极光日报
首发于极光日报
Coursera 上机器学习课程(公开课)汇总推荐

Coursera 上机器学习课程(公开课)汇总推荐

简评:Coursera 上有很多机器学习课程,这里做个总结,因为机器学习相关的概念和应用很多,这里推荐的课程仅限于和机器学习直接相关的课程,虽然深度学习属于机器学习范畴,这里暂时也将其排除在外。本文由课程图谱博客整理。

1. Andrew Ng 老师的 机器学习课程(Machine Learning)

机器学习入门首选课程,没有之一。这门课程从一开始诞生就备受瞩目,据说全世界有数百万人通过这门课程入门机器学习。

课程的级别是入门级别的,对学习者的背景要求不高,Andrew Ng 老师讲解又很通俗易懂,所以强烈推荐从这门课程开始走入机器学习。

课程简介

这里有老版课程评论,非常值得参考推荐:Machine Learning


2. 台湾大学林轩田老师的 機器學習基石上 (Machine Learning Foundations) — Mathematical Foundations

如果有一定的基础或者学完了 Andrew Ng 老师的机器学习课程,这门「机器学习基石上 - 数学基础」可以作为进阶课程。

林老师早期推出的两门机器学习课程口碑和难度均有:机器学习基石机器学习技法,现在重组为上和下,非常值得期待:


3. 台湾大学林轩田老师的 機器學習基石下 (Machine Learning Foundations) — Algorithmic Foundations

作为 2 的姊妹篇,这个「机器学习基石下 - 算法基础」更注重机器学习算法相关知识:

可参考早期的老版本课程评论:

機器學習基石 (Machine Learning Foundations) 機器學習技法 (Machine Learning Techniques)


4. 华盛顿大学的 “机器学习专项课程(Machine Learning Specialization)

这个系列课程包含 4 门子课程,分别是

  • 机器学习基础:案例研究 ,
  • 机器学习:回归
  • 机器学习:分类
  • 机器学习:聚类与检索

4.1 Machine Learning Foundations: A Case Study Approach(机器学习基础: 案例研究)

你是否好奇数据可以告诉你什么?你是否想在关于机器学习促进商业的核心方式上有深层次的理解?你是否想能同专家们讨论关于回归,分类,深度学习以及推荐系统的一切?在这门课上,你将会通过一系列实际案例学习来获取实践经历。

4.2 Machine Learning: Regression(机器学习: 回归问题)

这门课程关注机器学习里面的一个基本问题:回归(Regression), 也通过案例研究(预测房价)的方式进行回归问题的学习,最终通过 Python 实现相关的机器学习算法。

4.3 Machine Learning: Classification(机器学习:分类问题)

这门课程关注机器学习里面的另一个基本问题:分类(Classification), 通过两个案例研究进行学习:情感分析和贷款违约预测,最终通过 Python 实现相关的算法(也可以选择其他语言,但是强烈推荐 Python)。

4.4 Machine Learning: Clustering & Retrieval(机器学习:聚类和检索)

这门课程关注的是机器学习里面的另外两个基本问题:聚类和检索,同样通过案例研究进行学习:相似文档查询,一个非常具有实际应用价值的问题。


5. 密歇根大学的 Applied Machine Learning in Python(在 Python 中应用机器学习)

Python 机器学习应用课程,这门课程主要聚焦在通过 Python 应用机器学习,包括机器学习和统计学的区别,机器学习工具包 scikit-learn 的介绍,有监督学习和无监督学习,数据泛化问题(例如交叉验证和过拟合)等。

这门课程同时属于 Python 数据科学应用专项课程系列(Applied Data Science with Python Specialization)


6. 俄罗斯国立高等经济学院和 Yandex 联合推出的 高级机器学习专项课程系列(Advanced Machine Learning Specialization)

该系列授课语言为英语,包括深度学习,Kaggle数据科学竞赛,机器学习中的贝叶斯方法,强化学习,计算机视觉,自然语言处理等 7 门子课程,截止目前前 3 门课程已开,感兴趣的同学可以关注:

