Всеки отделен курс за машинно обучение в интернет, класиран според вашите отзиви

Преди година и половина отпаднах от една от най-добрите програми за компютърни науки в Канада. Започнах да създавам собствена магистърска програма по наука за данни, използвайки онлайн ресурси. Разбрах, че вместо това мога да науча всичко, което ми трябва, чрез edX, Coursera и Udacity. И бих могъл да го науча по-бързо, по-ефективно и за малка част от цената.

Сега почти приключих. Участвал съм в много курсове, свързани с науката за данни, и съм одитирал части от много други. Знам какви са възможностите и какви умения са необходими за учащите, които се подготвят за ролята на анализатор на данни или учен по данни.Затова започнах да създавам ръководство, ръководено от рецензии, което препоръчва най-добрите курсове за всеки предмет в рамките на науката за данните.

За първото ръководство от поредицата препоръчах няколко класа по кодиране за начинаещия учен по данни. Тогава това беше статистика и класове на вероятност. След това въведения в науката за данните. Също така, визуализация на данни.

Сега върху машинно обучение.

За това ръководство прекарах десетина часа, опитвайки се да идентифицирам всеки онлайн курс за машинно обучение, предлаган от май 2017 г., извличайки ключови части от информацията от техните програми и рецензии и съставяйки техните оценки. Крайната ми цел беше да идентифицирам трите най-добри налични курса и да ви ги представя по-долу.

За тази задача се обърнах към никой друг освен общността на Class Central с отворен код и нейната база данни от хиляди оценки и рецензии за курсове.

От 2011 г. основателят на Class Central Dhawal Shah следи по-отблизо онлайн курсовете, отколкото може би някой друг по света. Dhawal лично ми помогна да събера този списък с ресурси.

Как избрахме курсове за разглеждане

Всеки курс трябва да отговаря на три критерия:

  1. Трябва да има значително количество съдържание за машинно обучение. В идеалния случай машинното обучение е основната тема.Имайте предвид, че курсовете за задълбочено обучение са изключени. Повече за това по-късно.
  2. Той трябва да се предлага при поискване или да се предлага на всеки няколко месеца.
  3. Това трябва да е интерактивен онлайн курс, така че няма книги или уроци само за четене . Въпреки че това са жизнеспособни начини за учене, това ръководство се фокусира върху курсове. Курсовете, които са строго видеоклипове (т.е. без викторини, задания и т.н.), също са изключени.

Вярваме, че сме покрили всеки забележителен курс, който отговаря на горните критерии. Тъй като има привидно стотици курсове за Udemy, ние избрахме да разгледаме само най-преглежданите и най-високо оценените.

Винаги има шанс да сме пропуснали нещо. Така че, моля, уведомете ни в раздела за коментари, ако оставихме добър курс.

Как оценихме курсовете

Съставихме средни оценки и брой рецензии от Class Central и други сайтове за рецензии, за да изчислим среднопретеглена оценка за всеки курс. Прочетохме текстови рецензии и използвахме тази обратна връзка, за да допълним числените оценки.

Направихме субективни планове за преценка на учебната програма въз основа на три фактора:

  1. Обяснение на работния процес на машинното обучение. Очертава ли курсът стъпките, необходими за изпълнението на успешен проект за ML? Вижте следващия раздел за това, което включва типичен работен процес.
  2. Покритие на техники и алгоритми за машинно обучение. Обхванати ли са разнообразни техники (напр. Регресия, класификация, групиране и т.н.) и алгоритми (напр. В рамките на класификация: наивни Bayes, дървета за решения, поддържащи векторни машини и т.н.) или само няколко избрани? Предпочитание се дава на курсове, които обхващат повече, без да се пести от детайли.
  3. Използване на общи научни данни и инструменти за машинно обучение. Курсът преподава ли се с помощта на популярни езици за програмиране като Python, R и / или Scala? Какво ще кажете за популярни библиотеки на тези езици? Те не са необходими, но са полезни, така че се дава малко предпочитание на тези курсове.

Какво е машинно обучение? Какво е работен процес?

Популярно определение произхожда от Артър Самюел през 1959 г.: машинното обучение е подполе на компютърните науки, което дава на „компютрите способността да учат, без да бъдат изрично програмирани“. На практика това означава разработване на компютърни програми, които могат да правят прогнози въз основа на данни. Както хората могат да се учат от опит, така и компютрите, където данните = опит.

