與包含探索性資料分析，統計，通訊和視覺化技術等主題的資料科學課程不同，機器學習課程側重於僅教授機器學習演算法，它們如何以數學方式工作，以及如何在程式語言中使用它們。
今天學術君給大家推薦實用性超強的五個機器學習課程：
＃1 機器學習 - Coursera
（課程網址：https://medium.com/@LearnDataSci/top-5-machine-learning-courses-for-2019-8a259572686e）
＃2 深度學習專業化 - Coursera
（課程網址：https://www.learndatasci.com/out/coursera-deep-learning-specialization/）
＃3 使用Python進行機器學習 - Coursera
（課程網址：https://www.learndatasci.com/out/coursera-ibm-machine-learning-python/）
＃4 高階機器學習專業化 - Coursera
（課程網址：https://www.learndatasci.com/out/coursera-advanced-machine-learning-specialization/）
＃5 機器學習 - EdX
（課程網址：https://www.learndatasci.com/out/edx-columbia-machine-learning/）
列表中的每門課程都遵循以下標準：
嚴格關注機器學習
使用免費的開源程式語言，即Python，R或Octave
為這些語言使用免費的開源庫
包含練習和實踐經驗的程式設計任務
解釋演算法，如何以數學方式工作
每個月左右都可以自我調節
有吸引力的老師和有趣的講座
在各種論壇獲得高於平均水平的評分和評論
為了讓自己沉浸其中並儘可能快速全面地學習ML，我相信除了線上學習之外，你還應該尋找各種書籍。以下是兩本對我的學習經歷產生重大影響的書籍。
兩本優秀的書籍伴侶
除了參加下面的任何視訊課程，如果您對機器學習還不熟悉，您應該考慮閱讀以下書籍：
1.《Springer Texts in Statistics》——《統計學習簡介》
本書提供了令人難以置信的清晰直接的解釋和示例，以提高您對許多基本機器學習技術的整體數學直覺。本書更多的是關於事物的理論方面，但它確實包含許多使用R程式語言的練習和例子。
2.《hands-on machine learning with scikit-learn and tensorflow》
Github上有中文譯版：https://github.com/apachecn/hands-on-ml-zh
這是對前一本書一個很好的補充，因為本文主要關注使用Python進行機器學習的應用。與以下任何課程一起，本書將強化您的程式設計技巧，並向您展示如何立即將機器學習應用於專案。
現在，讓我們來看看課程描述和評論。
＃1 機器學習 - Coursera
此課程的老師和創作者的是Andrew Ng，史丹佛大學教授，谷歌大腦，Coursera的創始人之一。
本課程使用開源程式語言Octave而不是Python或R進行分配。如果你是一個完整的初學者，Octave實際上是一種學習ML基礎知識的簡單方法。
總的來說，課程材料非常全面，並且由Ng直觀地表達。完整地解釋了理解每個演算法所需的所有數學，包括一些微積分解釋和線性代數的複習。該課程相當獨立，但事先對線性代數的一些瞭解肯定會有所幫助。
課程結構：
1.單變數的線性迴歸
2.線性代數評論
3.具有多個變數的線性迴歸
4.Octave / Matlab教程
5.Logistic迴歸
6.正則
7.神經網路：表示
8.神經網路：學習
9.應用機器學習的建議
10.機器學習系統設計
11.支援向量機
12.降維
13.異常檢測
14.推薦系統
15.大規模機器學習
16.應用示例：Photo OCR
所有這些內容需學習十一週左右，如果您完成了整個課程，您將在大約四個月內掌握機器學習的基礎知識。
之後，您可以輕鬆地進入更高階或專業的主題，如深度學習、ML工程或任何其他引起您興趣的話題。
毫無疑問，這是以新手開始的最佳課程。