以下是和机器学习直接相关的子课程,其他这里略过:

6.3 Bayesian Methods for Machine Learning(面向机器学习的贝叶斯方法)

该课程关注机器学习中的贝叶斯方法,贝叶斯方法在很多领域都很有用,例如游戏开发和毒品发现。它们给很多机器学习算法赋予了「超能力」,例如处理缺失数据,从小数据集中提取大量有用的信息等。

当贝叶斯方法被应用在深度学习中时,它可以让你将模型压缩 100 倍,并且自动帮你调参,节省你的时间和金钱。


7. 约翰霍普金斯大学的 Practical Machine Learning(机器学习实战)

这门课程从数据科学的角度来应用机器学习进修实战,课程将会介绍机器学习的基础概念譬如训练集,测试集,过拟合和错误率等,同时这门课程也会介绍机器学习的基本模型和算法,例如回归,分类,朴素贝叶斯,以及随机森林。

这门课程最终会覆盖一个完整的机器学习实战周期,包括数据采集,特征生成,机器学习算法应用以及结果评估等。这门机器学习实践课程同时属于约翰霍普金斯大学的 数据科学专项课程(Data Science Specialization)系列:


8. 卫斯理大学 Regression Modeling in Practice(回归模型实战)

这门课程关注的是数据分析以及机器学习领域的最重要的一个概念和工具:回归(模型)分析。这门课程使用 SAS 或者 Python,从线性回归开始学习,到了解整个回归模型,以及应用回归模型进行数据分析:

这门课程同时属于卫斯理大学的 数据分析与解读专项课程系列(Data Analysis and Interpretation Specialization)


9. 卫斯理大学的 Machine Learning for Data Analysis(面向数据分析的机器学习)

这门课程关注数据分析里的机器学习,机器学习的过程是一个开发、测试和应用预测算法来实现目标的过程,这门课程以 Regression Modeling in Practice(回归模型实战) 为基础,介绍机器学习中的有监督学习概念,同时从基础的分类算法到决策树以及聚类都会覆盖。通过完成这门课程,你将会学习如何应用、测试和解读机器学习算法用来解决实际问题。

这门课程同时属于卫斯理大学的 数据分析与解读专项课程系列(Data Analysis and Interpretation Specialization)


10. 加州大学圣地亚哥分校的 Machine Learning With Big Data(大数据机器学习)

这门课程关注大数据中的机器学习技术,将会介绍相关的机器学习算法和工具。通过这门课程,你可以学到:

  • 通过机器学习过程来设计和利用数据
  • 将机器学习技术用于探索和准备数据来建模
  • 识别机器学习问题的类型
  • 通过广泛可用的开源工具来使用数据构建模型
  • 在 Spark 中使用大规模机器学习算法分析大数据

这门课程同时属于 加州大学圣地亚哥分校的大数据专项课程系列(Big Data Specialization)


11. 俄罗斯搜索巨头 Yandex 推出的 Big Data Applications: Machine Learning at Scale(大数据应用:大规模机器学习)

机器学习正在改变世界,通过这门课程,你将会学习到:

  • 识别实战中需要用机器学习算法解决的问题
  • 通过 Spark MLLib 构建、调参、和应用线性模型
  • 里面文本处理的方法
  • 用决策树和 Boost 方法解决机器学习问题
  • 构建自己的推荐系统

这门课程同时属于 Yandex 推出的 面向数据工程师的大数据专项课程系列(Big Data for Data Engineers Specialization)


原文链接:

Coursera | Machine Learning

分类收藏:

产品 | 设计 | 技术 | HackLife | Photography

推荐阅读:
YouTube 上有哪些自学编程的优质频道zhuanlan.zhihu.com图标

编辑于 2018-11-06

文章被以下专栏收录

    简介:每日导读(或翻译)三篇优质英文文章,内容 80% 涉及硅谷/编程/科技/,期待共同成长。