Работният процес на машинно обучение е процесът, необходим за изпълнението на проект за машинно обучение. Въпреки че отделните проекти могат да се различават, повечето работни процеси споделят няколко често срещани задачи: оценка на проблеми, проучване на данни, предварителна обработка на данни, обучение на модели / тестване / внедряване и др. По-долу ще намерите полезна визуализация на тези основни стъпки:

Идеалният курс въвежда целия процес и предоставя интерактивни примери, задачи и / или тестове, където учениците могат сами да изпълняват всяка задача.

Тези курсове обхващат ли задълбочено обучение?

Първо, нека дефинираме дълбокото обучение. Ето кратко описание:

„Дълбокото обучение е подполе на машинното обучение, занимаващо се с алгоритми, вдъхновени от структурата и функцията на мозъка, наречени изкуствени невронни мрежи.“ - Джейсън Браунли от Mastery Learning Mastery

Както би могло да се очаква, части от някои курсове за машинно обучение съдържат задълбочено учебно съдържание. Избрах обаче да не включвам курсове само за задълбочено обучение. Ако се интересувате по-специално от задълбочено обучение, ние ви покрихме със следната статия:

Потопете се в дълбокото обучение с 12 безплатни онлайн курса

Всеки ден носи нови заглавия за това колко дълбоко обучение променя света около нас. Няколко примера: medium.freecodecamp.com

Моите три най-добри препоръки от този списък ще бъдат:

  • Творчески приложения на дълбокото обучение с TensorFlowот Каденце
  • Невронни мрежи за машинно обучение от Университета в Торонто (преподавател от Джефри Хинтън) чрез Coursera
  • Дълбоко обучение AZ ™: практически изкуствени невронни мрежи

    от Кирил Еременко, Хаделин де Понтевес и екипа на SuperDataScience чрез Udemy

Препоръчителни предпоставки

Няколко курса, изброени по-долу, изискват от студентите да имат предварително програмиране, смятане, линейна алгебра и статистика. Тези предпоставки са разбираеми, тъй като машинното обучение е напреднала дисциплина.

Липсват няколко теми? Добри новини! Част от този опит може да бъде придобит чрез нашите препоръки в първите две статии (програмиране, статистика) на това ръководство за кариера на Data Science. Няколко най-добре класирани курса по-долу също осигуряват леки опреснители за смятане и линейна алгебра и подчертават аспектите, които са най-подходящи за машинното обучение за по-малко запознатите.

Нашият избор за най-добрия курс за машинно обучение е ...

  • Машинно обучение (Станфордски университет чрез Coursera)

Машинното обучение на Станфордския университет на Coursera е категоричният текущ победител по отношение на рейтингите, рецензиите и пригодността на учебната програма. Поучен от известния Андрю Нг, основател на Google Brain и бивш главен учен в Baidu, това беше класът, който предизвика основаването на Coursera. Той има средно претеглена оценка от 4,7 звезди над 422 отзива.

Издаден през 2011 г., той обхваща всички аспекти на работния процес на машинното обучение. Въпреки че има по-малък обхват от оригиналния клас в Станфорд, на който се основава, той все още успява да обхване голям брой техники и алгоритми. Очакваният график е единадесет седмици, като две седмици са посветени на невронните мрежи и дълбокото обучение. Предлагат се безплатни и платени опции.

Ng е динамичен, но нежен инструктор с осезаемо преживяване. Той вдъхва увереност, особено когато споделя практически съвети за изпълнение и предупреждения за общи подводни камъни. Предоставя се опресняване на линейна алгебра и Ng подчертава аспектите на смятането, най-подходящи за машинното обучение.

Оценяването е автоматично и се извършва чрез тестове с множество избори, които следват всеки урок и задания по програмиране. Заданията (има осем от тях) могат да бъдат изпълнени в MATLAB или Octave, което е версия с отворен код на MATLAB. Нг обяснява своя избор на език:

В миналото се опитах да преподавам машинно обучение, използвайки голямо разнообразие от различни езици за програмиране, включително C ++, Java, Python, NumPy, а също и Octave ... И това, което видях след като преподавах машинно обучение в продължение на почти десетилетие е, че научавате много по-бързо, ако използвате Octave като вашата среда за програмиране.

