本文作者在多年研究在線學習圖景、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。

機器學習根植於統計學，正在逐漸成為最有趣、發展最快的計算機科學領域之一。機器學習可應用到無數行業和應用中，使其更加高效和智能。

聊天機器人、垃圾郵件過濾、廣告服務、搜索引擎和欺詐檢測，這些都是機器學習模型在日常生活中的應用實例。機器學習使我們為人類力不能及的事找到模式、創建數學模型。

與涉及探索性數據分析、統計學、通信和可視化技術的數據科學課程不同，機器學習課程主要講授機器學習算法、數學原理，以及如何使用某種編程語言寫算法。

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。
• 使用免費開源的編程語言，如 Python、R 或 Octave。
• 使用免費開源的庫。
• 包含編程作業和實踐。
• 解釋算法運行的數學原理。
• 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在線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

免費在線版地址：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，可以幫助大家強化編程技能，瞭解如何直接將機器學習應用到項目中。

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，其講師和創建者是斯坦福大學教授、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編程語言 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，斯坦福大學
• 費用：免費；如需課程證書，則需 79 美元

課程結構：

• 單變量線性迴歸
• 線性代數概要
• 多變量線性迴歸
• Octave/Matlab 教程
• Logistic 迴歸
• 正則化
• 神經網絡：表徵
• 神經網絡：學習
• 使用機器學習的建議
• 機器學習系統設計
• 支持向量機
• 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。

參考文章：資源 | 吳恩達《機器學習》筆記，哥大研究生獻上

二、吳恩達深度學習專項課程

該課程同樣是吳恩達開設的。這是一個更高級的課程系列，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 編程語言和 TensorFlow 神經網絡庫。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；如需課程證書，則 49 美元/月

課程結構：

1. 神經網絡和深度學習

• 深度學習簡介
• 神經網絡的基本概念
• 淺層神經網絡
• 深度神經網絡

2. 改善神經網絡：調參、正則化和優化

• 深度學習的實踐
• 優化算法
• 超參數調整、批歸一化和編程框架

3. 構建機器學習項目

• 機器學習策略（1）
• 機器學習策略（2）

4. 卷積神經網絡

• 卷積神經網絡基礎
• 深度卷積模型：案例研究
• 目標檢測
• 特殊應用：人臉識別和神經風格遷移

5. 序列模型

• 循環神經網絡
• 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：

• 吳恩達 Deeplearning.ai 課程學習全體驗：深度學習必備課程（已獲證書）
• 入門 | 吳恩達 Deeplearning.ai 全部課程學習心得分享
• 資源 | 吳恩達 deeplearning.ai 五項課程完整筆記了解一下？
• 這是一份優美的信息圖，吳恩達點讚的 deeplearning.ai 課程總結

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算法。講師、幻燈片動畫和對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，但對算法背後的數學知識講得較少。通過每個模塊，你將有機會在瀏覽器中下載一個交互式 Jupyter notebook 來實踐你學到的新概念。每個 notebook 會鞏固你的知識，並提供了在真實數據上使用算法的具體說明。

• 課程提供者：IBM, Cognitive Class
• 費用：免費；如需課程證書，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算法提供了實用的建議。在講授新算法時，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，但這些信息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。由於這是一門高級課程，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項目至關重要。

• 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；如需課程證書，則 49 美元/月

課程結構：

1. 深度學習導論

• 優化簡介
• 神經網絡簡介
• 圖像深度學習
• 無監督表徵學習
• 序列深度學習
• 最終項目

2. 如何在數據科學競賽中獲勝：向頂尖 kaggler 學習

• 介紹和回顧
• 模型的特徵處理和生成
• 最終項目說明
• 探索性數據分析
• 驗證
• 數據洩露
• 度量優化
• 高級特徵工程 1
• 超參數優化
• 高級特徵工程 2
• 集成
• 競賽介紹
• 最終項目

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
• 最終項目

4. 實用強化學習

• 簡介
• 強化學習核心：動態編程
• 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

• 圖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
• 圖像分割與合成

6. 自然語言處理

• 概念介紹和文本分類
• 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

• 面向數據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，你還將創建幾個真正的項目。這些項目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級課程。你的線性代數、微積分、概率、編程基礎都需要非常牢固。該課程的有趣編程作業可以使用 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；如需課程證書，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、支持向量機（SVM）、樹、隨機森林、Boosting 算法
• 聚類、K-均值、EM 算法、缺失數據
• 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，並且想通過做編程作業推導出一些算法，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
• 編程

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編程基礎，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編程語言都是 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，其交互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算法的工作原理。

基礎算法

以下是大家需要熟悉和練習使用的基礎算法集合：

• 線性迴歸
• Logistic 迴歸
• k-均值聚類
• k-最近鄰
• 支持向量機（SVM）
• 決策樹
• 隨機森林
• 樸素貝葉斯

這些算法是必須瞭解的，當然還有很多其他算法。上述課程介紹了這些算法及其變體。理解這些技術的原理以及何時使用它們對處理新項目非常重要。

除了這些基礎算法之外，還有一些比較高級的技術需要學習：

• 集成
• Boosting
• 降維
• 強化學習
• 神經網絡和深度學習

這只是開始，這些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項目中，以加深理解、融會貫通。

解決項目

在線學習機器學習很有難度，當然回報也很大。不過你要記住，只看講課視頻、做測驗並不能證明你真的在學習教材。如果你創建一個與課程使用數據和目標皆不同的項目，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數據，以便實踐新技能。上述課程將使學習者瞭解何時應用算法，因此在自己的項目中應用機器學習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 項目，這裡有一份示例列表，參見：https://github.com/NirantK/awesome-project-ideas。

解決項目會幫助你更好、更高級地理解機器學習。如果你開始瞭解更高級的概念（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，點擊「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項目相關，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。

機器學習是數據科學的一個重要組成部分，如果你對統計、可視化、數據分析等方面感興趣的話，可以參考關於頂級數據科學課程推薦的文章：https://www.learndatasci.com / best-data-science-online-courses /。