本文作者在多年研究線上學習圖景、在不同平臺註冊大量機器學習課程後，收集了目前最好的 5 門機器學習課程。
選自Medium，作者：LearnDataSci，機器之心編譯。
機器學習根植於統計學，正在逐漸成為最有趣、發展最快的電腦科學領域之一。機器學習可應用到無數行業和應用中，使其更加高效和智慧。
聊天機器人、垃圾郵件過濾、廣告服務、搜尋引擎和欺詐檢測，這些都是機器學習模型在日常生活中的應用例項。機器學習使我們為人類力不能及的事找到模式、建立數學模型。
與涉及探索性資料分析、統計學、通訊和視覺化技術的資料科學課程不同，機器學習課程主要講授機器學習演算法、數學原理，以及如何使用某種程式語言寫演算法。
本文介紹了 top 5 機器學習課程：
吳恩達《機器學習》課程：https://www.learndatasci.com/out/coursera-machine-learning/
吳恩達《深度學習專項課程》：https://www.learndatasci.com/out/coursera-deep-learning-specialization/
SAEED AGHABOZORGI 主講的 Machine Learning with Python 課程：https://www.learndatasci.com/out/coursera-ibm-machine-learning-python/
Advanced Machine Learning 專項課程：https://www.learndatasci.com/out/coursera-advanced-machine-learning-specialization/
哥倫比亞大學的 Machine Learning 課程：https://www.learndatasci.com/out/edx-columbia-machine-learning/
篩選標準
本文介紹的 5 門機器學習課程遵循以下標準：
嚴格專注於機器學習領域。
使用免費開源的程式語言，如 Python、R 或 Octave。
使用免費開源的庫。
包含程式設計作業和實踐。
解釋演算法執行的數學原理。
學員可以自己調節進度，大約每月可以獲取新的課程。
講師有趣、課堂有趣。
在不同網站和論壇上的評分和評價高於平均值。
若想盡快全面地學習機器學習，那麼學習者還應該在線上學習之外看一些相關書籍。作者推薦了以下兩本書籍，這兩本書對作者的學習帶來了很大影響。
書籍
1. An Introduction to Statistical Learning: with Applications in R
免費線上版地址：http://www-bcf.usc.edu/~gareth/ISL/
這本書具備清晰直接的解釋和示例，可以幫助讀者提升對基礎機器學習技術的數學理解。這本書更加偏重理論，但仍然包含一些使用 R 語言的練習和示例。
2. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems
這本書是對上一本書的良好補充，它主要涉及使用 Python 的機器學習應用。這本書搭配以下任意一門課程，可以幫助大家強化程式設計技能，瞭解如何直接將機器學習應用到專案中。
以下是本文的重頭戲：top 5 機器學習課程。
一、吳恩達《機器學習》課程
這門課適合初學者，其講師和建立者是史丹佛大學教授、谷歌大腦聯合創始人、Coursera 聯合創始人吳恩達。
這門課的作業要求使用開源程式語言 Octave，而不是 Python 或 R。這對於很多人來說有些怪異，但對於新手而言，Octave 是學習機器學習基礎的簡單方式。
整體來看，這門課程的材料翔實，直接由吳恩達授課，詳細解釋了每個演算法必需的所有數學知識，還涉及了一些微積分知識和線性代數知識。這門課程基本上是獨立的，不過提前瞭解一些線性代數知識會很有幫助。
課程提供者：吳恩達，史丹佛大學
費用：免費；如需課程證照，則需 79 美元
課程結構：
單變數線性迴歸
線性代數概要
多變數線性迴歸
Octave/Matlab 教程
Logistic 迴歸
神經網路：表徵
神經網路：學習
使用機器學習的建議
機器學習系統設計
降維
異常檢測
推薦系統
大規模機器學習
應用案例：Photo OCR
該課程持續時間為 11 周。如果可以堅持上完整個課程，你將在大約四個月內對機器學習有一個較好的基本瞭解。
之後，你可以再學習感興趣的高階或專項課程，如深度學習、機器學習工程等。
這門課程對於新手來說無疑是最好的課程。
二、吳恩達深度學習專項課程