Въпреки че Python и R вероятно са по-убедителни избори през 2017 г. с нарасналата популярност на тези езици, рецензенти отбелязват, че това не бива да ви спира да вземете курса.

Няколко видни рецензенти отбелязаха следното:

От дългогодишна известност в света на MOOC, курсът за машинно обучение на Станфорд наистина е окончателното въведение в тази тема. Курсът обхваща най-общо всички основни области на машинното обучение ... Проф. Нг предшества всеки сегмент с мотивираща дискусия и примери.

Андрю Нг е талантлив учител и може да обясни сложни предмети по много интуитивен и ясен начин, включително математиката зад всички концепции. Силно препоръчително.

Единственият проблем, който виждам с този курс, е, че той поставя много висока степента на очакване за други курсове.

Ново въведение на Ivy League с брилянтен професор

  • Машинно обучение (Колумбийски университет чрез edX)

Машинното обучение на Колумбийския университет е сравнително ново предложение, което е част от техния MicroMasters за изкуствен интелект на edX. Въпреки че е по-нов и няма голям брой отзиви, тези, които има, са изключително силни. Професор Джон Пейсли е известен като брилянтен, ясен и умен. Той има средно претеглена оценка от 4,8 звезди над 10 отзива.

Курсът също така обхваща всички аспекти на работния процес на машинно обучение и повече алгоритми от горното предложение на Станфорд. Columbia's е по-напреднало въведение, като рецензенти отбелязват, че учениците трябва да се чувстват добре с препоръчаните предпоставки (смятане, линейна алгебра, статистика, вероятност и кодиране).

Тестовете (11), задачите по програмиране (4) и заключителният изпит са начините на оценяване. Студентите могат да използват Python, Octave или MATLAB за изпълнение на задачите. Общият прогнозен график на курса е осем до десет часа седмично в продължение на дванадесет седмици. Той е безплатен с проверен сертификат за закупуване.

По-долу са някои от гореспоменатите искрящи отзиви:

През всичките си години [като] студент съм срещал професори, които не са блестящи, професори, които са блестящи, но не знаят как да обяснят ясно нещата, и професори, които са блестящи и знаят как да обяснят нещата ясно. Д-р Пейсли принадлежи към третата група.

Това е страхотен курс ... Езикът на инструктора е прецизен и това е, според мен, една от най-силните страни на курса. Лекциите са с високо качество и слайдовете също са страхотни.

Д-р Пейсли и неговият ръководител са ... ученици на Майкъл Джордан, бащата на машинното обучение. [Д-р Пейсли] е най-добрият професор по ML в Колумбия поради способността му да обяснява ясно нещата. До 240 студенти са избрали неговия курс през този семестър, най-големият брой сред всички преподаватели [преподаващи] машинно обучение в Колумбия.

Практическо въведение в Python & R от експерти в бранша

  • Машинно обучение AZ ™: практически Python & R в науката за данни (Кирил Еременко, Хаделин де Понтевес и екипът на SuperDataScience чрез Udemy)

Машинното обучение AZ ™ на Udemy е впечатляващо подробно предложение, което предоставя инструкции както на Python, така и на R, което е рядко и не може да се каже за нито един от другите най-добри курсове. Той има 4,5-звезден средно претеглен рейтинг над 8 119 отзива, което го прави най-преглежданият курс от разглежданите.

Той обхваща целия работен процес на машинното обучение и почти нелеп (в добър смисъл) брой алгоритми чрез 40,5 часа видео при поискване. Курсът има по-приложен подход и е по-лек по математика от горните два курса. Всеки раздел започва с видео за „интуиция“ от Еременко, което обобщава основната теория на преподаваната концепция. След това де Понтевес преминава през изпълнение с отделни видеоклипове както за Python, така и за R.

Като „бонус“ курсът включва шаблони за кодове на Python и R, които учениците могат да изтеглят и използват в свои проекти. Има викторини и предизвикателства за домашна работа, въпреки че това не са силните страни на курса.

