[譯] 基於評論的機器學習線上課程排名

davelet發表於2019-03-03
機器學習

[譯] 基於評論的機器學習線上課程排名

Kaboompics 的木頭人

一年半以前，我退出了加拿大最好的電腦科學課程之一，開始使用線上資源建立我自己的資料科學研究生課程。我意識到只要通過 edX、Coursera 和 Udacity 就能學到所有我需要的東西，而且學習得更快更高效，學費還比大學低！

現在我馬上就完成了！我學習了很多資料科學相關的課程而且評估了更多課程的部分內容。我知道了如何選擇，也知道了什麼技能對於打算成為資料分析師或者資料科學家的學員是必需的。所以我建立了一個評論驅動的指南，該指南推薦了資料科學領域內各學科最好的課程。

在本系列的第一篇指南中我給剛入門的資料科學家們先推薦一些編碼課程，然後是概率統計課程，然後是資料科學概論，還有資料視覺化。

歡迎來到機器學習

我為了這篇指導花費了十幾個小時嘗試找出截至到 2017 年 5 月的所有線上課程，從這些課程的摘要和評論中提取了關鍵資訊，並蒐集了它們的評分。我最終的目標本來是找出最好的三門課程呈現出來以饗讀者。

為了實現這個目標，我特意到開源社群 Class Central，它的資料庫中有數以千計的課程評分和評論。

[譯] 基於評論的機器學習線上課程排名

Class Central 的主頁。

自從 2011 年起，Class Central 的創始人 Dhawal Shah 可以毫無爭議地說比世界上其他任何人都更加關注線上課程。Dhawal 個人也幫我一起收集了這個資源列表。

我們如何甄選課程

每一門課程都必須滿足如下三條準則：

  1. 必須包含大量的機器學習內容。原則上機器學習應該是首要主題。注意，只涉及深度學習的課程應該被排除，後面會詳述。
  2. 必須按需或每隔幾個月提供一次。
  3. 必須是可互動的線上課程，不能使用書本或只讀的指南。儘管那些也是學習的途徑，但是這裡只關注課程。完全的視訊教程（也就是說沒有測驗或課後作業等）也要排除。

我相信我們已經包含了所有符合上述準則值得關注的的課程。Udemy 上面有幾百門課程，我們只選擇其中留言最多、評分最高的課程。

不過由於精力有限，一定還是有可能我們會忽略掉某課程的。如果你發現我們漏掉了一門好課程，請在評論區留言讓我們知道。

我們如何評估課程

我們從 Class Central 以及其他點評網站彙集了每門課程的平均評分和評論的數量，以此來計算它們的加權平均分。我們閱讀了文字評論，通過那些課程反饋來補充分數。

我們根據三個因素進行了教學大綱的主觀判斷：

  1. 對機器學習工作流程的解釋程度。課程是否描繪了成功執行一個 ML 工程的必要步驟？ 有關典型工作流程的含義，請參閱下一節。
  2. 對機器學習技術和演算法的覆蓋程度。是否涉及了各種技術（例如迴歸、分類、聚類等）和相關演算法（比如分類演算法：樸素貝葉斯、決策樹、支援向量機等），還是隻簡單挑選了幾個？我們更傾向沒有省略細節的、覆蓋更多機器學習技術和演算法內容的課程。
  3. 對通用資料科學和機器學習工具的使用程度。課程教學上是否使用了流行的程式語言，比如 Python、R 或 Scala？對這些語言的流行類庫使用如何？這些當然不是必需的但是是有用的，所以對這些課程我們略有偏好。

什麼是機器學習？工作流程如何？

一個流行的定義起源於 1959 年 Arthur Samuel 的說法：機器學習是電腦科學的一個分支，能夠“讓計算機自主學習而無需顯式程式設計”。實踐中，這意味著開發的計算機程式可以根據資料進行預測。就像人類可以根據經驗學習一樣，計算機也可以。對於計算機，資料 = 經驗。

機器學習工作流程是執行機器學習專案所需的過程。儘管單個專案可能不同，但是絕大多數工作流程都需要這麼幾個通用任務：問題評估，資料探索，資料預處理，模型訓練、測試、部署，等等。下面你會看到這些核心步驟有用的的視覺化展示：

