Рубрики
Без рубрики

Лучшие курсы обучения машины на 2019 год

Автор оригинала: Brendan Martin.

С прочными корнями в статистике, изучение машины становится одним из самых интересных и быстровных полей компьютерных наук для работы. Существует бесконечное предложение отраслей и приложений, обучение машины, чтобы сделать их более эффективными и интеллектуальными.

Боты чата, фильтрация спама, порция рекламы, поисковые системы и детектирование мошенничества, являются одними из нескольких примеров того, как модели обучения машины лежат в основе повседневной жизни. Машинное обучение – это то, что позволяет нам найти узоры и создавать математические модели для вещей, которые иногда бывали невозможными для людей.

В отличие от Наука данных Курсы , которые содержат темы, такие как исследования анализа данных, статистики, коммуникационные и визуализации, методы визуализации, курсы обучения машин ориентированы на обучение только алгоритмам машинного обучения, как они работают математически, и как использовать их на языке программирования.

Теперь пришло время начать. Вот быстрый реконструкцию лучших пяти курсов машинного обучения в этом году.

TL; доктор

Лучшие пять машин обучения курсов:

  1. Машинное обучение – Coursera
  2. Глубокая специализация обучения – Coursera
  3. Машина обучения с Python – Coursera
  4. Расширенная специализация машинного обучения – Coursera
  5. Машинное обучение – edx

Что делает действительно хороший курс обучения машины?

После нескольких лет следующего изготовления ландшафта электронного обучения и зачисления в бесчисленные курсы обучения машин из различных платформ, таких как Coursera, EDX, UDEMY, UDACION и DATACAMP, я собрал лучшие курсы обучения машины в настоящее время.

Критерии

Каждый курс в списке подлежит следующим критериям. Курс должен:

  • Строго сосредоточиться на машинном обучении
  • Используйте бесплатные языки программирования с открытым исходным кодом, а именно Python, R или октава
  • Используйте бесплатные библиотеки с открытым исходным кодом для этих языков. Некоторые инструкторы и провайдеры используют коммерческие пакеты, поэтому эти курсы удаляются от рассмотрения.
  • Содержать задания программирования для практики и практического опыта
  • Объясните, как работают алгоритмы математически
  • Будьте самостоятельно, по требованию или доступны каждый месяц или около того
  • Привлечь инструкторов и интересные лекции
  • Имеют более средние рейтинги и отзывы от различных агрегантов и форумов

С этим общий пул курсов быстро отбрасывается, но цель состоит в том, чтобы помочь вам выбрать курс, который стоит вашего времени и энергии.

Чтобы погрузить себя и изучать ML как можно быструю и всестороннее, я считаю, что вы также должны искать различные книги в дополнение к вашему онлайн-обучению. Ниже приведены две книги, которые оказали большое влияние на мой опыт обучения и всегда остаются на расстоянии на руке.

Две отличные книжные компаньоны

В дополнение к любой из видеоческовых курсов ниже, если вы достаточно новичны для изучения машины, вы должны рассмотреть возможность чтения следующих книг:

Эта книга имеет невероятно чистые и простые объяснения и примеры для повышения общей математической интуиции для многих методов обучения фундаментальных машин. Эта книга больше на стороне теории вещей, но она содержит много упражнений и примеров с использованием языка программирования R.

Хорошее дополнение к предыдущей книге, поскольку этот текст больше фокусируется на применении машинного обучения с использованием Python. Вместе с любым курсами внизу эта книга укрепит ваши навыки программирования и показывает, как немедленно применить машинное обучение к проектам.

Теперь давайте доберемся до описания курса и отзывы.

# 1 Машинное обучение – Coursera

Это курс, для которого все другие курсы обучения машине оцениваются. Учитель и создатель этого курса для начинающие Это Андрей Н.Г., Стэнфордский профессор, соучредителем Google Brain, соучредитель Coursera и VP, который вырос в команде AI Baidu на тысячи ученых.