Еременко и екипът на SuperDataScience са почитани заради способността им да „опростят комплекса“. Освен това изброените предпоставки са „само малко математика в гимназията“, така че този курс може да е по-добър вариант за тези, които са обезсърчени от предложенията на Станфорд и Колумбия.

Няколко видни рецензенти отбелязаха следното:

Курсът е произведен професионално, качеството на звука е отлично, а обясненията са ясни и кратки ... Това е невероятна стойност за вашите финансови и времеви инвестиции.

Беше впечатляващо да можеш да следваш курса на два различни езика за програмиране едновременно.

Кирил е един от най-добрите инструктори по Udemy (ако не и в Интернет) и препоръчвам да вземете всеки клас, който той преподава. ... Този курс има много съдържание, като тон!

Състезанието

Нашият избор № 1 имаше средно претеглена оценка от 4,7 от 5 звезди над 422 отзива. Нека разгледаме другите алтернативи, сортирани по низходящ рейтинг. Напомняне, че курсовете за задълбочено обучение не са включени в това ръководство - можете да ги намерите тук.

Анализът Edge (Масачузетски технологичен институт / edX): По-фокусиран върху анализа като цяло, въпреки че обхваща няколко теми за машинно обучение. Използва Р. Силен разказ, който използва познати реални примери. Предизвикателен. Десет до петнадесет часа седмично в продължение на дванадесет седмици. Безплатно с проверен сертификат за закупуване. Той има средно претеглена оценка от 4,9 звезди над 214 отзива.

Python за наука за данни и машинно обучение Bootcamp (Jose Portilla / Udemy): Има големи парчета съдържание за машинно обучение, но обхваща целия процес на науката за данни. Още много подробно въведение в Python. Удивителен курс, макар и не идеален за обхвата на това ръководство. 21,5 часа видео при поискване. Цената варира в зависимост от отстъпките на Udemy, които са чести. Той има средно претеглена оценка от 4,6 звезди над 3316 отзива.

Наука за данни и машинно обучение Bootcamp с R (Jose Portilla / Udemy): Коментарите за горния курс на Portilla се отнасят и тук, с изключение на R. 17,5 часа видео при поискване. Цената варира в зависимост от отстъпките на Udemy, които са чести. Той има средно претеглена оценка от 4,6 звезди над 1317 отзива.

Поредица за машинно обучение (Lazy Programmer Inc./Udemy): Преподавани от учен на данни / инженер за големи данни / софтуерен инженер с пълен стек с впечатляващо резюме, Lazy Programmer в момента има серия от 16 курса, насочени към машинно обучение по Udemy. Общо курсовете имат над 5000 оценки и почти всички от тях имат 4,6 звезди. Полезна поръчка на курса е предоставена в описанието на всеки отделен курс. Използва Python. Цената варира в зависимост от отстъпките на Udemy, които са чести.

Машинно обучение (Georgia Tech / Udacity): Компилация от три отделни курса: Наблюдавано, Без надзор и Укрепващо обучение. Част от инженерното машинно обучение на Udacity Nanodegree и онлайн магистърска степен (OMS) на Georgia Tech. Видеоклипове с размер на хапка, какъвто е стилът на Udacity. Приветливи професори. Очакван срок от четири месеца. Безплатно. Той има 4,56 звезди средно претеглена оценка над 9 отзива.

Внедряване на предсказуем анализ с Spark в Azure HDInsight (Microsoft / edX): Въвежда основните концепции на машинното обучение и разнообразни алгоритми. Използва няколко удобни за данни инструменти, включително Apache Spark, Scala и Hadoop. Използва Python и R. Четири часа седмично в продължение на шест седмици. Безплатно с проверен сертификат за закупуване. Той има 4,5-звездна среднопретеглена оценка над 6 отзива.

Наука за данни и машинно обучение с Python - Ръце! (Франк Кейн / Удеми): Използва Python. Кейн има девет години опит в Amazon и IMDb. Девет часа видео при поискване. Цената варира в зависимост от отстъпките на Udemy, които са чести. Той има 4,5-звезден среднопретеглен рейтинг над 4139 отзива.

Scala и Spark за големи данни и машинно обучение (Jose Portilla / Udemy): „Големи данни“ се фокусират, по-специално върху внедряването в Scala и Spark. Десет часа видео при поискване. Цената варира в зависимост от отстъпките на Udemy, които са чести. Той има 4,5-звездна среднопретеглена оценка над 607 отзива.