[譯] 基於評論的機器學習線上課程排名

UpX Academy 提供的典型機器學習工作流程核心步驟

理想的課程能夠介紹完整的過程並提供互動式的例子、課後作業、小測試，學員們能自己完成每個任務。

這些課程包含了深度學習嗎？

首先我們們來定義一下深度學習。簡潔點的定義是：

“深度學習是機器學習的一個分支，關注的是受大腦結構和功能啟發的人工神經網路演算法。”

— Jason Brownlee，來自掌握機器學習

可能如你所希望的，我們的課程正好有一些包含了深度學習的內容。但我是沒有選擇那些只包含深度學習的課程的。如果你就是對深度學習感興趣，我們建議你學習一下下面的文章：

列表裡面我最推薦的 TOP 3 是：

推薦的先修課程

下面列出的一些課程要求學員有程式設計、微積分、線性代數和統計學經驗。鑑於機器學習是一門高階學科，這些先修課程是可以理解的。

有些科目不懂？好訊息！其中一些經驗可以通過我們在頭兩篇關於“資料科學生涯指導”的推薦文章（程式設計, 統計學）中學習到。下面的幾個頂級課程還提供了簡單的微積分和線性代數複習，並著重突出了與那些不太熟悉的機器學習最相關的方面。

我們甄選的最佳機器學習課程是……

史丹佛大學釋出在 Coursera 的機器學習在評分、評論和大綱匹配上是目前最明確的贏家。課程由著名的 Andrew Ng 講授，他是 Google 大腦的創始人，百度的前首席科學家。這是促成了 Coursera 成立的課程。它有 422 條評論，加權平均得分 4.7 星。

這門課程釋出於 2011 年，涵蓋了機器學習工作流程的所有方面。儘管它比自身基於的最初的史丹佛大學課程範圍小了一點，依然成功包含了大量的技術和演算法。預估的時間是 11 周，包括兩週的神經網路和深度學習。課程還提供了免費版和收費版兩種選擇。

Ng 是一位有活力而又溫柔的導師，而且經驗豐富。他激勵自信，尤其是在分享實際實施技巧和常見陷阱警告的時候。他幫助學員複習線性代數並強調與機器學習最相關的微積分知識。

課程評價由每節課後的多項選擇測驗和程式設計作業自動完成。這些作業（一共有八次）可以使用 MATLAB 或 Octave 完成，後者是 MATLAB 的一個開源版本。Ng 常解釋他對語言的選擇：

以前我總是嘗試使用各種不同的語言講授機器學習，包括 C++、Java、Python 和 NumPy，當然還有 Octave，等等。在我教了十年機器學習之後我發現使用 Octave 做為程式設計環境會讓你學得最快。

儘管 Python 和 R 在 2017 年有著上升的人氣，似乎更引人注目，評論家們注意到那不應該阻止你學習這門課。

一些著名評論家注意到以下內容：

作為 MOOC 世界中長期以來的知名課程，史丹佛大學的機器學習確實是這一主題的權威介紹。該課程廣泛涵蓋了機器學習的所有主要領域。Ng 教授在每個部分之前都有激勵性的討論和例子。

Andrew Ng 是一位有天賦的老師，能夠以相當直觀清晰的方式解釋複雜主題，包括概念後面的數學原理。強烈推薦！

我看這門課的唯一問題是，它是否為其他課程設定了太高的期望值。

[譯] 基於評論的機器學習線上課程排名

Andrew Ng 的機器學習課程預覽視訊。

一門由傑出教授講授的常春藤大學課程

哥倫比亞大學的機器學習是他們釋出在 edX 上的《人工智慧微碩士》（Artificial Intelligence MicroMasters）課程的一個相當新的部分（譯者注：《微碩士》課程是由 edX 推出的一系列線上研究生課程，可以用來學習職業發展的獨立技能或從各自大學獲得研究生同等學力證照，相當於一個完整碩士學位的學期）。儘管它太新了還沒有太多的評論，但是已有的評論卻異常給力。授課教授 John Paisley 以傑出、授課簡傑、聰明而聞名。這門課程有 10 條評論，加權平均得分 4.8 星。