Курс использует язык программирования с открытым исходным кодом Октава вместо Python или R для заданий. Это может быть выключателем сделки для некоторых, но если вы полный новичок, октава на самом деле является простой способ изучить основы ML.

В целом, материал курса чрезвычайно хорошо округленны и интуитивно сочленены NG. Вся математика, необходимая для понимания каждого алгоритма, полностью объяснена, с некоторыми объяснениями исчисления и переподготовки для линейной алгебры. Курс довольно содержится в себе, но некоторые знания линейной алгебры заранее, безусловно, помогут.

Поставщик: Андрей Н.Г., Стэнфорд Стоимость: Бесплатно для аудита, $ 79 для сертификата

Структура курса:

  • Линейная регрессия с одной переменной
  • Линейная алгебра обзор
  • Линейная регрессия с несколькими переменными
  • Учебник Octave/Matlab
  • Логистическая регрессия
  • Регуляризация
  • Нейронные сети: представление
  • Нейронные сети: обучение
  • Советы по применению машинного обучения
  • Дизайн системы обучения машины
  • Поддержка векторных машин
  • Сокращение размерности
  • Обнаружение аномалии
  • Рекомендовать систем
  • Большой масштабная машина обучения
  • Пример приложения: фото OCR

Все это покрыто более одногонадцать недель. Если вы можете зафиксировать полный курс, у вас будет хорошее базовое знание машинного обучения в о Четыре месяца Отказ

После этого вы можете комфортно перейти к более продвинутой или специализированной теме, как глубокое обучение, ML Engineering, или что-то еще, что побуждает ваш интерес.

Это, несомненно, лучший курс начинается с новичками.

# 2 Глубокая специализация обучения – Coursera

Также преподается Андрей Нг, эта специализация – это Более продвинутые Серия курсов для всех, кто заинтересован в изучении нейронных сетей и глубокому обучению, и как они решают Многие проблемы.

Назначения и лекции в каждом курсе используют Python язык программирования и используйте Tensorflow Библиотека для нейронных сетей. Это, естественно, отлично следит за учетом курса машинного курса NG, поскольку вы получите аналогичный стиль лекции, но теперь будут подвержены использованию Python для изучения машины.

Поставщик: Andrew NG, Deplearning.ai Стоимость: Бесплатно для аудита, $ 49/месяц для сертификата

Курсы:

  1. Нейронные сети и глубокое обучение
  • Введение в глубокое обучение
  • Основы нейронных сетей
  • Неглубокие нейронные сети
  • Глубокие нейронные сети

2. Улучшение нейронных сетей: гиперпараметрическая настройка, регуляризация и оптимизация

  • Практические аспекты глубокого обучения
  • Алгоритмы оптимизации
  • Гиперпараметрическая настройка, пакетная нормализация и каркасы программирования

3. Структурирующие машины обучения проекты

  • ML Стратегия (1)
  • ML Стратегия (2)

4. сверточные нейронные сети

  • Основы сверточных нейронных сетей
  • Глубокие сверточные модели: тематические исследования
  • Обнаружение объекта
  • Специальные приложения: распознавание лица и передача нейронного стиля

5. Модели последовательности

  • Рекуррентные нейронные сети
  • Обработка естественного языка и слов вложения
  • Модели последовательности и механизм внимания

Чтобы понять алгоритмы, представленные в этом курсе, вы уже должны быть знакомы с линейной алгеброй и машинным обучением в целом. Если вам нужны несколько предложений, где нужно забрать математику, см. Руководство по обучению к концу этой статьи.

# 3 машинка обучение с Python – Coursera

Другой начинающий Конечно, это сосредоточено исключительно на самых фундаментальных алгоритмах обучения машины. Инструктор, скользящие анимации и объяснение алгоритмов, очень красиво, чтобы дать вам интуитивное чувство для оснований.