Инженер за машинно обучение Nanodegree (Udacity): водещата програма за машинно обучение на Udacity, която включва най-добрата в класа система за преглед на проекти и кариерна поддръжка. Програмата представлява компилация от няколко индивидуални курса по Udacity, които са безплатни. Създаден от Kaggle. Очакван срок от шест месеца. В момента струва $ 199 USD на месец с 50% възстановяване на разходите за обучение за тези, които завършат в рамките на 12 месеца. Той има 4,5-звездна среднопретеглена оценка над 2 отзива.

Учене от данни (уводно машинно обучение) (Калифорнийски технологичен институт / edX): Регистрацията в момента е затворена за edX, но е достъпна и чрез независимата платформа на CalTech (виж по-долу). Той има средно претеглена оценка от 4.49 звезди над 42 отзива.

Учене от данни (уводно машинно обучение) (Yaser Abu-Mostafa / Калифорнийски технологичен институт): „Истински курс на Caltech, а не напоена версия.“ Отзивите отбелязват, че е отлично за разбиране на теорията на машинното обучение. Професорът Ясер Абу-Мостафа е популярен сред студентите и също така е написал учебника, върху който се основава този курс. Видеоклиповете са касетирани лекции (с лекции, слайдове картина в картина), качени в YouTube. Домашните задачи са .pdf файлове. Опитът на курса за онлайн студенти не е толкова изискан, колкото трите препоръки. Той има средно претеглена оценка от 4,43 звезди над 7 отзива.

Копаене на масивни масиви от данни (Станфордски университет): Машинно обучение с фокус върху „големите данни“. Въвежда съвременни разпределени файлови системи и MapReduce. Десет часа седмично в продължение на седем седмици. Безплатно. Той има среднопретеглена оценка от 4.4 звезди над 30 отзива.

AWS Machine Learning: Пълно ръководство с Python (Chandra Lingam / Udemy): Уникален фокус върху базираното в облак машинно обучение и по-специално Amazon Web Services. Използва Python. Девет часа видео при поискване. Цената варира в зависимост от отстъпките на Udemy, които са чести. Той има средно претеглена оценка от 4,4 звезди над 62 отзива.

Въведение в машинното обучение и разпознаване на лица в Python (Holczer Balazs / Udemy): Използва Python. Осем часа видео при поискване. Цената варира в зависимост от отстъпките на Udemy, които са чести. Той има среднопретеглена оценка от 4.4 звезди над 162 отзива.

StatLearning: Статистическо обучение (Станфордски университет): Въз основа на отличния учебник „Въведение в статистическото обучение с приложения в R“ и преподава от преподавателите, които са го написали. Рецензенти отбелязват, че MOOC не е толкова добър, колкото книгата, цитирайки „тънки“ упражнения и посредствени видеоклипове. Пет часа на седмица в продължение на девет седмици. Безплатно. Той има 4.35 звезди средно претеглена оценка над 84 отзива.

Специализация по машинно обучение (Университет във Вашингтон / Coursera): Страхотни курсове, но последните два курса (включително проекта за основен камък) бяха отменени. Рецензенти отбелязват, че тази поредица е по-усвоима (прочетете: по-лесна за тези без силен технически опит) от другите най-добри курсове за машинно обучение (напр. Станфорд или Калтех). Имайте предвид, че поредицата не е пълна със системи за препоръки, задълбочено обучение и липсва обобщение. Налични безплатни и платени опции. Той има 4.31 звезди средно претеглена оценка над 80 отзива.

От 0 до 1: Машинно обучение, NLP и Python-Cut to the Chase (Loony Corn / Udemy): „Приземен, срамежлив, но уверен в себе си техники за машинно обучение.“ Преподавани от екип от четири души с десетилетия опит в индустрията заедно. Използва Python. Цената варира в зависимост от отстъпките на Udemy, които са чести. Той има 4.2-звезден среднопретеглен рейтинг над 494 отзива.

Принципи на машинното обучение (Microsoft / edX): Използва R, Python и Microsoft Azure Machine Learning. Част от сертификата на Microsoft Professional Program в областта на науката за данни. Три до четири часа седмично в продължение на шест седмици. Безплатно с проверен сертификат за закупуване. Той има средно претеглена оценка от 4,09 звезди над 11 отзива.