這門課程覆蓋了機器學習工作流程的全部方面，而且在演算法上比上面的史丹佛課程還多。哥倫比亞的課程是更加高階的入門課程，評論中有提到說學員需要很熟悉我們前面推薦的先修課程：微積分、線性代數、統計學、概率論和程式設計。

它的畢業評估由 11 次測驗、4 次程式設計作業和期末考試組成。學員們可自行選擇 Python、Octave 或 MATLAB 完成作業。課程的總預計時長是 12 周，每週 8 到 10 課時。課程本身是免費的，不過提供認證證照可供購買。

下面是一些上文提到的課程的的高質量評論：

在當學生的這些年，我經歷了各種教授：不夠傑出的教授、自身傑出但是授課能力一般的教授、傑出而又擅長授課的教授。Paisley 博士就屬於第三種。

這門課太棒了！老師的語言太精準了，在我看來這也是這門課最突出的亮點之一。課程質量很高，PPT 也超棒。

Paisley 博士和他的導師都是機器學習之父邁克爾·喬丹的學生。Paisley 博士因為授課清晰成為哥倫比亞大學最好的 ML 教授。這個學期有將近 240 個學生選他的課，這個數字是哥倫比亞大學所有講授機器學習的教授中最大的。

[譯] 基於評論的機器學習線上課程排名

哥倫比亞大學釋出於 edX 的《微碩士》課程預覽視訊。機器學習課程簡介開始於大約 1:00。

來自工業專家的 Python 和 R 實用簡介

釋出於 Udemy 的機器學習 A-Z™ 課程的詳細程度讓人印象深刻，它同時提供了 Python 和 R 的實現用法。這是罕見的，其他任何頂級課程也不會有這種評價。它的評論數是在我們推薦課程中最高的，高達 8119 條，得到 4.5 星的加權平均得分。

它覆蓋了全部的機器學習工作流程，還通過 40.5 小時的按需視訊教程提供了數量近乎荒謬（好的那種）的演算法講解。這門課比上面兩門課更實用，數學要求也低。每個部分都以 Eremenko 的“直覺”視訊開始，視訊中總結了將被講授的概念中的重要理論。然後 de Ponteves 會通過一些分開的視訊講述如何通過 Python 和 R 實現出來。

一個“福利”是這門課程包含了 Python 和 R 的程式碼模版供學員下載以便在他們自己的專案中使用。課程也提供了測驗和家庭作業挑戰，不過不是這門課程的有力得分點。

Eremenko 和 SuperDataScience team 最受學員愛戴的是他們有能力“把複雜的事情搞簡單”。此外，這門課程先修課程的要求也“只是一些高中數學”，所以對於被史丹佛和哥倫比亞課程難倒的學員可能是較好的選擇。

一些突出的評論者強調了以下內容：

這門課是專業出品，音質棒極了，釋義也特別簡潔清晰。你金錢和時間的投資絕對有難以估量的回報。

在一門課中同時用兩種語言學習簡直太令人驚歎了。

Kirill 絕對是 Udemy 上最好的老師之一（如果不是在網上），我推薦他講的所有課程。這門課有豐富的內容，豐富到爆！

[譯] 基於評論的機器學習線上課程排名

機器學習 A-Z™ 的預覽視訊。

比拼

我們的首選課程通過 422 條評論得到了 4.7 星的加權平均得分。我們看一下其他可選課程，以分值降序排列。再次提醒：純粹深度學習的課程不包含在這篇指導裡（那些課程可以在這裡檢視）。

《走近資料分析》（麻省理工學院於 edX）：更關注一般分析，雖然也有一些機器學習主題；使用 R 語言；使用我們熟悉的現實世界的例子進行強悍的表述；有挑戰；12 周，每週 10 到 15 學時；可自願購買經過認證的證照；有 214 條評論，加權平均得分 4.9 星。

這門麻省理工學院夢幻課程的推廣視訊：走近資料分析。

《資料科學和機器學習 Python 訓練營》（何塞波蒂利亞大學於 Udemy）：包含了完整資料科學流程的內容，有大塊的機器學習內容；更詳細的 Python 入門；優秀的課程，不過不在本文的理想課程內容範疇；21.5 小時的按需視訊；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見；有 3316 條評論，加權平均得分 4.6 星。

