM, Cognitive Class费用：免费；如需课程证书，则 39 美元/月课程结构:
机器学习导论回归分类聚类推荐系统期末专题本课程提供的最大好处之一是，它为每种算法提供了实用的建议。在教授新算法的时候，讲师会介绍它的工作原理，优缺点，以及你应该在什么情况下使用它。其他课程很少涉及这一点，但这些信息对于初学者理解更广泛的背景很重要。四。高级机器学习专题课程这是另一门关于机器学习的高级课程。如果你想尽可能的学习机器学习技术，这个特色课程是个不错的选择。这门课的教学非常好:精彩而简洁。由于这是一门高级课程，你需要更多的数学知识。如果你上过初级课程，复习过线性代数和微积分，那么这门课程会是你补充机器学习其他专业知识的不错选择。本课程涵盖的大部分内容对许多机器学习项目至关重要。
课程提供者：俄罗斯国家研究型高等经济大学（National Research University Higher School of Economics，HSE）费用：免费；如需课程证书，则 49 美元/月课程结构:1。深度学习简介
优化简介神经网络简介图像深度学习无监督表征学习序列深度学习最终项目2.如何赢得数据科学竞赛:向顶级凯格勒学习
介绍和回顾模型的特征处理和生成最终项目说明探索性数据分析验证数据泄露度量优化高级特征工程 1超参数优化高级特征工程 2集成竞赛介绍最终项目3.机器学习的贝叶斯方法
贝叶斯方法和共轭先验简介期望最大化算法变分推断和隐含狄利克雷分布（LDA）马尔科夫链蒙特卡洛变分自编码器高斯过程和贝叶斯优化最终项目4.实用强化学习
简介强化学习核心：动态编程无模型方法基于近似值的方法基于策略的方法探索5.计算机视觉中的深度学习
图像处理和计算机视觉简介视觉识别的卷积特征目标检测目标跟踪和动作识别图像分割与合成6.自然语言处理
概念介绍和文本分类语言建模和序列标注语义向量空间模型序列到序列任务对话系统7.利用机器学习迎接大型强子对撞机的挑战
面向数据科学家的粒子物理学导论粒子鉴别在稀有衰变中探索新物理学在新 CERN 实验中用机器学习寻找暗物质暗示检测器优化完成这一系列课程大约需要8-10个月，所以如果你今天开始学习，你会在近一年的时间里学到很多关于机器学习和前沿应用的知识。在这几个月里，你还会创建几个真实的项目。这些项目会极大地丰富你的简历，让你的GitHub更有吸引力。5.机器学习这是一门数学基础要求最高的高级课程。你的线性代数、微积分、概率、编程的基础需要非常扎实。这门课有趣的编程作业可以用Python或者Octave来完成，但是没有提供关于这两种语言的课程。本课程最大的亮点是涵盖了机器学习的概率方法。如果你之前读过《机器学习:概率视角》等教材，那么这门课会是一个很好的补充。
课程提供者：哥伦比亚大学费用：免费；如需课程证书，则需 300 美元课程结构:
最大似然估计、线性回归、最小二乘法岭回归、偏差-方差、贝叶斯法则、最大后验概率推理最近邻分类、贝叶斯分类器、线性分类器、感知机Logistic 回归、拉普拉斯近似、核方法、高斯过程最大间隔、支持向量机（SVM）、树、随机森林、Boosting 算法聚类、K-均值、EM 算法、缺失数据混合高斯过程、矩阵分解非负矩阵分解、隐因子模型、主成分分析及其变体马尔科夫模型、隐马尔科夫模型连续状态空间模型、关联分析模型选择、未来走向很多初学者的课程可能已经介绍了上面的很多题目，但是这门课的数学是扎实的。如果你已经学了这些，还想在数学上更进一步，想通过做编程作业推导出一些算法，那么这门课值得一试。
学习指南首先介绍大部分机器学习课程所需的知识储备。知识储备高级课程需要以下知识储备:
线性代数概率微积分编程这些都是了解机器学习内部工作原理的必要知识。很多初学者课程通常要求至少具备一些编程基础，并且熟悉线性代数的基础知识，比如向量、矩阵及其符号。本文提到的第一门课程，吴恩达的《机器学习》，复习了大部分必修的数学知识，但是如果你之前没有学过线性代数，那么要同时学习机器学习和线性代数可能会有点困难。如果需要温习数学基础，可以参考以下建议:建议学习Python，因为大部分机器学习课程都是用Python作为编程语言的。即使你在吴恩达学习机器学习(本课程使用Octave)，你也应该花时间学习Python，因为迟早会用到它。Dataquest.io也是一个优秀的Python资源，在其交互式浏览器环境中有很多免费的Python课程。这些知识储备有助于初步理解算法的工作原理。基本算法以下是一组您需要熟悉并练习使用的基本算法:
线性回归Logistic 回归k-均值聚类k-最近邻支持向量机（SVM）决策树随机森林朴素贝叶斯这些算法必须知道，当然还有很多其他的。上述课程中介绍了这些算法及其变体。理解这些技术的原理以及何时使用它们对于处理新项目非常重要。除了这些基本算法，还有一些更高级的技术需要学习:
集成Boosting降维强化学习神经网络和深度学习这只是开始。这些算法通常用在最有趣的机器学习解决方案中，它们也是你工具箱的有效补充。和基础技术一样，每次学习一个新的工具，都要直接应用到项目中去，加深理解，融会贯通。
解决项目网上学习机器学习很难，当然回报也很大。但是，你要记住，仅仅看讲座视频，参加考试，并不能证明你真的在学习课本。如果你创建一个与课程的数据和目标不同的项目，你会学到更多。当你开始学习机器学习的基础知识时，你应该寻找一些有趣的数据，以便练习新的技能。以上课程会让学习者知道什么时候应用算法，所以在自己的项目中应用机器学习算法是一个很好的做法。通过试错、探索和反馈，你会发现如何使用不同的技术，如何衡量结果，如何分类或预测。对于ML项目，这里有一个例子列表，见:https://github.com/NirantK/awesome-project-ideas.解决项目将帮助你更好地理解机器学习，更高级。如果你开始理解更高级的概念(比如深度学习)，那么就会有无数的技术和方法去理解和使用。
阅读新研究机器学习是一个快速发展的领域，每天都有新的技术和应用出现。在你掌握了机器学习的基础知识之后，你就可以阅读你感兴趣的研究论文了。有一些网站可以即时获得感兴趣领域的新论文。例如，谷歌学术，输入关键词“机器学习”和“推特”，或者其他有趣的话题，点击“创建提醒”，就可以通过电子邮件获得相关的新论文通知。养成每周阅读提醒邮件的习惯，浏览论文确定是否有必要阅读，进而深入了解某项研究的具体内容。如果有些研究和你正在做的项目有关，你可以看看你是否能把这些技术应用到你自己的问题上。
结语机器学习是一个很有趣的领域，值得学习和体验。希望你能在这里找到适合自己的课程。机器学习是数据科学的重要组成部分。如果你对统计学、可视化、数据分析等感兴趣。，可以参考关于顶尖数据科学课程推荐的文章:https://www . learn datasci . com/best-data-science-online-courses/。