Големи данни: Статистическо заключение и машинно обучение (Технологичен университет в Куинсланд / FutureLearn): Хубав, кратък изследователски курс за машинно обучение с фокус върху големите данни. Обхваща няколко инструмента като R, H2O Flow и WEKA. Продължителност само три седмици при препоръчителни два часа седмично, но един рецензент отбеляза, че шест часа седмично биха били по-подходящи. Налични безплатни и платени опции. Той има средно претеглена оценка от 4 звезди над 4 отзива.

Наука за геномни данни и клъстериране (Биоинформатика V) (Калифорнийски университет, Сан Диего / Курсра): За тези, които се интересуват от пресечната точка на компютърните науки и биологията и как тя представлява важна граница в съвременната наука. Фокусира се върху групирането и намаляването на размерността. Част от специализацията по биоинформатика на UCSD. Налични безплатни и платени опции. Той има средно претеглена оценка от 4 звезди над 3 отзива.

Въведение в машинното обучение (Udacity): Приоритизира широчината на темата и практичните инструменти (в Python) пред дълбочината и теорията. Преподавателите, Себастиан Трън и Кейти Малоун, правят този клас толкова забавен. Състои се от видеоклипове и викторини с размер на хапка, последвани от мини-проект за всеки урок. В момента е част от Nanodegree на анализатора на данни на Udacity. Приблизителен срок от десет седмици. Безплатно. Той има средно претеглена оценка от 3,95 звезди над 19 отзива.

Машинно обучение за анализ на данни (Университет Уеслиан / Coursera): Кратко въведение в машинното обучение и няколко избрани алгоритми. Обхваща дървета за вземане на решения, случайни гори, ласо регресия и k-означава групиране. Част от специализацията за анализ и интерпретация на данни на Уеслиян. Очакван срок от четири седмици. Налични безплатни и платени опции. Той има средно претеглена оценка от 3,6 звезди над 5 отзива.

Програмиране с Python за наука за данни (Microsoft / edX): Произведено от Microsoft в партньорство с Coding Dojo. Използва Python. Осем часа седмично в продължение на шест седмици. Налични безплатни и платени опции. Той има 3,46 звезди средно претеглена оценка над 37 отзива.

Машинно обучение за търговия (Georgia Tech / Udacity): Фокусира се върху прилагането на вероятностни подходи за машинно обучение към решенията за търговия. Използва Python. Част от инженерното машинно обучение на Udacity Nanodegree и онлайн магистърска степен (OMS) на Georgia Tech. Очакван срок от четири месеца. Безплатно. Той има 3,29 звезди средно претеглена оценка над 14 отзива.

Практическо машинно обучение (Университет Джонс Хопкинс / Coursera): Кратко, практическо въведение в редица алгоритми за машинно обучение. Няколко рецензии с една / две звезди, изразяващи различни опасения. Част от специализацията по наука за данни на JHU. Четири до девет часа седмично в продължение на четири седмици. Налични безплатни и платени опции. Той има 3,11-звездна среднопретеглена оценка над 37 отзива.

Машинно обучение за наука за данни и анализ (Columbia University / edX): Въвежда широк спектър от теми за машинно обучение. Някои страстни отрицателни отзиви със загриженост, включително избор на съдържание, липса на програмни задачи и невдъхновяващо представяне. Седем до десет часа седмично в продължение на пет седмици. Безплатно с проверен сертификат за закупуване. Той има средно претеглена оценка от 2,74 звезди над 36 отзива.

Специализация на системите за препоръки (Университет в Минесота / Курсра): Силен фокус върху един специфичен вид машинно обучение - препоръчителни системи. Специализация от четири курса плюс основен проект, който е казус. Преподавал да използва LensKit (набор от инструменти с отворен код за препоръчващи системи). Налични безплатни и платени опции. Той има 2-звездна средно претеглена оценка над 2 отзива.

Машинно обучение с големи данни (Калифорнийски университет, Сан Диего / Курсра): Ужасни отзиви, които подчертават лошите инструкции и оценка. Някои отбелязаха, че им отнемат само часове, за да завършат целия курс. Част от специализацията за големи данни на UCSD. Налични безплатни и платени опции. Той има 1,86 звезди средно претеглена оценка над 14 отзива.