《資料科學和機器學習 R 訓練營》（何塞波蒂利亞大學於 Udemy）：上面對波蒂利亞大學課程的評價同樣適用於此，只不過語言換成 R；17.5 小時的按需視訊；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見；有 1317 條評論，加權平均得分 4.6 星。

《機器學習系列課程》（Lazy Programmer 公司於 Udemy）：由具有不凡工作經驗的資料科學家、大資料工程師、全棧軟體工程師講授；Lazy Programmer 目前在 Udemy 有 16 門聚焦機器學習的課程；總體上看，課程由 5000+ 評分，基本都在 4.6 星以上；每門課的描述中都有一個有用的課程排序；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見。

《機器學習》（佐治亞理工學院於 Udacity）：三門獨立課程組合而成：監督學習、無監督學習和強化學習；是該網站機器學習工程師 Nanodegree 和該校線上碩士學位（OMS）的一部分；資訊量剛好可消化的視訊大小正是 Udacity 的風格；友好的教授們；估計 4 個月可畢業；免費；9 條評論，4.56 星。

《在 Azure HDInsight 中使用 Spark 實現預測分析》（微軟與 edX）：介紹了機器學習的核心概念和一些演算法；利用了一些大資料友好的工具，包括 Apache Spark、 Scala 和 Hadoop；Python 和 R 都用到了；預計 6 周，每週 4 課時；可自願購買經過認證的證照；有 6 條評論，4.5 星。

《使用 Python 學習資料科學和機器學習：手把手教你！》（Frank Kane 於 Udemy）：使用 Python；Kane 在亞馬遜公司和 IMDb有 9 年工作經驗；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見；有 4139 條評論，4.5 星。

用於大資料和機器學習的 Scala 和 Spark 技術（何塞波蒂利亞大學於 Udemy）：關注“大資料”，尤其是使用 Scala 和 Spark 實現；10 小時的按需視訊；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見；607 條評論，4.5 星。

機器學習工程師 Nanodegree（Udacity）：Udacity 的旗艦機器學習課程，這種課程具有一流的專案評審系統和職業支援；該課程由幾個都是免費的獨立課程組成；與 Kaggle 聯合建立；預計 6 個月學完；目前是每月 199 美元，12 個月之內畢業可享受 50% 的學費退款；2 條評論，4.5 星。

《從資料中學習（機器學習介紹）》（加州理工學院於 edX）：課程報名當前在 edX 上關閉了，不過依然可以通過 CalTech 的獨立平臺報名（見下面）；42 條評論，4.49 星。

Caltech 和 Yaser Abu-Mostafa 的從資料中學習介紹視訊。

《從資料中學習（機器學習介紹）》（Yaser Abu-Mostafa 於加州理工學院）：“真正的 Caltech 課程，不是閹割版”；評論強調它在理解機器學習理論上很優秀；Yaser Abu-Mostafa 教授在學生中很流行，還寫了這門課使用的教科書；上傳到油管的視訊是上課錄音（帶有 PPT 的畫中畫功能），家庭作業是 PDF 檔案；學生線上學習的課程體驗並不如 TOP 3 推薦那麼精彩；7 條評論，4.43 星。

《海量資料集挖掘》（史丹佛大學）：關注“大資料”的機器學習課程；介紹了現代分散式檔案系統和 MapReduce；7 周，每週 10 小時；免費；30 條評論，4.4 星。

《AWS 機器學習：使用 Python 的完整指導》（Chandra Lingam 於 Udemy）：唯一關注基於雲端的機器學習課程，尤其是 Amazon Web Service。使用 Python；9 小時按需視訊；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見；62 條評論，4.4 星。

《機器學習介紹和使用 Python 進行面部識別》（Holczer Balazs 於 Udemy）：使用 Python；8 小時按需視訊；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見；162 條評論，4.4 星。

《StatLearning：統計學習》（史丹佛大學）：基於超優秀的教科書《統計學習入門，使用 R 程式》並由編寫書的教授上課；評論說 MOOC 引用了書中“薄弱”的練習和平庸的視訊，沒有書好；9 周，每週 5 課時；免費；84 條評論，4.35 星。