該課程同樣是吳恩達開設的。這是一個更高階的課程系列，適用於任何對機器學習、深度學習及其原理和應用感興趣的人。
該課程共包括 5 門課，每門課的作業和授課都使用 Python 程式語言和 TensorFlow 神經網路庫。該課程是吳恩達機器學習課程的良好後續，因為授課風格類似，而且你還可以學習使用 Python 進行機器學習。
課程提供者：吳恩達，deeplearning.ai
費用：免費；如需課程證照，則 49 美元/月
課程結構：
1. 神經網路和深度學習
深度學習簡介
神經網路的基本概念
淺層神經網路
深度神經網路
2. 改善神經網路：調參、正則化和優化
深度學習的實踐
優化演算法
超引數調整、批歸一化和程式設計框架
3. 構建機器學習專案
機器學習策略（1）
機器學習策略（2）
4. 卷積神經網路
卷積神經網路基礎
深度卷積模型：案例研究
特殊應用：人臉識別和神經風格遷移
5. 序列模型
迴圈神經網路
自然語言處理和詞嵌入
序列模型和注意力機制
要想理解該課程中介紹的演算法，你應該先熟悉線性代數和機器學習。如果你需要關於學習所需數學知識的建議，可以參閱文末的學習指南（Learning Guide）。
參考文章：
三、用 Python 進行機器學習
這也是一個適合初學者的課程，只關注最基本的機器學習演算法。講師、幻燈片動畫和對演算法的解釋結合得非常好，能讓你對基本概念有直觀的瞭解。
該課程使用 Python，但對演算法背後的數學知識講得較少。通過每個模組，你將有機會在瀏覽器中下載一個互動式 Jupyter notebook 來實踐你學到的新概念。每個 notebook 會鞏固你的知識，並提供了在真實資料上使用演算法的具體說明。
課程提供者：IBM, Cognitive Class
費用：免費；如需課程證照，則 39 美元/月
課程結構：
機器學習導論
迴歸
分類
聚類
推薦系統
期末專題
這門課提供的最大好處之一是為每個演算法提供了實用的建議。在講授新演算法時，講師會介紹它的工作原理、優缺點以及你應該在什麼樣的情況下使用它。其它課程很少會涉及這些，但這些資訊對於初學者理解更廣泛的背景很重要。
四、高階機器學習專項課程
這是關於機器學習的另一個高階課程。如果你想盡可能多地學習機器學習技術，該專項課程就是一個很好的選擇。
這門課程的教學非常好：很精彩，而且簡明扼要。由於這是一門高階課程，因此你需要更多的數學知識。如果你已經參加了一門初級課程，並且複習了線性代數和微積分，這門課將是你補充機器學習其它專業知識的很好選擇。
本課程涵蓋的大部分內容對許多機器學習專案至關重要。
課程提供者：俄羅斯國家研究型高等經濟大學（National Research University Higher School of Economics，HSE）
費用：免費；如需課程證照，則 49 美元/月
課程結構：
1. 深度學習導論
優化簡介
神經網路簡介
影像深度學習
無監督表徵學習
序列深度學習
最終專案
2. 如何在資料科學競賽中獲勝：向頂尖 kaggler 學習
介紹和回顧
模型的特徵處理和生成
最終專案說明
探索性資料分析
驗證
資料洩露
度量優化
高階特徵工程 1
超引數優化
高階特徵工程 2
整合
競賽介紹
最終專案
3. 機器學習貝葉斯方法
貝葉斯方法和共軛先驗簡介
期望最大化演算法
變分推斷和隱含狄利克雷分佈（LDA）
馬爾科夫鏈蒙特卡洛
變分自編碼器
高斯過程和貝葉斯優化
最終專案
4. 實用強化學習
簡介
強化學習核心：動態規劃
無模型方法
基於近似值的方法
基於策略的方法
探索
5. 計算機視覺中的深度學習
影像處理和計算機視覺簡介
視覺識別的卷積特徵
目標檢測
目標跟蹤和動作識別
影像分割與合成
6. 自然語言處理
概念介紹和文字分類
語言建模和序列標註
語義向量空間模型
序列到序列任務
對話系統
7. 用機器學習應對大型強子對撞機的挑戰
面向資料科學家的粒子物理學導論
粒子鑑別
在稀有衰變中探索新物理學
在新 CERN 實驗中用機器學習尋找暗物質暗示
檢測器優化
完成該系列課程大概需要 8-10 個月的時間，所以如果你從今天開始學習，在近一年的時間裡，你將學到大量關於機器學習以及前沿應用的知識。
在這幾個月裡，你還將建立幾個真正的專案。這些專案將極大豐富你的簡歷，讓你的 GitHub 更吸引人。
五、機器學習
這是數學基礎要求最高的一門高階課程。你的線性代數、微積分、概率、程式設計基礎都需要非常牢固。該課程的有趣程式設計作業可以使用 Python 或 Octave 完成，但不提供關於這兩種語言的課程。
該課程最大的亮點在於其涵蓋了機器學習的概率方法。如果你之前讀過《Machine Learning: A Probabilistic Perspective》等教科書，那麼這門課程將成為良好的補充。
課程提供者：哥倫比亞大學
費用：免費；如需課程證照，則需 300 美元
課程結構：
最大似然估計、線性迴歸、最小二乘法
嶺迴歸、偏差-方差、貝葉斯法則、最大後驗概率推理
最近鄰分類、貝葉斯分類器、線性分類器、感知機
Logistic 迴歸、拉普拉斯近似、核方法、高斯過程
最大間隔、支援向量機（SVM）、樹、隨機森林、Boosting 演算法
聚類、K-均值、EM 演算法、缺失資料
混合高斯過程、矩陣分解
非負矩陣分解、隱因子模型、主成分分析及其變體
馬爾科夫模型、隱馬爾科夫模型
連續狀態空間模型、關聯分析
模型選擇、未來走向
許多針對初學者的課程可能已經介紹過上述很多主題，但這個課程的數學卻是實打實的。如果你已經學過這些，想在數學上更進一步，並且想通過做程式設計作業推匯出一些演算法，那麼這個課程值得一試。
學習指南
首先介紹一下多數機器學習課程需要的知識儲備。
課程知識儲備
高階課程需要以下知識儲備：
線性代數
概率
微積分
程式設計
這些是理解機器學習內在工作原理的必備知識。許多初學者課程通常要求至少有一些程式設計基礎，並熟悉線性代數的基礎知識，如向量、矩陣及其符號。
本文提及的第一份課程——吳恩達的《機器學習》複習了大部分所需數學知識，但如果你之前沒有學過線性代數，那麼同時學習機器學習和線性代數可能會有點困難。
如果你需要溫習數學基礎知識，請參考以下建議：
推薦學習 Python，因為多數機器學習課程用的程式語言都是 Python。即使你學的是吳恩達的《機器學習》課程（該課程用 Octave），你也應該抽時間學一下 Python，因為早晚都得用到。dataquest.io 也是一份極好的 Python 資源，其互動式瀏覽器環境中有很多免費的 Python 課程。
這些知識儲備有助於初步瞭解演算法的工作原理。
基礎演算法
以下是大家需要熟悉和練習使用的基礎演算法集合：
線性迴歸
Logistic 迴歸
k-均值聚類
k-最近鄰
支援向量機（SVM）
決策樹
隨機森林
樸素貝葉斯
這些演算法是必須瞭解的，當然還有很多其他演算法。上述課程介紹了這些演算法及其變體。理解這些技術的原理以及何時使用它們對處理新專案非常重要。
除了這些基礎演算法之外，還有一些比較高階的技術需要學習：
整合
Boosting
降維
強化學習
神經網路和深度學習
這只是開始，這些演算法通常是最有趣的機器學習解決方案中會使用到的，它們對你的工具箱來說也是個有效的補充。
與基礎技術一樣，每學習一項新工具，你就要直接將其應用到專案中，以加深理解、融會貫通。
解決專案
線上學習機器學習很有難度，當然回報也很大。不過你要記住，只看講課視訊、做測驗並不能證明你真的在學習教材。如果你建立一個與課程使用資料和目標皆不同的專案，那麼你會學到更多。
在你剛開始學習機器學習基礎知識時，你就應該尋找一些有趣的資料，以便實踐新技能。上述課程將使學習者瞭解何時應用演算法，因此在自己的專案中應用機器學習演算法是一項不錯的實踐。
通過試錯、探索和反饋，你會發現如何使用不同的技術、如何衡量結果、如何分類或預測。關於 ML 專案，這裡有一份示例列表，參見：https://github.com/NirantK/awesome-project-ideas。
解決專案會幫助你更好、更高階地理解機器學習。如果你開始瞭解更高階的概念（如深度學習），那麼將有無數種技術和方法去理解和使用。
閱讀新研究
機器學習是一個快速發展的領域，每天都有新技術和應用出現。你掌握了機器學習基礎知識之後，可以閱讀自己感興趣的研究論文。
有一些網站可以即時獲取感興趣領域的新論文。比如谷歌學者，輸入關鍵詞「machine learning」和「twitter」，或其他感興趣的主題，點選「Create Alert」，即可通過電子郵件獲取相關新論文通知。
養成每週閱讀提醒郵件的習慣，瀏覽論文以確定是否有閱讀的必要，然後深入理解某項研究的具體內容。如果某些研究與你正在做的專案相關，你可以看看是否可以將這些技術應用到自己的問題上。
結語
機器學習是一個非常有趣的領域，值得你去學習和體驗，希望在這裡你可以找到一個適合自己的課程。
機器學習是資料科學的一個重要組成部分，如果你對統計、視覺化、資料分析等方面感興趣的話，可以參考關於頂級資料科學課程推薦的文章：https://www.learndatasci.com / best-data-science-online-courses /。