Практически предсказуем анализ: Модели и методи (Университет във Вашингтон / Coursera): Кратко въведение в основните концепции за машинно обучение. Един рецензент отбеляза, че липсват тестове и че задачите не са предизвикателни. Част от науката за данни на UW при мащабна специализация. Шест до осем часа седмично в продължение на четири седмици. Налични безплатни и платени опции. Той има средно претеглена оценка от 1,75 звезди над 4 отзива.

Следващите курсове имаха един или никакви отзиви към май 2017 г.

Машинно обучение за музиканти и художници (Goldsmiths, University of London / Kadenze): Уникално. Студентите учат алгоритми, софтуерни инструменти и най-добри практики за машинно обучение, за да осмислят човешкия жест, музикалното аудио и други данни в реално време. Дължина на седем сесии. Налични опции за одит (безплатно) и премия ($ 10 USD на месец). Той има един 5-звезден преглед.

Приложно машинно обучение в Python (Университет на Мичиган / Coursera): Преподава се да се използват Python и инструментариумът scikit learn. Част от приложната наука за данни със специализация на Python. Планирано да започне на 29 май. Налични безплатни и платени опции.

Приложно машинно обучение (Microsoft / edX): Преподава се с помощта на различни инструменти, включително Python, R и Microsoft Azure Machine Learning (бележка: Microsoft създава курса). Включва практически лаборатории за подсилване на съдържанието на лекцията. Три до четири часа седмично в продължение на шест седмици. Безплатно с проверен сертификат за закупуване.

Машинно обучение с Python (Университет за големи данни): Преподава се да се използва Python. Насочена към начинаещи. Приблизително време за завършване от четири часа. Big Data University е свързан с IBM. Безплатно.

Машинно обучение с Apache SystemML (Университет за големи данни): Преподава се с помощта на Apache SystemML, който е декларативен език в стил, предназначен за мащабно машинно обучение. Приблизително време за завършване от осем часа. Big Data University е свързан с IBM. Безплатно.

Машинно обучение за наука за данни (Калифорнийски университет, Сан Диего / edX): Стартира до януари 2018 г. Примери за програмиране и задания са в Python, като се използват тетрадки Jupyter Осем часа седмично в продължение на десет седмици. Безплатно с проверен сертификат за закупуване.

Въведение в моделирането на Analytics (Georgia Tech / edX): Курсът рекламира R като своя основен инструмент за програмиране. Пет до десет часа седмично в продължение на десет седмици. Безплатно с проверен сертификат за закупуване.

Предсказуем анализ: Получаване на прозрения от големи данни (Технически университет в Куинсланд / FutureLearn): Кратък преглед на няколко алгоритма. Използва платформата на Hewlett Packard Enterprise Vertica Analytics като приложен инструмент. Началната дата ще бъде обявена. Два часа седмично в продължение на четири седмици. Безплатно със сертификат за постижение на разположение за закупуване.

Въведение в машинното обучение (Universitas Telefónica / Miríada X): Преподава се на испански. Въведение в машинното обучение, което обхваща контролирано и неподдържано обучение. Общо двадесет прогнозни часа за четири седмици.

Стъпка на пътя за машинно обучение (Dataquest): Преподава се в Python, използвайки интерактивната платформа на браузъра на Dataquest. Множество ръководени проекти и проект „плюс“, при който изграждате собствена система за машинно обучение, използвайки собствени данни. Необходим е абонамент.

Следните шест курса се предлагат от DataCamp. Хибридният стил на преподаване на DataCamp използва видео и текстови инструкции с много примери чрез редактор на код в браузъра. За пълен достъп до всеки курс е необходим абонамент.

Въведение в машинното обучение (DataCamp): Обхваща алгоритми за класификация, регресия и клъстериране. Използва R. Петнадесет видеоклипа и 81 упражнения с очакван срок от шест часа.

Контролирано обучение с scikit-learn (DataCamp): Използва Python и scikit-learn. Обхваща алгоритми за класификация и регресия. Седемнадесет видеоклипа и 54 упражнения с очакван график от четири часа.