Этот курс использует Python и несколько легче на математике позади алгоритмов. С каждым модулем у вас будет шанс сосудить интерактивную ноутбуку Jupyter в вашем браузере, чтобы работать через новые концепции, которые вы только что узнали. Каждый ноутбук подтверждает ваши знания и дает вам конкретные инструкции для использования алгоритма на реальные данные.

Поставщик: IBM, когнитивный класс Цена: Бесплатно для аудита, $ 39/месяц для сертификата

Структура курса:

  • Вступление к машине обучения
  • Регрессия
  • Классификация
  • Кластеризация
  • Рекомендовать систем
  • Последний проект

Одна из лучших вещей в этом курсе является практический совет для каждого алгоритма. При введении в новый алгоритм инструктор предоставляет вам, как он работает, его плюсы и минусы, и какие ситуации вы должны использовать его. Эти точки часто остаются вне других курсов, и эта информация важна для новых учеников понять более широкий контекст.

# 4 Расширенная специализация машинного обучения – Coursera

Это еще один Продвинутый Серия курсов, которые бросают Очень широкая сеть. Если вам интерес к охвату как можно больше техники машинного обучения, это специализация ключа к сбалансированной и обширной онлайн-учебной программе.

Инструкция в этом курсе фантастическая: чрезвычайно хорошо представлена и краткая. Из-за его продвинутой природы вам понадобится больше математики, чем любой из других курсов, перечисленных до сих пор. Если вы уже предприняли курс новичка и почистили линейную алгебру и искуссу, это хороший выбор, чтобы заполнить остальную часть опыта обучения машины.

Многое из того, что охватывается в этой специализации, является ключевой для многих машин обучения проектам.

Поставщик: Национальный исследовательский университет Высшая школа экономики Стоимость: Бесплатно для аудита, $ 49/месяц для сертификата

Курсы:

  1. Введение в глубокое обучение
  • Введение на оптимизацию
  • Введение в нейронные сети
  • Глубокое обучение для изображений
  • Обучение неповторимым представлением
  • Глубокое обучение для последовательностей
  • Последний проект

2. Как выиграть соревнования по науке о данных: учиться на вершинах KAGLERS

  • Вступление и река
  • Обработка функций и генерация по моделям
  • Окончательное описание проекта
  • Исследовательский анализ данных
  • Проверка
  • Утечки данных
  • Оптимизация метрик
  • Продвинутая функция инжиниринга 1
  • Оптимизация гиперпараметра
  • Дополнительные функции Техника 2
  • Ансамбл
  • Соревнования проходят через
  • Последний проект

3. Байесовские методы для обучения машины

  • Вступление в байесовские методы и сопряженные приоры
  • Алгоритм ожидания-максимизации
  • Вариационное вывод и скрытое распределение Дирихле (LDA)
  • Марковская цепь Монте-Карло
  • Вариационный автозавод
  • Гауссовские процессы и оптимизация байесов
  • Последний проект

4. Практическое обучение подкрепления

  • INTRO: Почему я должен заботиться?
  • В основе RL: динамическое программирование
  • МОДЕЛЬНЫЕ МЕТОДЫ
  • Приблизительные методы на основе стоимости
  • Методы на основе политики
  • Исследование

5. Глубокое обучение в компьютерном видении

  • INTRO к обработке изображений и компьютерное зрение
  • Сверточные особенности для визуального распознавания
  • Обнаружение объекта
  • Отслеживание объектов и распознавание действия
  • Сегментация изображения и синтез

6. Обработка естественного языка

  • Введение и текстовая классификация
  • Моделирование языка и метка последовательности
  • Векторные космические модели семантики
  • Последовательность для последовательности задач
  • Диалоговые системы

7. Обращение к большинству проблем Collider Collider машинным обучением

  • Интро к физике частиц для ученых
  • Идентификация частиц
  • Поиск новой физики в редких распадах
  • Поиск темных веществ подсказки с обучением машины на новом эксперименте CERN
  • Оптимизация детектора

Это займет около 8-10 месяцев для завершения этой серии курсов, поэтому, если вы начнете сегодня, в течение всего года вы узнаете огромное количество машинного обучения и сможем начать решать больше передовых приложений.