＃2 深度學習專業化 - Coursera
該課程的老師依舊是Andrew Ng教授，它是一個更高階的課程系列，適合任何有興趣學習神經網路和深度學習的人，以及幫助他們解決許多問題。
每門課程的作業和講座都使用Python程式語言，並將TensorFlow庫用於神經網路。這自然是Ng的機器學習課程一個很好的後續，因為你會收到類似的講座風格，但現在將先使用Python進行機器學習。
課程結構：
1.神經網路與深度學習
深度學習簡介
神經網路基礎知識
淺層神經網路
深度神經網路
2.改進神經網路：超引數調整，正則化和優化
深度學習的實踐方面
優化演算法
超引數調整，批量標準化和程式設計框架
3.構建機器學習專案
ML策略（1）
ML策略（2）
4.卷積神經網路
卷積神經網路的基礎
深度卷積模型：案例研究
物體檢測
特殊應用：人臉識別和神經風格轉移
5.序列模型
遞迴神經網路
自然語言處理和Word嵌入
序列模型和注意機制
＃3 使用Python進行機器學習 - Coursera
另一個初學者課程，這個課程僅關注最基本的機器學習演算法。教師、幻燈片動畫和演算法說明非常合適初學者，讓您對基礎知識有一種直觀的感覺。
本課程使用Python，並且在演算法背後的數學上稍微簡單一些。通過每個模組，您將有機會在瀏覽器中使用互動式Jupyter膝上型電腦來檢驗您剛學過的新概念。每個筆記本都增強了您的知識，併為您提供了在實際資料上使用演算法的具體說明。
課程結構：
1.機器學習簡介
2.迴歸
3.分類
4.聚類
5.推薦系統
6.最終專案
本課程最好的一點是為每種演算法提供實用的建議。當引入新演算法時，教師會向您提供它的工作原理、優點和缺點，以及您應該使用它的哪種情況。這些點經常被排除在其他課程之外，這些資訊對於新學員來說非常重要。
＃4 高階機器學習專業化 - Coursera
這是另一個高階系列課程，投入了非常廣泛的網路。如果您有興趣儘可能多地使用機器學習技術，這個專業化是平衡和廣泛的線上課程的關鍵。
本課程的教學非常棒：非常精彩，簡潔。由於其先進性，您需要比目前列出的任何其他課程更多的數學知識。如果您已經參加了初學者課程並學習了線性代數和微積分，那麼這是填補其餘機器學習專業知識的不錯選擇。
本專業化涵蓋的大部分內容對許多機器學習專案至關重要。
完成這一系列課程大約需要8到10個月，所以如果你從今天開始，在不到一年的時間裡，你將學到大量的機器學習，並能夠開始處理更多尖端的應用程式。
＃5 機器學習 - EdX
這是一個高階課程，具有該列表中任何其他課程的最高數學先決條件。你需要非常牢固地掌握線性代數，微積分，概率和程式設計。該課程在Python或Octave中都有有趣的程式設計作業，但該課程不教授任何一種語言。
如果您有興趣閱讀教科書，例如《Machine Learning ：A Probabilistic Perspective》→《機器學習：概率視角》 ，這是碩士課程中推薦較多的資料科學書籍之一 ，這門課程將是一個很棒的補充。
課程結構：
1.最大似然估計，線性迴歸，最小二乘法
2.嶺迴歸，偏差方差，貝葉斯法則，最大後驗推斷
3.最近鄰分類，貝葉斯分類器，線性分類器，感知器
4.Logistic迴歸，Laplace逼近，核方法，高斯過程
5.最大邊距，支援向量機（SVM），決策樹，隨機森林，提升
6.聚類，K均值，EM演算法，缺失資料
7.高斯混合，矩陣分解
8.非負矩陣分解，潛在因子模型，PCA和變化
9.馬爾可夫模型，隱馬爾可夫模型
10.連續狀態空間模型，關聯分析
11.模型選擇，後續步驟
課程中的許多主題都包含在針對初學者的其他課程中，但數學並未在這裡淡化。如果您已經學習了這些技術，有興趣深入研究數學，並希望從事實際推匯出某些演算法的程式設計作業，那麼請學習本課程。
基本演算法
在機器學習中有一套基本的演算法，每個人都應該熟悉並具有使用經驗。這些是：
線性迴歸
Logistic迴歸
k-Means聚類
k-最近鄰
支援向量機（SVM）
決策樹
隨機森林
樸素貝葉斯
這些是必需品，但還有很多,上面列出的課程基本上包含所有這些和一些變化。在開展新專案時，瞭解這些技術如何工作以及何時使用它們將非常重要。
資訊來源：Medium