【速看！十大免费机器学习课程已经给你备好了】
希望对你有帮助～
全文共1670字，预计学习时长4分钟
本文介绍了10门相关课程，涵盖了机器学习入门、深度学习和自然语言处理等，希望对你的学习有所帮助 。
本系列课程的提供者有：Delta Analytics、作家兼培训师Aurélien Geron、威斯康星大学麦迪逊分校、AI研究员Goku Mohandas、滑铁卢大学、新加坡国立大学和英属哥伦比亚大学等 。
1. 机器学习的基础
传送门：***/curriculum.html （Delta Analytics）
本课讲解的是一些基本的建模理论，是成为一名合格的程序员所必备的知识 。每个版块的课程都侧重于实用示例，旨在向读者介绍实践技巧以及用于模型数据的强大算法（其实非常简单） 。
2. 使用TensorFlow 2和Keras进行深度学习
传送门：***/ageron/tf2_course （Aurélien Geron）
在这个课程里，包含用TensorFlow 2和Keras进行深度学习的训练 。而习题与详解由Jupyter Notebooks呈现 。
警告：TensorFlow 2.0预览版会有bug，可能与最终的2.0版本不完全相同 。但愿这段代码在TF 2出来后可以正常运行 。
3. 深度学习
传送门：***a/teaching/stat479-ss2019/（威斯康星大学麦迪逊分校）
本课程的重点是理解人工神经网络和深度学习算法（在基本层面讨论这些方法背后的数学原理），并用代码实现网络模型，以及将这些模型应用于实际数据集 。所涉及的主题包括——用于图像分类和目标检测的卷积神经网络、用于建模文本的循环神经网络、以及用于生成新数据的生成对抗网络 。
4. 实用AI
【如何入门机器学习】
传送门：***/GokuMohandas/practicalAI （Goku Mohandas）
该课会讲解学习和使用机器学习的实用技巧，帮助程序员能够利用机器学习从数据中获取有价值的信息 。
· 使用PyTorch实现基本的ML算法和深度神经网络 。
· 在浏览器上运行所有东西，不需要进行任何Google Colab设置 。
· 学习面向对象的能为产品编码的ML实用教程，而不仅仅是学习书面教程 。
5. 深度无监督学习
传送门：***s.google.com/view/berkeley-cs294-158-sp19/home （加州大学伯克利分校）
本课程涉及了两个不需要标记数据的深度学习领域：深度生成模型和自我监督学习 。生成模型领域的最新进展有助于对高维原始数据(如自然图像、音频波形和文本语料库)进行逼真的建模 。自我监督学习的发展缩小了监督表征学习与无监督表征学习在微调不可见任务方面的差距 。本课程将介绍这些主题的理论基础以及最新启用的应用程序 。
6. 深度学习简介
传送门：http://courses.d2l.ai/berkeley-stat-157/index.html （加州大学伯克利分校）
本课程介绍了深度学习的实际应用 ， 包括理论动机以及实际操作方法 。另外，还介绍了多层感知器、反向传播、自动微分和随机梯度下降 。此外，本课程用卷积网络来处理图像 ， 从简单的LeNet到最新的ResNet高精度模型体系结构 。其次，文中还讨论了序列模型和循环网络，如LSTMs ， GRU和注意机制 。本课程强调高效实践、优化和可扩展性，例如扩展到多个GPU和多台机器 。本课程的目标是使学员获得现代非参数估计所需的理解力和实践能力 。
7. 强化学习
传送门：https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html（滑铁卢大学）
本课程向学员们讲解如何设计算法 ， 使机器能进行强化学习 。监督学习状态下，机器从含有正确决策的示例中学习；非监督学习状态下，机器从数据中发现模式来学习 。而在强化学习状态下 ， 机器从部分、隐式和延迟反馈中学习，顺序决策任务需要机器反复与环境或用户交互，强化学习对执行这一任务起到很大帮助 。强化学习的应用包括机器人控制、自动驾驶汽车、游戏、会话代理、辅助技术、计算金融、运筹学等 。
8. 深度学习在自然语言处理中的应用
传送门：https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/ （新加坡国立大学）
本课程参考于CS 224N《自然语言处理中的深度学习》——斯坦福大学的Richard Socher教授的课程 。经Socher教授许可，本课照搬了他的课程模式和文献选择 。
9. 自然语言处理的应用
传送门：***256.html （加州大学伯克利分校）
本课程探讨了将自然语言处理作为探索和推理数据化文本的方法，尤其侧重于NLP的应用方面——创新使用Python中现有的NLP方法和库，而不是探索其核心算法 。
这是一门应用性课程 ， 每个课程都包括简短讲解环节和用Jupyter Notebooks当堂实验环节（大约各占50％） 。学员将在课堂上进行大量编程，并与其他学员和教师进行小组合作 。学员必须为每节课做好准备，并在课前提交准备材料，考勤有硬性要求 。
10. 机器学习讲座
传送门：https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/ （英属哥伦比亚大学）
这门课程资料是UBC大学一位教授整理的关于机器学习的资料合集，包括80多个讲座的材料，涉及了大量与机器学习相关的话题 。各个主题中的符号相当一致，这使得其关联清晰可见，并且各主题按难度排序（难度递增，并且所有概念都有明确定义） 。
前提条件：①一定的高等数学基?。?微分、偏微分、概率论、线性代数等 。刚接触不需要太深入，知道 ， 熟悉一些概念即可（比如矩阵的行列式、偏微分求导） 。②一定的编程基础，主要是Matlab ， Python，熟悉基本的语法即可 。③有一定的英文听读能力 。如果以上条件不具备，建议别入坑 。
第一步：直接上Cousera搜斯坦福大学（Stanford）吴恩达的机器学习课程 。如果掌握了前提知识，跟着学，学得懂 。不懂的数学概念查资料 。课后的练习是该课的精华，一定要自己做 。如果不会科学上网，B站搜吴恩达机器学习网课版即可 。
这个过程持续1个月，在这期间，可以买一本周志华老师的《机器学习》和李航老师的《统计学习方法》 。前者是入门经典，后者更多从数学的角度来讲机器学习，加深理解 。
第二步：上完机器学习后，直接上吴恩达的深度学习大课 ， 这么大课又分几门小课，涵盖了深度学习的方方面面 ， 比如CNN、RNN、LSTM、ResNet等 。由于深度学习发展很快，一些新的算法并没有讲到，一些算法可能已经过时，但学习思想也是很重要的 。
上完这一系列课程大概3个月 ， 在这期间可以买一本《Deep Learning》，最好是英文原版 。根据个人情况买一些其它书籍 。
第三步：完成了上面两步，基本就算入门了 。接下来就是实践+持续学习了 。多去github找开源项目 ， B站、慕课网去找实战项目 。边学边做，达到一个熟练的程度 。有机会 ， 参加一下比赛，多跟大神交流 。
这么做，基本上半年，就可以入门了 。