Ненаблюдавано обучение в R (DataCamp): Предоставя основно въведение в групирането и намаляването на размерността в R. Шестнадесет видеоклипа и 49 упражнения с очаквана времева линия от четири часа.

Кутия с инструменти за машинно обучение (DataCamp): Преподава „големите идеи“ в машинното обучение. Използва R. 24 видеоклипа и 88 упражнения с очакван срок от четири часа.

Машинно обучение с експерти: Училищни бюджети (DataCamp): Казус от състезание за машинно обучение на DrivenData. Включва изграждането на модел за автоматично класифициране на елементите в бюджета на училището. „Контролирано обучение с scikit-learn“ на DataCamp е предпоставка. Петнадесет видеоклипа и 51 упражнения с очакван срок от четири часа.

Неуправлявано обучение в Python (DataCamp): Обхваща разнообразие от ненаблюдавани алгоритми за обучение, използващи Python, scikit-learn и scipy. Курсът завършва, като студентите изграждат препоръчителна система за препоръчване на популярни музикални изпълнители. Тринадесет видеоклипа и 52 упражнения с очакван график от четири часа.

Машинно обучение (Том Мичъл / Университет Карнеги Мелън): Уводен курс за машинно обучение на Карнеги Мелън. Предпоставка за техния втори курс за завършили студенти, „Статистическо машинно обучение“. Записани университетски лекции с практически проблеми, домашни задачи и междинен срок (всички с решения), публикувани онлайн. Съществува и версия на курса от 2011 г. CMU е едно от най-добрите завършили училища за изучаване на машинно обучение и има цял отдел, посветен на ML. Безплатно.

Статистическо машинно обучение (Larry Wasserman / Carnegie Mellon University): Вероятно най-напредналият курс в това ръководство. Продължаване на курса по машинно обучение на Карнеги Мелън. Записани университетски лекции с практически проблеми, домашни задачи и междинен срок (всички с решения), публикувани онлайн. Безплатно.

Бакалавърско машинно обучение (Nando de Freitas / Университет на Британска Колумбия): Бакалавърски курс за машинно обучение. Лекциите се заснемат и пускат в YouTube със слайдовете, публикувани на уебсайта на курса. Публикуват се и заданията на курса (все пак няма решения). де Фрейтас сега е редовен професор в Оксфордския университет и получава похвали за преподавателските си способности на различни форуми. Предлага се версия за дипломиране (виж по-долу).

Машинно обучение (Nando de Freitas / Университет на Британска Колумбия): Завършил курс за машинно обучение. Коментарите в бакалавърския курс на de Freitas (по-горе) важат и тук.

Опаковане

Това е петата от поредицата от шест части, която обхваща най-добрите онлайн курсове за стартиране в областта на науката за данни. Ние разгледахме програмирането в първата статия, статистиката и вероятността във втората статия, въведенията в науката за данните в третата статия и визуализацията на данните в четвъртата.

Класирах всеки курс за въведение в науката за данни в интернет, базиран на хиляди точки от данни

Преди година отпаднах от една от най-добрите програми за компютърни науки в Канада. Започнах да създавам свои собствени данни ...

Последното парче ще бъде резюме на тези статии, плюс най-добрите онлайн курсове за други ключови теми, като преборване на данни, бази данни и дори софтуерно инженерство.

Ако търсите пълен списък на онлайн курсовете по Data Science, можете да ги намерите на тематичната страница на Data Central и Big Data на Class Central.

Ако ви е харесало да четете това, разгледайте някои от другите парчета на Class Central:

Ето 250 курса на Ivy League, които можете да вземете онлайн в момента безплатно

250 MOOC от Браун, Колумбия, Корнел, Дартмут, Харвард, Пен, Принстън и Йейл.

50-те най-добри безплатни онлайн университетски курса според данните

Когато стартирах Class Central през ноември 2011 г., имаше около 18-ина безплатни онлайн курса и почти всички ...

Ако имате предложения за курсове, които съм пропуснал, уведомете ме в отговорите!

Ако сметнете това за полезно, щракнете върху? така че повече хора ще го видят тук в Medium.

Това е съкратена версия на оригиналната ми статия, публикувана в Class Central, където съм включил подробни учебни програми.