《機器學習規範》（華盛頓大學於 Coursera）：超棒的課程，可惜最後兩課（包括頂點課程）被刪掉了（譯者注：頂點課程是美國大學開設在實用性很強的專業中讓學生整合所學領域的知識並充分利用的課程）；評論說該系列課程比那些頂級機器學習課程 —— 也就是史丹佛和 Caltech 的 —— 更容易消化（對那些沒有很強工科背景的學員來說）；記住該課程在推薦系統和深度學習上並不完整，還缺少課程總結；有免費和收費版本；80 條評論，4.31 星。

[譯] 基於評論的機器學習線上課程排名

Coursera 上華盛頓大學正在上這門《機器學習規範》。

《從 0 到 1：機器學習和NLP，使用 Python 切入正題》（Loony Corn 於 Udemy）：“一種腳踏實地，害羞但自信的機器學習技巧”；由具有數十年工業經驗的四人小組授課；使用 Python；價格根據 Udemy 賬戶級別進行折扣，這在 Udemy 很常見；494 條評論，4.2 星。

《機器學習的原則》（微軟於 edX）：使用 R、Python 和 微軟 Azure 機器學習工具；是微軟資料科學專業課程認證的一部分；6 周，每週 3-4 小時；可自願購買經過認證的證照；11 條評論，4.09 星。

《大資料：統計推斷與機器學習》（昆士蘭科技大學於 FutureLearn）：一門聚焦於大資料、漂亮而又簡潔的機器學習探索課程；覆蓋了諸如 R、H20 流和 WEKA 等工具；推薦三週就學完，每週 2 課時；有免費和收費版本；4 條評論，4 星。

《基因組資料科學與聚類》（生物資訊學第五部）（加利福尼亞大學和 San Diego 於 Coursera）：面向對電腦科學和生物學的交叉學科感興趣的人，並展示這門交叉學科如何代表現代科學的重要前沿；關注聚類和資料降維；加州大學聖地亞哥分校（UCSD）生物資訊學專業的一部分；有免費和收費版本；3 條評論，4 星。

《機器學習簡介》（Udacity）：在深度和理論上優先考慮學習寬度和實用工具主題（使用 Python）；兩位老師 —— Sebastian Thrun 和 Katie Malone —— 讓課程充滿趣味；課程視訊是剛好能夠消化的大小；每節課的小專案後面都有測驗；目前是 Udacity 資料分析師納學位的一部分（譯者注：納學位，或者說 Nanodegree，是優達學院和企業推出的系列聯合認證課程,一般可在 12 個月內結業。“納”模仿自“微學院”中的“微”，都表示模仿自高校。“納”和“微”都是度量單位，“納”比“微”更小）；估計 10 周；免費；19 條評論，3.95 星。

Sebastian Thrun 和 Katie Malone 講授的 Udacity 《機器學習簡介》介紹視訊。

《用於資料分析的機器學習》（衛斯理大學於 Coursera）：對機器學習及幾個選擇演算法的簡單介紹；覆蓋決策樹、隨機森林、LASSO 迴歸和 K 均值聚類；是衛斯理大學資料分析和解釋專業的一部分；估計 4 周；有免費和付費版本；5 條評論，3.6 星。

《資料科學：使用 Python 程式設計》（微軟於 edX）：微軟和 Coding Pojo 聯合出品；使用 Python；6 周，每週 8 小時；有免費和付費版本；37 條評論，3.46 星。

《用於交易的機器學習》（佐治亞科技大學於 Udacity）：專注於將概率機器學習方法應用於交易決策；使用 Python；是 Udacity 機器學習工程師納學位和佐治亞科大線上碩士學位（OMS）的一部分；估計 4 個月；免費；14 條評論，3.29 星。

《實用機器學習》（約翰霍普金斯大學於 Coursera）：簡潔、實用的介紹了一些機器學習演算法；一些一星二星的評論表達了對課程的各種擔憂；是該校資料科學專業的一部分；4 周，每週 4-9 小時；有免費和收費版本；37 條評論，3.11 星。

《用於資料科學和資料分析的機器學習》（哥倫比亞大學於 edX）：介紹了機器學習的廣泛主題；一些負面評論對課程內容的選擇、缺少程式設計作業和缺乏有靈感的展示提出了擔憂；超過 5 周，每週 7-10 小時；36 條評論，2.74 星。

《推薦系統規範》（明尼蘇達大學於 Cou）：重點關注了一種特定的機器學習型別 —— 推薦系統；4 節專業課加一節頂點課程，這是一個案例研究；使用 LensKit（推薦系統的一個開源工具集） 上課；有免費和收費版本；2 條評論，2 星。

《使用大資料進行機器學習》（加利福尼亞大學和 San Diego 於 Coursera）：嚴重負面的評論突出了課程糟糕的教學和評估；一些評論說完成整個課程只需要幾小時；是該校大資料專業的一部分；有免費和收費版本；14 條評論，1.86 星。

《實用預測分析：模型和方法》（華盛頓大學於 Coursera）：對機器學習的核心概念進行了簡單介紹；有條評論說課程沒有測驗，作業也沒有挑戰；是該校資料科學擴充套件專業的一部分；超過 4 周，每週 6 - 8 小時；有免費和收費版本；4 條評論，1.75 星。

下面是截止到 2017 年 5 月不超過一條評論的課程。

《給音樂家和藝術家的機器學習》（Goldsmiths 和 倫敦大學於 Kadenze）：獨一無二的課程；學員學習演算法、軟體工具和機器學習最佳實踐來讓機器識別人類手勢、音訊和其他實時資料；一共 7 課；有旁聽（免費）和收費（每月 10 美元）版本；有一條 5 星評論。

Kadenze 上 Goldsmiths 和倫敦大學《給音樂家和藝術家的機器學習》的宣傳視訊。

《應用機器學習（使用 Python）》（密歇根大學於 Coursera）：使用 Python 和 scikit 學習工具集上課；是應用機器學習（使用 Python）專業的一部分；計劃 5 月 29 號開課；有免費和收費版本。

《應用機器學習》（微軟於 edX）：使用了包括 Python、R 和微軟 Azure 機器學習工具上課（注意：這是微軟出品的課程）。包括動手實驗室來強化課程內容；超過 6 周，每週 3-4 小時；可自願購買經過認證的證照。

《使用 Python 進行機器學習》（大資料大學）：使用 Python 上課；目標受眾是入門者；預估 4 小時完成；大資料大學隸屬於 IBM；免費。

《使用 Apache SystemML 進行機器學習》（大資料大學）：使用 Apache SystemML 上課，這是一種為大規模機器學習而設計的宣告式語言；預估 8 小時完成；大資料大學隸屬於 IBM；免費。

《給資料科學的機器學習》（加利福尼亞大學和 San Diego 於 edX）：要到 2018 年一月才開課；程式例子和作業都是 Python的，用的 Jupyter 教材（譯者注：Jupyter 教材是一個開源的線上應用，使用者可以自己製作教材並共享給別人）；10 周，每週 8 小時；可自願購買經過認證的證照。

《分析模型入門》（佐治亞科技大學於 edX）：課程通告說使用 R 做為其首選語言；10 周，每週 5-10 小時；可自願購買經過認證的證照。

《預測分析：洞察大資料》（昆士蘭科技大學於 FutureLearn）：簡述了一些演算法；使用 Hewlett Packard Enterprise 的 Vertica Analytics 平臺做為應用工具；開課時間還未公佈；4 周，每週 2 小時；可自願購買成就證照。

《機器學習簡介》（西班牙電信大學於 Miríada X）：西語授課；覆蓋了監督和無監督學習的機器學習簡介；預估 4 周共 20 小時。

《機器學習登堂入室》（Dataquest）：使用 Dataquest 的瀏覽器內建互動式平臺通過 Python 上課；多個導引專案和一個你使用你自己資料構建的 “+” 專案；需要訂閱。

下面的 6 門課程由 DataCamp 提供。DataCamp 的混合授課風格使用了基於視訊和文字並通過一個瀏覽器內建的程式碼編輯器穿插大量的例子；每門課都需要完整訂閱。

[譯] 基於評論的機器學習線上課程排名

DataCamp 提供了幾門機器學習的課程。

《機器學習簡介》（DataCamp）: 覆蓋了分類演算法、迴歸演算法和聚類演算法；使用 R；15 段視訊，81 次練習，預估 6 小時。

《使用 scikit-learn 進行監督學習》（DataCamp）：使用 Python 和 scikit-learn；覆蓋了分類演算法和迴歸演算法；17 段視訊，54 次練習，預估 4 小時。

《使用 R 進行非監督學習》（DataCamp）：簡單介紹了通過 R 進行聚類和降維；16 段視訊，49 次練習，預估 4 小時。

《機器學習工具箱》（DataCamp）：講授機器學習中的“大主意”；使用 R；24 段視訊，88 次練習，預估 4 小時。

《和專家一起機器學習：學校預算案例》（DataCamp）：是 DrivenData 上面的一個機器學習案例研究；涉及建造機器學習模型對學校的預算項自動分類；先修課程是 DataCamp 的課程《使用 scikit-learn 進行監督學習》；15 段視訊，51 次練習，預估 4 小時。

《使用 Python 進行非監督學習》（DataCamp）：使用 Python、scikit-learn 和 scipy 講解了一些非監督學習的演算法；課程最後是學員構造一個推薦系統來推薦流行音樂歌手；13 段視訊，52 次練習，預估 4 小時。

《機器學習》（Tom Mitchell 和卡耐基梅隆大學）： 該校的研究生機器學習入門課程；它們的第二個研究生課程要求具備“統計機器學習”知識背景；線上釋出帶有練習題、家庭作業和期中考試（都有答案）的大學課程；還有一個 2011 版；卡耐基梅隆大學是學習機器學習最好的研究生學校，它有一個系專門研究 ML；免費。

《統計機器學習》（Larry Wasserman 和卡耐基梅隆大學）：和本文其他高階課程一樣；是卡耐基梅隆大學機器學習課程的後續課程；線上釋出帶有練習題、家庭作業和期中考試（都有答案）的大學課程；免費。

[譯] 基於評論的機器學習線上課程排名

卡耐基梅隆大學是學習機器學習最好的研究生學校。《機器學習》和《統計機器學習》都線上上可免費學習。

《本科生機器學習》（Nando de Freitas 和不列顛哥倫比亞大學）：本科生的機器學習課程；上課被錄影並和釋出在課程網站的 PPT 一起放在了油管上；課程作業也一起上傳了（不過沒答案）；de Freitas 現在是牛津大學的全職教授，各個論壇都對他的教學能力表達了讚美；研究生版本也要（見下面）。

Machine Learning (Nando de Freitas/University of British Columbia): A graduate machine learning course. The comments in de Freitas’ undergraduate course (above) apply here as well.

要結束了

本文是我們推薦最好線上課程來讓你步入資料科學領域的六部分中的第五部分。我們的第一部分涵蓋了程式設計課程，第二部分是概率統計，第三部分是資料科學入門，第四部分是資料視覺化。

最後一部分將會是前面部分的總結，加上其他主題的最好課程，如資料整理、資料庫，甚至還有軟體工程。

如果你在尋找資料科學線上課程的完整列表，可以來 Class Central 的資料科學和大資料主題頁面。

如果你讀完了還欲罷不能，可以看一下 Class Central 的其他主題：

如果你對我遺漏的課程有建議，請回復我讓我知道！

如果你覺得有幫助，點選 ? 會讓更多 Medium 板塊的使用者看到本文。

本文是我釋出在 Class Central 的原始文章的縮減版，原文包含了詳細的課程介紹。

如果發現譯文存在錯誤或其他需要改進的地方，歡迎到 掘金翻譯計劃 對譯文進行修改並 PR，也可獲得相應獎勵積分。文章開頭的 本文永久連結 即為本文在 GitHub 上的 MarkDown 連結。

掘金翻譯計劃 是一個翻譯優質網際網路技術文章的社群，文章來源為 掘金 上的英文分享文章。內容覆蓋 Android、iOS、前端、後端、區塊鏈、產品、設計、人工智慧等領域，想要檢視更多優質譯文請持續關注 掘金翻譯計劃、官方微博、知乎專欄。

相關文章