На протяжении всего месяца вы также будете создавать несколько реальных проектов, которые приводят к компьютеру, изучающей, как читать, увидеть и играть. Эти проекты будут великими кандидатами для вашего портфолио и приведут к вашему Github, выглядя очень активным для любых заинтересованных работодателей.

# 5 Машинное обучение – edx

Это Продвинутый Курс, который имеет самую высокую необходимую математику из любого другого курса в этом списке. Вам понадобится очень твердый вид линейной алгебры, исчисления, вероятности и программирования. Курс имеет интересные задания по программированию в любой Python или Октава Но курс не учит ни одному языку.

Одним из самых больших различий с этим курсом является охват вероятностного подхода к изучению машины. Если вас интересует читать учебник, как Машинное обучение: вероятностная перспектива – что является одним из наиболее рекомендуемых Научные книги данных в магистерских программах – Тогда этот курс будет фантастическим дополнением.

Поставщик: Колумбия Стоимость: Бесплатно для аудита, $ 300 для сертификата

Структура курса:

  • Оценка максимальной вероятности, линейная регрессия, наименьших квадратов
  • Regge Regress, предвещение-дисперсия, Bayes Правило, максимальный аффективный вывод
  • Ближайший соседний классификация, Bayes Classifiers, линейные классификаторы, Перцепртр
  • Логистическая регрессия, аппроксимация Лапласа, методы ядра, гауссовские процессы
  • Максимальная маржа, поддержка векторных машин (SVM), деревья, случайные леса, повышение
  • Кластеризация, K-означает, EM алгоритм, отсутствующие данные
  • Смеси гауссов, матрица факторизации
  • Неотрицательная матрица факторизация, модели латентных факторов, PCA и вариации
  • Markov Models, Hidden Markov Models
  • Модели непрерывного состояния состояния, анализ ассоциации
  • Выбор модели, следующие шаги

Большая часть тем в учебной программе покрыта в других курсах, направленных на начинающих, но математика здесь не поливает здесь. Если вы уже узнали эти методы, заинтересованы в более глубоком в математике и хотите работать над программированными заданиями, которые фактически вытекают некоторые из алгоритмов, а затем дайте этот курс выстрел.

Руководство по обучению

Теперь, когда вы видели рекомендации курса, вот быстрое руководство для вашего обучения обучающей машине. Во-первых, мы коснемся предпосылки для большинства курсов машинного обучения.

Курс предпосылки

Более продвинутые курсы потребуют следующие знания перед началом:

  • Линейная алгебра
  • Вероятность
  • Исчисление
  • Программирование

Это общие компоненты возможности понять, как машинное обучение работает под капотом. Многие новичковые курсы обычно просят хотя бы некоторое программирование и знакомство с линейными основ алгебры, такие как векторы, матрицы и их обозначение.

Первый курс в этом списке Машинное обучение Andrew NG, содержит обновления в большинстве математики, которые вам понадобится, но если вы не взяли линейную алгебру раньше, это может быть трудно изучить машинное обучение и Линейная алгебра одновременно.

Если вам нужно пошить математику, проверьте:

Я бы порекомендовал изучить Python, так как большинство хороших курсов ML используют Python. Если вы возьмете курс обучения машины Andrew NG, который использует октаву, вы должны учиться Python либо во время курса, либо после того, как вам понадобится в конечном итоге. Кроме того, еще один большой ресурс Python – dataquest.io , который имеет кучу свободных уроков Python в их интерактивной среде браузера.

После изучения необходимых основных обязанностей вы можете начать понять, как работают алгоритмы.

Фундаментальные алгоритмы

В машинном обучении есть базовый набор алгоритмов, которым каждый должен быть знаком и имеет опыт использования. Эти:

  • Линейная регрессия
  • Логистическая регрессия
  • k-означает кластеризацию
  • К-ближайшие соседи
  • Поддержка векторных машин (SVM)
  • Решения деревьев
  • Случайные леса
  • Наивный байс

Это основные основы, но много, многое другое. Курсы, перечисленные выше, содержат по существу, все это с некоторыми вариациями. Понимание того, как эти методы работают и когда их использовать, будет чрезвычайно важным при принятии новых проектов.

После основы некоторые более продвинутые методы для изучения будут:

  • Ансамбли
  • Усиление
  • Сокращение размерности
  • Учебное обучение
  • Нейронные сети и глубокое обучение

Это всего лишь начало, но эти алгоритмы обычно вы видите в самых интересных решениях машинного обучения, и они эффективные дополнения к вашему набору инструментов.

И так же, как основные методы, с каждым новым инструментом вы изучаете, вы должны сделать это привычкой, чтобы применить его к проекту немедленно затвердеть ваше понимание и иметь что-то, чтобы вернуться к вам.

Решать проект

Обучение машины обучения онлайн является сложной и чрезвычайно награждающей. Важно помнить, что просто наблюдение за видео и принимая викторины, не означает, что вы действительно изучаете материал. Вы узнаете еще больше, если у вас есть боковой проект, который вы работаете над тем, что использует разные данные и имеет разные цели, чем сам курс.

Как только вы начнете изучать основы, вы должны искать интересные данные, к которым вы можете применять эти новые навыки. Приведенные выше курсы дадут вам некоторую интуицию, когда применять определенные алгоритмы, и поэтому хорошая практика немедленно применять их в проекте своего собственного.

С помощью проб и ошибок, разведки и обратной связи вы обнаружите, как экспериментировать с различными методами, как измерить результаты и как классифицировать или делать прогнозы. Для некоторого вдохновения на каком проекте ML, см. Этот список примеров Отказ

Управляющие проекты дают вам лучшее понимание высокого уровня ландшафта изучения машины, и когда вы попадаете в более продвинутые концепции, как глубокое обучение, есть практически неограниченное количество методов и методов для понимания и работы.

Прочитайте новые исследования

Машинное обучение – это быстро развивающееся поле, в котором новые методы и приложения выходят ежедневно. После того, как вы передали основы, вы должны быть оборудованы для работы через некоторые исследовательские документы на интересующуюся вами тему.

Есть несколько веб-сайтов, чтобы получить уведомление о новых документах, соответствующих вашим критериям. Google Scholar Всегда есть хорошее место для начала. Введите ключевые слова, такие как «Машинное обучение» и «Twitter», или все остальное, что вы заинтересованы, и ударим немного «Создать оповещение» на левой, чтобы получить электронные письма.

Сделайте его еженедельной привычкой, чтобы прочитать эти оповещения, сканировать документы, чтобы увидеть, если их стоит читать, а затем обнимать, чтобы понять, что происходит. Если это связано с проектом, над которым вы работаете, посмотрите, можете ли вы применить методы вашей собственной проблемы.

Обертывание

Машинное обучение невероятно весело и интересно для изучения и экспериментов, и я надеюсь, что вы нашли курс выше, который подходит для вашего собственного путешествия в это захватывающее поле.

Машинное обучение составляет один компонент науки о данных, и если вы также заинтересованы в изучении статистики, визуализации, анализа данных и многое другое, обязательно проверить Лучшие курсы науки Data , что является руководством, который следуют аналогичному формату к этому.

Наконец, если у вас есть какие-либо вопросы или предложения, не стесняйтесь оставить их в комментариях ниже.

Спасибо за чтение и весело учиться!

Первоначально опубликовано learndatasci.com .

Читайте ещё по теме: