Κάθε μάθημα Μηχανικής Εκμάθησης στο Διαδίκτυο, με βάση τις κριτικές σας

Πριν από ενάμιση χρόνο, εγκατέλειψα ένα από τα καλύτερα προγράμματα επιστήμης υπολογιστών στον Καναδά. Άρχισα να δημιουργώ το δικό μου πρόγραμμα μάστερ επιστήμης δεδομένων χρησιμοποιώντας διαδικτυακούς πόρους. Συνειδητοποίησα ότι μπορούσα να μάθω ό, τι χρειαζόμουν μέσω edX, Coursera και Udacity. Και θα μπορούσα να το μάθω γρηγορότερα, πιο αποτελεσματικά, και για ένα μικρό μέρος του κόστους.

Τώρα τελείωσα. Έχω παρακολουθήσει πολλά μαθήματα που σχετίζονται με την επιστήμη δεδομένων και έχω ελέγξει πολλά άλλα. Γνωρίζω τις επιλογές εκεί έξω και ποιες δεξιότητες χρειάζονται για τους μαθητές που προετοιμάζονται για έναν αναλυτή δεδομένων ή έναν ρόλο επιστήμονα δεδομένων.Άρχισα λοιπόν να δημιουργώ έναν οδηγό βάσει κριτικών που προτείνει τα καλύτερα μαθήματα για κάθε μάθημα στην επιστήμη των δεδομένων.

Για τον πρώτο οδηγό της σειράς, πρότεινα μερικά μαθήματα κωδικοποίησης για τον αρχάριο επιστήμονα δεδομένων. Τότε ήταν τάξεις στατιστικών και πιθανοτήτων. Στη συνέχεια, εισαγωγές στην επιστήμη των δεδομένων. Επίσης, οπτικοποίηση δεδομένων.

Τώρα στη μηχανική εκμάθηση.

Για αυτόν τον οδηγό, πέρασα δώδεκα ώρες προσπαθώντας να εντοπίσω κάθε διαδικτυακό μάθημα μηχανικής μάθησης που προσφέρθηκε από τον Μάιο του 2017, εξάγοντας βασικά στοιχεία από τη διδακτέα ύλη και τα σχόλιά τους και συλλέγοντας τις βαθμολογίες τους. Ο τελικός μου στόχος ήταν να εντοπίσω τα τρία καλύτερα διαθέσιμα μαθήματα και να τα παρουσιάσω παρακάτω.

Για αυτήν την εργασία, δεν στράφηκα σε καμία άλλη από την κοινότητα ανοιχτού κώδικα Class Central και τη βάση δεδομένων της με χιλιάδες αξιολογήσεις και κριτικές μαθημάτων.

Από το 2011, ο ιδρυτής της Class Central, Dhawal Shah, παρακολουθεί στενά τα διαδικτυακά μαθήματα από ό, τι είναι αναμφισβήτητα οποιοσδήποτε άλλος στον κόσμο. Ο Dhawal με βοήθησε προσωπικά να συγκεντρώσω αυτήν τη λίστα πόρων.

Πώς επιλέξαμε μαθήματα για εξέταση

Κάθε μάθημα πρέπει να πληροί τρία κριτήρια:

  1. Πρέπει να έχει σημαντικό περιεχόμενο περιεχομένου μηχανικής μάθησης. Στην ιδανική περίπτωση, η μηχανική μάθηση είναι το κύριο θέμα.Σημειώστε ότι εξαιρούνται μαθήματα βαθιάς μάθησης. Περισσότερα για αυτό αργότερα.
  2. Πρέπει να είναι κατ 'απαίτηση ή να προσφέρεται κάθε λίγους μήνες.
  3. Πρέπει να είναι ένα διαδραστικό διαδικτυακό μάθημα, οπότε δεν υπάρχουν βιβλία ή σεμινάρια μόνο για ανάγνωση . Αν και αυτοί είναι βιώσιμοι τρόποι μάθησης, αυτός ο οδηγός εστιάζει σε μαθήματα. Εξαιρούνται επίσης μαθήματα που είναι αυστηρά βίντεο (δηλαδή χωρίς κουίζ, εργασίες, κ.λπ.).

Πιστεύουμε ότι καλύψαμε κάθε αξιοσημείωτο μάθημα που πληροί τα παραπάνω κριτήρια. Επειδή υπάρχουν φαινομενικά εκατοντάδες μαθήματα για το Udemy, επιλέξαμε να εξετάσουμε μόνο τα πιο ελεγμένα και με την υψηλότερη βαθμολογία.

Ωστόσο, υπάρχει πάντα η πιθανότητα να χάσαμε κάτι. Επομένως, ενημερώστε μας στην ενότητα σχολίων εάν αφήσαμε μια καλή πορεία.

Πώς αξιολογήσαμε τα μαθήματα

Συγκεντρώσαμε μέσες βαθμολογίες και αριθμό αξιολογήσεων από το Class Central και άλλους ιστότοπους κριτικών για να υπολογίσουμε τη σταθμισμένη μέση βαθμολογία για κάθε μάθημα. Διαβάζουμε σχόλια κειμένου και χρησιμοποιήσαμε αυτά τα σχόλια για να συμπληρώσουμε τις αριθμητικές βαθμολογίες.

Πραγματοποιήσαμε υποκειμενικές κλήσεις κρίσης αναλυτικού προγράμματος βάσει τριών παραγόντων:

  1. Επεξήγηση της ροής εργασίας της μηχανικής μάθησης. Το μάθημα περιγράφει τα βήματα που απαιτούνται για την εκτέλεση ενός επιτυχημένου έργου ML; Δείτε την επόμενη ενότητα για το τι συνεπάγεται μια τυπική ροή εργασίας.
  2. Κάλυψη τεχνικών και αλγορίθμων μηχανικής μάθησης. Καλύπτεται μια ποικιλία τεχνικών (π.χ. παλινδρόμηση, ταξινόμηση, ομαδοποίηση κ.λπ.) και αλγόριθμοι (π.χ. εντός της ταξινόμησης: αφελείς Bayes, δέντρα αποφάσεων, μηχανές διανυσμάτων υποστήριξης κ.λπ.) ή απλώς μερικές επιλεγμένες; Προτίμηση δίδεται σε μαθήματα που καλύπτουν περισσότερα χωρίς να παραλείπουν τις λεπτομέρειες.
  3. Χρήση κοινών εργαλείων επιστήμης δεδομένων και μηχανικής μάθησης. Το μάθημα διδάσκεται χρησιμοποιώντας δημοφιλείς γλώσσες προγραμματισμού όπως Python, R ή / και Scala; Τι γίνεται με τις δημοφιλείς βιβλιοθήκες σε αυτές τις γλώσσες; Αυτά δεν είναι απαραίτητα, αλλά χρήσιμα, επομένως δίνεται μικρή προτίμηση σε αυτά τα μαθήματα.

Τι είναι η μηχανική μάθηση; Τι είναι μια ροή εργασίας;

Ένας δημοφιλής ορισμός προέρχεται από τον Arthur Samuel το 1959: η μηχανική μάθηση είναι ένα υποπεδίο της επιστήμης των υπολογιστών που δίνει στους «υπολογιστές τη δυνατότητα να μάθουν χωρίς να προγραμματίζονται ρητά» Στην πράξη, αυτό σημαίνει ανάπτυξη προγραμμάτων υπολογιστών που μπορούν να κάνουν προβλέψεις βάσει δεδομένων. Όπως οι άνθρωποι μπορούν να μάθουν από την εμπειρία, έτσι και οι υπολογιστές, όπου τα δεδομένα = εμπειρία.

Μια ροή εργασίας μηχανικής μάθησης είναι η διαδικασία που απαιτείται για την εκτέλεση ενός έργου μηχανικής μάθησης. Αν και μεμονωμένα έργα μπορεί να διαφέρουν, οι περισσότερες ροές εργασίας μοιράζονται πολλές κοινές εργασίες: αξιολόγηση προβλημάτων, εξερεύνηση δεδομένων, προεπεξεργασία δεδομένων, εκπαίδευση μοντέλου / δοκιμή / ανάπτυξη κ.λπ. Παρακάτω θα βρείτε χρήσιμη απεικόνιση αυτών των βασικών βημάτων:

Το ιδανικό μάθημα εισάγει ολόκληρη τη διαδικασία και παρέχει διαδραστικά παραδείγματα, εργασίες ή / και κουίζ, όπου οι μαθητές μπορούν να εκτελέσουν οι ίδιοι κάθε εργασία.

Αυτά τα μαθήματα καλύπτουν τη βαθιά μάθηση;

Πρώτα απ 'όλα, ας ορίσουμε τη βαθιά μάθηση. Εδώ είναι μια σύντομη περιγραφή:

«Η βαθιά μάθηση είναι ένα υποπεδίο της μηχανικής μάθησης που σχετίζεται με αλγόριθμους εμπνευσμένους από τη δομή και τη λειτουργία του εγκεφάλου που ονομάζεται τεχνητά νευρικά δίκτυα». - Jason Brownlee από το Machine Learning Mastery

Όπως θα ήταν αναμενόμενο, τμήματα ορισμένων από τα μαθήματα μηχανικής μάθησης περιέχουν περιεχόμενο βαθιάς μάθησης. Ωστόσο, επέλεξα να μην συμπεριλάβω μαθήματα βαθιάς μάθησης. Εάν ενδιαφέρεστε ειδικά για τη βαθιά μάθηση, σας καλύπτουμε το ακόλουθο άρθρο:

Βυθιστείτε σε Deep Learning με 12 δωρεάν διαδικτυακά μαθήματα

Κάθε μέρα φέρνει νέους τίτλους για το πώς η βαθιά μάθηση αλλάζει τον κόσμο γύρω μας. Μερικά παραδείγματα: medium.freecodecamp.com

Οι τρεις κορυφαίες προτάσεις μου από αυτήν τη λίστα θα ήταν:

  • Δημιουργικές εφαρμογές βαθιάς μάθησης με TensorFlowαπό τον Kadenze
  • Neural Networks for Machine Learning από το Πανεπιστήμιο του Τορόντο (διδάσκονται από τον Geoffrey Hinton) μέσω Coursera
  • Deep Learning AZ ™: Hands-On Τεχνητά νευρωνικά δίκτυα

    από τους Kirill Eremenko, Hadelin de Ponteves και την ομάδα SuperDataScience μέσω Udemy

Προτεινόμενες προϋποθέσεις

Αρκετά μαθήματα που αναφέρονται παρακάτω ζητούν από τους μαθητές να έχουν προηγούμενο προγραμματισμό, λογισμό, γραμμική άλγεβρα και στατιστική εμπειρία. Αυτές οι προϋποθέσεις είναι κατανοητές δεδομένου ότι η μηχανική μάθηση είναι μια προηγμένη πειθαρχία.

Λείπουν μερικά θέματα; Καλα ΝΕΑ! Ορισμένες από αυτές τις εμπειρίες μπορούν να αποκτηθούν μέσω των προτάσεών μας στα δύο πρώτα άρθρα (προγραμματισμός, στατιστικές) αυτού του Οδηγού Καριέρας για την Επιστήμη Δεδομένων. Πολλά από τα κορυφαία μαθήματα που ακολουθούν παρέχουν επίσης απαλά λογισμικά και γραμμικά αναψυκτικά άλγεβρας και επισημαίνουν τις πτυχές που σχετίζονται περισσότερο με τη μηχανική μάθηση για όσους είναι λιγότερο οικεία.

Η επιλογή μας για το καλύτερο μάθημα μηχανικής μάθησης είναι…

  • Μηχανική εκμάθηση (Πανεπιστήμιο Stanford μέσω Coursera)

Η Μηχανική Εκμάθηση του Πανεπιστημίου του Στάνφορντ στο Coursera είναι ο ξεκάθαρος νικητής όσον αφορά τις βαθμολογίες, τις αξιολογήσεις και το πρόγραμμα σπουδών. Διδασκαλία από τον διάσημο Andrew Ng, ιδρυτή του Google Brain και πρώην επικεφαλής επιστήμονα στο Baidu, αυτή ήταν η τάξη που πυροδότησε την ίδρυση του Coursera. Έχει μέση σταθμισμένη βαθμολογία 4,7 αστέρων πάνω από 422 κριτικές.

Κυκλοφόρησε το 2011, καλύπτει όλες τις πτυχές της ροής εργασίας της μηχανικής μάθησης. Αν και έχει μικρότερο εύρος από την αρχική τάξη του Στάνφορντ στην οποία βασίζεται, εξακολουθεί να καταφέρνει να καλύψει μεγάλο αριθμό τεχνικών και αλγορίθμων. Το εκτιμώμενο χρονοδιάγραμμα είναι έντεκα εβδομάδες, με δύο εβδομάδες αφιερωμένες σε νευρωνικά δίκτυα και βαθιά μάθηση. Διατίθενται δωρεάν και επί πληρωμή επιλογές.

Ο Ng είναι ένας δυναμικός αλλά ευγενικός εκπαιδευτής με απτή εμπειρία. Εμπνέει εμπιστοσύνη, ειδικά όταν μοιράζεται πρακτικές συμβουλές και προειδοποιήσεις σχετικά με τις κοινές παγίδες. Παρέχεται γραμμική ανανέωση άλγεβρας και ο Ng επισημαίνει τις πτυχές του λογισμού που σχετίζονται περισσότερο με τη μηχανική μάθηση.

Η αξιολόγηση είναι αυτόματη και γίνεται μέσω κουίζ πολλαπλών επιλογών που ακολουθούν κάθε μάθημα και προγραμματισμένες εργασίες. Οι εργασίες (υπάρχουν οκτώ από αυτές) μπορούν να ολοκληρωθούν σε MATLAB ή Octave, η οποία είναι μια έκδοση ανοιχτού κώδικα του MATLAB. Ο Ng εξηγεί τη γλωσσική του επιλογή:

Στο παρελθόν, προσπάθησα να διδάξω μηχανική εκμάθηση χρησιμοποιώντας μια μεγάλη ποικιλία διαφορετικών γλωσσών προγραμματισμού, όπως C ++, Java, Python, NumPy και επίσης Octave… Και αυτό που έχω δει μετά από διδασκαλία της μηχανικής μάθησης για σχεδόν μια δεκαετία είναι ότι μαθαίνετε πολύ πιο γρήγορα εάν χρησιμοποιείτε το Octave ως περιβάλλον προγραμματισμού.

Αν και οι Python και R είναι πιθανότατα πιο συναρπαστικές επιλογές το 2017 με την αυξανόμενη δημοτικότητα αυτών των γλωσσών, οι αναθεωρητές σημειώνουν ότι αυτό δεν πρέπει να σας εμποδίσει να παρακολουθήσετε το μάθημα.

Μερικοί εξέχοντες σχολιαστές σημείωσαν τα εξής:

Μακροχρόνιας φήμης στον κόσμο των MOOC, το μάθημα μηχανικής εκμάθησης του Στάνφορντ είναι πραγματικά η οριστική εισαγωγή σε αυτό το θέμα. Το μάθημα καλύπτει γενικά όλους τους σημαντικούς τομείς της μηχανικής μάθησης… Ο καθηγητής Ng προηγείται κάθε τμήματος με μια ενθαρρυντική συζήτηση και παραδείγματα.

Ο Andrew Ng είναι ένας ταλαντούχος δάσκαλος και μπορεί να εξηγήσει πολύπλοκα θέματα με πολύ διαισθητικό και σαφή τρόπο, συμπεριλαμβανομένων των μαθηματικών πίσω από όλες τις έννοιες. Συνιστάται.

Το μόνο πρόβλημα που βλέπω με αυτό το μάθημα αν θέτει τη γραμμή προσδοκιών πολύ υψηλή για άλλα μαθήματα.

Μια νέα εισαγωγή στο Ivy League με έναν εξαιρετικό καθηγητή

  • Μηχανική εκμάθηση (Πανεπιστήμιο Κολούμπια μέσω edX)

Η Μηχανική Εκμάθηση του Πανεπιστημίου του Κολούμπια είναι μια σχετικά νέα προσφορά που αποτελεί μέρος των MicroMasters Τεχνητής Νοημοσύνης στο edX. Αν και είναι νεότερο και δεν έχει μεγάλο αριθμό κριτικών, αυτά που έχουν είναι εξαιρετικά δυνατά. Ο καθηγητής John Paisley θεωρείται λαμπρός, ξεκάθαρος και έξυπνος. Έχει μέση σταθμισμένη βαθμολογία 4,8 αστέρων πάνω από 10 κριτικές.

Το μάθημα καλύπτει επίσης όλες τις πτυχές της ροής εργασίας μηχανικής μάθησης και περισσότερους αλγόριθμους από την παραπάνω προσφορά του Στάνφορντ. Το Columbia's είναι μια πιο προηγμένη εισαγωγή, με τους σχολιαστές να σημειώνουν ότι οι μαθητές πρέπει να είναι άνετοι με τις προτεινόμενες προϋποθέσεις (λογισμός, γραμμική άλγεβρα, στατιστικά στοιχεία, πιθανότητες και κωδικοποίηση)

Τα κουίζ (11), οι εργασίες προγραμματισμού (4) και μια τελική εξέταση είναι οι τρόποι αξιολόγησης. Οι μαθητές μπορούν να χρησιμοποιήσουν είτε Python, Octave είτε MATLAB για να ολοκληρώσουν τις εργασίες. Το συνολικό εκτιμώμενο χρονοδιάγραμμα του μαθήματος είναι οκτώ έως δέκα ώρες την εβδομάδα για δώδεκα εβδομάδες. Είναι δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά.

Ακολουθούν μερικές από τις προαναφερθείσες αφρώδεις κριτικές:

Κατά τη διάρκεια όλων των ετών μου ως φοιτητής, έχω συναντήσει καθηγητές που δεν είναι λαμπροί, καθηγητές που είναι λαμπροί αλλά δεν ξέρουν πώς να εξηγήσουν τα πράγματα με σαφήνεια, και καθηγητές που είναι λαμπροί και ξέρουν πώς να εξηγήσουν τα πράγματα σαφώς. Ο Δρ. Paisley ανήκει στην τρίτη ομάδα.

Αυτό είναι ένα σπουδαίο μάθημα… Η γλώσσα του εκπαιδευτή είναι ακριβής και είναι, κατά τη γνώμη μου, ένα από τα ισχυρότερα σημεία του μαθήματος. Οι διαλέξεις είναι υψηλής ποιότητας και οι διαφάνειες είναι πολύ καλές.

Ο Δρ. Paisley και ο επόπτης του είναι… μαθητές του Michael Jordan, ο πατέρας της μηχανικής μάθησης. [Δρ. Ο Paisley] είναι ο καλύτερος καθηγητής ML στην Κολούμπια λόγω της ικανότητάς του να εξηγεί με σαφήνεια τα πράγματα. Μέχρι 240 μαθητές έχουν επιλέξει το μάθημά του αυτό το εξάμηνο, ο μεγαλύτερος αριθμός μεταξύ όλων των καθηγητών [διδασκαλία] μηχανικής μάθησης στην Κολούμπια.

Μια πρακτική εισαγωγή στο Python & R από ειδικούς του κλάδου

  • Machine Learning AZ ™: Hands-On Python & R In Science Science (Kirill Eremenko, Hadelin de Ponteves και η ομάδα SuperDataScience μέσω Udemy)

Το Machine Learning AZ ™ on Udemy είναι μια εντυπωσιακά λεπτομερή προσφορά που παρέχει οδηγίες τόσο σε Python όσο και σε R, κάτι που είναι σπάνιο και δεν μπορεί να ειπωθεί για κανένα από τα άλλα κορυφαία μαθήματα Έχει μια σταθμισμένη μέση βαθμολογία 4,5 αστέρων πάνω από 8.119 κριτικές, γεγονός που την καθιστά την πιο ελεγμένη πορεία από αυτές που εξετάστηκαν.

Καλύπτει ολόκληρη τη ροή εργασίας της μηχανικής μάθησης και έναν σχεδόν γελοίο (με καλό τρόπο) αριθμό αλγορίθμων έως 40,5 ώρες βίντεο κατ 'απαίτηση. Το μάθημα ακολουθεί μια πιο εφαρμοσμένη προσέγγιση και είναι ελαφρύτερα μαθηματικά από τα παραπάνω δύο μαθήματα. Κάθε ενότητα ξεκινά με ένα βίντεο «διαίσθησης» από το Eremenko που συνοψίζει την υποκείμενη θεωρία της έννοιας που διδάσκεται. Στη συνέχεια, ο de Ponteves ακολουθεί την εφαρμογή με ξεχωριστά βίντεο για Python και R.

Ως «μπόνους», το μάθημα περιλαμβάνει πρότυπα κώδικα Python και R για τους μαθητές για λήψη και χρήση στα δικά τους έργα. Υπάρχουν κουίζ και προκλήσεις για την εργασία, αν και αυτά δεν είναι τα δυνατά σημεία του μαθήματος.

Ο Eremenko και η ομάδα SuperDataScience είναι σεβαστά για την ικανότητά τους να «κάνουν το συγκρότημα απλό». Επίσης, οι προαπαιτούμενες προϋποθέσεις είναι «μόνο μερικά μαθηματικά γυμνασίου», οπότε αυτό το μάθημα μπορεί να είναι μια καλύτερη επιλογή για όσους φοβούνται οι προσφορές του Στάνφορντ και της Κολούμπια.

Μερικοί εξέχοντες σχολιαστές σημείωσαν τα εξής:

Το μάθημα παράγεται επαγγελματικά, η ποιότητα του ήχου είναι εξαιρετική και οι εξηγήσεις είναι ξεκάθαρες και συνοπτικές… Είναι μια απίστευτη αξία για την οικονομική και χρονική σας επένδυση.

Ήταν θεαματικό να μπορέσω να παρακολουθήσω το μάθημα σε δύο διαφορετικές γλώσσες προγραμματισμού ταυτόχρονα.

Ο Kirill είναι ένας από τους απόλυτους καλύτερους εκπαιδευτές στο Udemy (αν όχι στο Διαδίκτυο) και σας προτείνω να παρακολουθήσετε οποιοδήποτε μάθημα που διδάσκει. … Αυτό το μάθημα έχει έναν τόνο περιεχομένου, όπως έναν τόνο!

Ο ανταγωνισμός

Η πρώτη μας επιλογή είχε μια σταθμισμένη μέση βαθμολογία 4,7 στα 5 αστέρια πάνω από 422 κριτικές. Ας δούμε τις άλλες εναλλακτικές λύσεις, ταξινομημένες κατά φθίνουσα βαθμολογία. Μια υπενθύμιση ότι τα μαθήματα βαθιάς μάθησης δεν περιλαμβάνονται σε αυτόν τον οδηγό - μπορείτε να τα βρείτε εδώ.

Το Analytics Edge (Ινστιτούτο Τεχνολογίας της Μασαχουσέτης / edX): Πιο επικεντρωμένο στα analytics γενικά, αν και καλύπτει αρκετά θέματα μηχανικής μάθησης. Χρησιμοποιεί R. Ισχυρή αφήγηση που αξιοποιεί οικεία παραδείγματα πραγματικού κόσμου. Προκλητική. Δέκα έως δεκαπέντε ώρες την εβδομάδα για δώδεκα εβδομάδες. Δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά. Έχει μέση σταθμισμένη βαθμολογία 4,9 αστέρων πάνω από 214 κριτικές.

Python for Science Science and Machine Learning Bootcamp (Jose Portilla / Udemy): Έχει μεγάλα κομμάτια περιεχομένου μηχανικής μάθησης, αλλά καλύπτει ολόκληρη τη διαδικασία της επιστήμης δεδομένων. Περισσότερα από μια πολύ λεπτομερή εισαγωγή στο Python. Καταπληκτική πορεία, αν και δεν είναι ιδανική για το πεδίο εφαρμογής αυτού του οδηγού. 21,5 ώρες βίντεο κατ 'απαίτηση. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,6 αστέρων πάνω από 3316 κριτικές.

Bootcamp Science and Machine Learning με R (Jose Portilla / Udemy): Τα σχόλια για το παραπάνω μάθημα της Portilla ισχύουν και εδώ, εκτός από R. 17,5 ώρες βίντεο κατ 'απαίτηση. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,6 αστέρων πάνω από 1317 κριτικές.

Σειρά μηχανικής εκμάθησης (Lazy Programmer Inc./Udemy): Διδασκόμενο από έναν επιστήμονα δεδομένων / μεγάλο μηχανικό δεδομένων / μηχανικό λογισμικού πλήρους στοίβας με ένα εντυπωσιακό βιογραφικό, ο Lazy Programmer έχει επί του παρόντος μια σειρά από 16 μαθήματα που επικεντρώνονται στη μηχανική μάθηση στο Udemy. Συνολικά, τα μαθήματα έχουν 5000+ βαθμολογίες και σχεδόν όλα έχουν 4,6 αστέρια. Μια χρήσιμη παραγγελία μαθημάτων παρέχεται στην περιγραφή κάθε μεμονωμένου μαθήματος. Χρησιμοποιεί Python. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές.

Μηχανική εκμάθηση (Georgia Tech / Udacity): Μια συλλογή από τρία ξεχωριστά μαθήματα: Εποπτευόμενη, Μη εποπτευόμενη και Ενίσχυση Μάθηση. Μέρος του Μηχανικού Μηχανικής Εκμάθησης της Udacity Nanodegree και του Διαδικτυακού Μεταπτυχιακού (OMS) της Georgia Tech. Δαγκώματα βίντεο, όπως και το στυλ του Udacity Φιλικοί καθηγητές. Εκτιμώμενο χρονοδιάγραμμα τεσσάρων μηνών. Ελεύθερος. Έχει μέση βαθμολογία 4,56 αστέρων πάνω από 9 κριτικές.

Εφαρμογή Predictive Analytics with Spark in Azure HDInsight (Microsoft / edX): Παρουσιάζει τις βασικές έννοιες της μηχανικής μάθησης και μια ποικιλία αλγορίθμων. Αξιοποιεί αρκετά μεγάλα εργαλεία φιλικά προς τα δεδομένα, συμπεριλαμβανομένων των Apache Spark, Scala και Hadoop. Χρησιμοποιεί και Python και R. Τέσσερις ώρες την εβδομάδα για έξι εβδομάδες. Δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά. Έχει μια σταθμισμένη μέση βαθμολογία 4,5 αστέρων πάνω από 6 κριτικές.

Επιστήμη δεδομένων και μηχανική εκμάθηση με Python - Hands On! (Frank Kane / Udemy): Χρησιμοποιεί τον Python. Ο Kane έχει εννέα χρόνια εμπειρίας στο Amazon και στο IMDb. Εννέα ώρες βίντεο κατ 'απαίτηση. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 4139 κριτικές.

Scala and Spark for Big Data and Machine Learning (Jose Portilla / Udemy): Η εστίαση «Big data», συγκεκριμένα στην εφαρμογή στο Scala και στο Spark. Δέκα ώρες βίντεο κατ 'απαίτηση. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 607 κριτικές.

Μηχανικός μηχανικής εκμάθησης Nanodegree (Udacity): Το κορυφαίο πρόγραμμα Machine Learning της Udacity, το οποίο διαθέτει ένα καλύτερο σύστημα αναθεώρησης έργου και υποστήριξη σταδιοδρομίας. Το πρόγραμμα είναι μια συλλογή πολλών μεμονωμένων μαθημάτων Udacity, τα οποία είναι δωρεάν. Συν-δημιουργία από τον Kaggle. Εκτιμώμενο χρονοδιάγραμμα έξι μηνών. Επί του παρόντος, κοστίζει 199 $ USD ανά μήνα με 50% επιστροφή χρημάτων για όσους αποφοιτούν εντός 12 μηνών. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 2 κριτικές.

Εκμάθηση από δεδομένα (Εισαγωγική Μηχανική Εκμάθηση) (California Institute of Technology / edX): Η εγγραφή είναι προς το παρόν κλειστή στο edX, αλλά είναι επίσης διαθέσιμη μέσω της ανεξάρτητης πλατφόρμας της CalTech (δείτε παρακάτω). Έχει μέση σταθμισμένη βαθμολογία 4,49 αστέρων πάνω από 42 κριτικές.

Μαθαίνοντας από τα δεδομένα (Εισαγωγική Μηχανική Μάθηση) (Yaser Abu-Mostafa / Ινστιτούτο Τεχνολογίας Καλιφόρνιας): "Ένα πραγματικό μάθημα Caltech, όχι μια εκδοχή." Οι κριτικές σημειώνουν ότι είναι εξαιρετικό για την κατανόηση της θεωρίας της μηχανικής μάθησης. Ο καθηγητής, Yaser Abu-Mostafa, είναι δημοφιλής στους μαθητές και έγραψε επίσης το εγχειρίδιο στο οποίο βασίζεται αυτό το μάθημα. Τα βίντεο είναι μαγνητοσκοπημένες διαλέξεις (με διαφάνειες διαλέξεων εικόνα-σε-εικόνα) που μεταφορτώνονται στο YouTube. Οι εργασίες στο σπίτι είναι αρχεία .pdf. Η εμπειρία του μαθήματος για μαθητές στο διαδίκτυο δεν είναι τόσο στιλβωμένη όσο οι τρεις πρώτες προτάσεις. Έχει μέση σταθμισμένη βαθμολογία 4,43 αστέρων πάνω από 7 κριτικές.

Mining Massive Datasets (Πανεπιστήμιο Stanford): Μηχανική εκμάθηση με έμφαση στα "μεγάλα δεδομένα". Παρουσιάζει σύγχρονα κατανεμημένα συστήματα αρχείων και MapReduce. Δέκα ώρες την εβδομάδα για επτά εβδομάδες. Ελεύθερος. Έχει μέση σταθμισμένη βαθμολογία 4,4 αστέρων πάνω από 30 κριτικές.

Μηχανική εκμάθηση AWS: Ένας πλήρης οδηγός με την Python (Chandra Lingam / Udemy): Μια μοναδική εστίαση στη μηχανική εκμάθηση που βασίζεται σε σύννεφο και συγκεκριμένα στις Υπηρεσίες Ιστού Amazon. Χρησιμοποιεί Python. Εννέα ώρες βίντεο κατ 'απαίτηση. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,4 αστέρων πάνω από 62 κριτικές.

Εισαγωγή στη μηχανική εκμάθηση και ανίχνευση προσώπου στο Python (Holczer Balazs / Udemy): Χρησιμοποιεί το Python. Οκτώ ώρες βίντεο κατ 'απαίτηση. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,4 αστέρων πάνω από 162 κριτικές.

StatLearning: Στατιστική Μάθηση (Πανεπιστήμιο του Στάνφορντ): Με βάση το εξαιρετικό εγχειρίδιο, «Μια Εισαγωγή στη Στατιστική Μάθηση, με Εφαρμογές στο R» και διδάσκονται από τους καθηγητές που το έγραψαν. Οι αναθεωρητές σημειώνουν ότι το MOOC δεν είναι τόσο καλό όσο το βιβλίο, αναφέροντας «λεπτές» ασκήσεις και μέτρια βίντεο. Πέντε ώρες την εβδομάδα για εννέα εβδομάδες. Ελεύθερος. Έχει μέση σταθμισμένη βαθμολογία 4,35 αστέρων πάνω από 84 κριτικές.

Ειδίκευση μηχανικής μάθησης (Πανεπιστήμιο της Ουάσιγκτον / Coursera): Καταπληκτικά μαθήματα, αλλά οι δύο τελευταίες τάξεις (συμπεριλαμβανομένου του έργου capstone) ακυρώθηκαν. Οι σχολιαστές σημειώνουν ότι αυτή η σειρά είναι πιο εύπεπτη (διαβάστε: ευκολότερο για όσους δεν έχουν ισχυρό τεχνικό υπόβαθρο) από άλλα κορυφαία μαθήματα μηχανικής εκμάθησης (π.χ. Stanford ή Caltech's). Λάβετε υπόψη ότι η σειρά είναι ελλιπής με συστήματα σύστασης, βαθιά μάθηση και μια περίληψη που λείπει. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση βαθμολογία 4,31 αστέρων πάνω από 80 κριτικές.

Από το 0 έως το 1: Μηχανική εκμάθηση, NLP & Python-Cut to the Chase (Loony Corn / Udemy): «Μια απλή, ντροπαλή αλλά σίγουρη χρήση τεχνικών μηχανικής εκμάθησης». Διδασκαλία από τέσσερα άτομα με δεκαετίες βιομηχανικής εμπειρίας μαζί. Χρησιμοποιεί Python. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,2 αστέρων πάνω από 494 κριτικές.

Αρχές της μηχανικής μάθησης (Microsoft / edX): Χρησιμοποιεί R, Python και Microsoft Azure Machine Learning. Μέρος του Microsoft Professional Program Certificate in Data Science. Τρεις έως τέσσερις ώρες την εβδομάδα για έξι εβδομάδες. Δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά. Έχει μέση βαθμολογία 4,09 αστέρων πάνω από 11 κριτικές.

Big Data: Statistic Inference and Machine Learning (Πανεπιστήμιο Τεχνολογίας Queensland / FutureLearn): Ένα ωραίο, σύντομο μάθημα διερευνητικής μηχανικής μάθησης με έμφαση στα μεγάλα δεδομένα. Καλύπτει μερικά εργαλεία όπως R, H2O Flow και WEKA. Διάρκεια μόνο τριών εβδομάδων σε συνιστώμενη δύο ώρες την εβδομάδα, αλλά ένας κριτής σημείωσε ότι έξι ώρες την εβδομάδα θα ήταν πιο κατάλληλες. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μια σταθμισμένη μέση βαθμολογία 4 αστέρων πάνω από 4 κριτικές.

Genomic Data Science and Clustering (Bioinformatics V) (Πανεπιστήμιο της Καλιφόρνια, Σαν Ντιέγκο / Coursera): Για όσους ενδιαφέρονται για τη διασταύρωση της επιστήμης των υπολογιστών και της βιολογίας και πώς αντιπροσωπεύει ένα σημαντικό σύνορο στη σύγχρονη επιστήμη. Επικεντρώνεται στην ομαδοποίηση και τη μείωση διαστάσεων. Μέρος της εξειδίκευσης βιοπληροφορικής του UCSD. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μια σταθμισμένη μέση βαθμολογία 4 αστέρων πάνω από 3 κριτικές.

Εισαγωγή στη Μηχανική Μάθηση (Udacity): Προτεραιότητα στο εύρος των θεμάτων και πρακτικά εργαλεία (σε Python) σε σχέση με το βάθος και τη θεωρία. Οι εκπαιδευτές, ο Sebastian Thrun και η Katie Malone, κάνουν αυτό το μάθημα τόσο διασκεδαστικό. Αποτελείται από βίντεο και κουίζ μεγέθους που ακολουθούνται από ένα μίνι-έργο για κάθε μάθημα. Προς το παρόν μέρος του αναλυτή δεδομένων Nanodegree της Udacity. Εκτιμώμενο χρονοδιάγραμμα δέκα εβδομάδων. Ελεύθερος. Έχει μέση σταθμισμένη βαθμολογία 3,95 αστέρων πάνω από 19 κριτικές.

Μηχανική εκμάθηση για ανάλυση δεδομένων (Πανεπιστήμιο Wesleyan / Coursera): Μια σύντομη εισαγωγική μηχανική μάθηση και μερικοί επιλεγμένοι αλγόριθμοι. Καλύπτει δέντρα αποφάσεων, τυχαία δάση, παλινδρόμηση λάσο και ομαδοποίηση k-σημαίνει. Μέρος της εξειδίκευσης ανάλυσης και ερμηνείας δεδομένων του Wesleyan. Εκτιμώμενο χρονοδιάγραμμα τεσσάρων εβδομάδων. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση σταθμισμένη βαθμολογία 3,6 αστέρων πάνω από 5 κριτικές.

Προγραμματισμός με Python for Data Science (Microsoft / edX): Παράγεται από τη Microsoft σε συνεργασία με την Coding Dojo. Χρησιμοποιεί Python. Οκτώ ώρες την εβδομάδα για έξι εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση σταθμισμένη βαθμολογία 3,46 αστέρων πάνω από 37 κριτικές.

Μηχανική εκμάθηση για διαπραγμάτευση (Georgia Tech / Udacity): Επικεντρώνεται στην εφαρμογή πιθανολογικών προσεγγίσεων μηχανικής μάθησης στις αποφάσεις συναλλαγών. Χρησιμοποιεί Python. Μέρος του Μηχανικού Μηχανικής Εκμάθησης της Udacity Nanodegree και του Διαδικτυακού Μεταπτυχιακού (OMS) της Georgia Tech. Εκτιμώμενο χρονοδιάγραμμα τεσσάρων μηνών. Ελεύθερος. Έχει μέση σταθμισμένη βαθμολογία 3,29 αστέρων πάνω από 14 κριτικές.

Πρακτική μηχανική μάθηση (Πανεπιστήμιο Johns Hopkins / Coursera): Μια σύντομη, πρακτική εισαγωγή σε έναν αριθμό αλγορίθμων μηχανικής μάθησης. Αρκετές κριτικές ενός / δύο αστέρων εκφράζουν μια ποικιλία ανησυχιών. Μέρος της εξειδίκευσης της επιστήμης δεδομένων της JHU. Τέσσερις έως εννέα ώρες την εβδομάδα για τέσσερις εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση σταθμισμένη βαθμολογία 3,11 αστέρων πάνω από 37 κριτικές.

Μηχανική εκμάθηση για την Επιστήμη δεδομένων και το Analytics (Columbia University / edX): Εισάγει ένα ευρύ φάσμα θεμάτων μηχανικής μάθησης. Μερικές παθιασμένες αρνητικές κριτικές με ανησυχίες, συμπεριλαμβανομένων επιλογών περιεχομένου, έλλειψης εργασιών προγραμματισμού και μη εμπνευσμένης παρουσίασης. Επτά έως δέκα ώρες την εβδομάδα για πέντε εβδομάδες. Δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά. Έχει μέση σταθμισμένη βαθμολογία 2,74 αστέρων πάνω από 36 κριτικές.

Ειδίκευση Συστημάτων Προτεινόμενων (Πανεπιστήμιο της Μινεσότα / Coursera): Ισχυρή εστίαση ενός συγκεκριμένου τύπου μηχανικής μάθησης - συστημάτων σύστασης. Μια εξειδίκευση τεσσάρων μαθημάτων συν ένα έργο capstone, το οποίο είναι μια περίπτωση μελέτης. Διδασκαλία χρησιμοποιώντας το LensKit (μια εργαλειοθήκη ανοιχτού κώδικα για συστήματα σύστασης). Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση σταθμισμένη βαθμολογία 2 αστέρων πάνω από 2 κριτικές.

Μηχανική εκμάθηση με μεγάλα δεδομένα (Πανεπιστήμιο της Καλιφόρνια, Σαν Ντιέγκο / Coursera): Τρομερές κριτικές που επισημαίνουν κακή διδασκαλία και αξιολόγηση. Κάποιοι σημείωσαν ότι χρειάστηκαν μόνο ώρες για να ολοκληρώσουν ολόκληρο το μάθημα. Μέρος της εξειδίκευσης μεγάλων δεδομένων του UCSD. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση βαθμολογία 1,86 αστέρων πάνω από 14 κριτικές.

Practical Predictive Analytics: Models and Methods (University of Washington / Coursera): Μια σύντομη εισαγωγή στις βασικές έννοιες της μηχανικής μάθησης. Ένας κριτής σημείωσε ότι υπήρχε έλλειψη κουίζ και ότι οι εργασίες δεν ήταν δύσκολες. Μέρος της εξειδίκευσης της επιστήμης δεδομένων της UW σε κλίμακα. Έξι έως οκτώ ώρες την εβδομάδα για τέσσερις εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση βαθμολογία 1,75 αστέρων πάνω από 4 κριτικές.

Τα ακόλουθα μαθήματα είχαν μία ή καθόλου κριτικές από τον Μάιο του 2017.

Μηχανική εκμάθηση για μουσικούς και καλλιτέχνες (Goldsmiths, University of London / Kadenze): Unique. Οι μαθητές μαθαίνουν αλγόριθμους, εργαλεία λογισμικού και βέλτιστες πρακτικές μηχανικής μάθησης για να κατανοήσουν την ανθρώπινη χειρονομία, τον μουσικό ήχο και άλλα δεδομένα πραγματικού χρόνου. Διάρκεια επτά συνεδριών. Διαθέσιμες επιλογές ελέγχου (δωρεάν) και premium ($ 10 USD ανά μήνα). Έχει μια κριτική 5 αστέρων.

Εφαρμοσμένη μηχανική εκμάθηση στο Python (Πανεπιστήμιο του Michigan / Coursera): Διδάχθηκε με τη χρήση του Python και του εργαλείου scikit learning Μέρος της Εφαρμοσμένης Επιστήμης Δεδομένων με Ειδίκευση Python. Έχει προγραμματιστεί να ξεκινήσει στις 29 Μαΐου. Διατίθενται δωρεάν και επί πληρωμή επιλογές.

Εφαρμοσμένη μηχανική εκμάθηση (Microsoft / edX): Διδάχθηκε χρησιμοποιώντας διάφορα εργαλεία, όπως Python, R και Microsoft Azure Machine Learning (σημείωση: Η Microsoft παράγει το μάθημα). Περιλαμβάνει πρακτικά εργαστήρια για την ενίσχυση του περιεχομένου της διάλεξης. Τρεις έως τέσσερις ώρες την εβδομάδα για έξι εβδομάδες. Δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά.

Μηχανική εκμάθηση με Python (Big Data University): Διδάχθηκε με τη χρήση του Python. Στόχευση για αρχάριους. Εκτιμώμενος χρόνος ολοκλήρωσης τεσσάρων ωρών. Το Big Data University είναι συνδεδεμένο με την IBM. Ελεύθερος.

Μηχανική εκμάθηση με Apache SystemML (Big Data University): Διδάχθηκε χρησιμοποιώντας το Apache SystemML, η οποία είναι μια γλώσσα δηλωτικού στυλ σχεδιασμένη για μηχανική εκμάθηση μεγάλης κλίμακας. Εκτιμώμενος χρόνος ολοκλήρωσης οκτώ ωρών. Το Big Data University είναι συνδεδεμένο με την IBM. Ελεύθερος.

Μηχανική εκμάθηση για την Επιστήμη των Δεδομένων (Πανεπιστήμιο της Καλιφόρνια, Σαν Ντιέγκο / edX): Δεν θα ξεκινήσει μέχρι τον Ιανουάριο του 2018. Παραδείγματα προγραμματισμού και αναθέσεις βρίσκονται στο Python, χρησιμοποιώντας φορητούς υπολογιστές Jupyter. Οκτώ ώρες την εβδομάδα για δέκα εβδομάδες. Δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά.

Εισαγωγή στο Analytics Modeling (Georgia Tech / edX): Το μάθημα διαφημίζει το R ως το κύριο εργαλείο προγραμματισμού του. Πέντε έως δέκα ώρες την εβδομάδα για δέκα εβδομάδες. Δωρεάν με ένα πιστοποιημένο πιστοποιητικό διαθέσιμο για αγορά.

Predictive Analytics: Απόκτηση πληροφοριών από τα Big Data (Queensland University of Technology / FutureLearn): Σύντομη επισκόπηση μερικών αλγορίθμων. Χρησιμοποιεί την πλατφόρμα Vertica Analytics της Hewlett Packard Enterprise ως εφαρμοσμένο εργαλείο. Ημερομηνία έναρξης που θα ανακοινωθεί. Δύο ώρες την εβδομάδα για τέσσερις εβδομάδες. Δωρεάν με ένα Πιστοποιητικό Επιτεύγματος διαθέσιμο για αγορά.

Εισαγωγή Μηχανικής Μάθησης (Πανεπιστήμιο Telefónica / Miríada X): Διδασκαλία στα Ισπανικά Μια εισαγωγή στη μηχανική μάθηση που καλύπτει την εποπτευόμενη και μη εποπτευόμενη μάθηση. Συνολικά είκοσι εκτιμώμενες ώρες για τέσσερις εβδομάδες

Βήμα διαδρομής μηχανικής εκμάθησης (Dataquest): Διδάχθηκε στο Python χρησιμοποιώντας τη διαδραστική πλατφόρμα του προγράμματος περιήγησης της Dataquest. Πολλαπλά προγράμματα με καθοδήγηση και ένα έργο "συν" όπου δημιουργείτε το δικό σας σύστημα μηχανικής εκμάθησης χρησιμοποιώντας τα δικά σας δεδομένα. Απαιτείται συνδρομή.

Τα ακόλουθα έξι μαθήματα προσφέρονται από την DataCamp. Το υβριδικό στυλ διδασκαλίας της DataCamp αξιοποιεί οδηγίες βάσει βίντεο και κειμένου με πολλά παραδείγματα μέσω ενός προγράμματος επεξεργασίας κώδικα στο πρόγραμμα περιήγησης. Απαιτείται συνδρομή για πλήρη πρόσβαση σε κάθε μάθημα.

Εισαγωγή στη Μηχανική Μάθηση (DataCamp): Καλύπτει αλγόριθμους ταξινόμησης, παλινδρόμησης και ομαδοποίησης. Χρησιμοποιεί R. Δεκαπέντε βίντεο και 81 ασκήσεις με εκτιμώμενο χρονοδιάγραμμα έξι ωρών.

Εποπτευόμενη εκμάθηση με scikit-learn (DataCamp): Χρησιμοποιεί Python και scikit-learn. Καλύπτει τους αλγόριθμους ταξινόμησης και παλινδρόμησης. Δεκαεπτά βίντεο και 54 ασκήσεις με εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών.

Μη επιτηρούμενη μάθηση σε R (DataCamp): Παρέχει μια βασική εισαγωγή στη μείωση της ομαδοποίησης και της διάστασης στα R. Δεκαέξι βίντεο και 49 ασκήσεις με εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών.

Εργαλειοθήκη μηχανικής εκμάθησης (DataCamp): Διδάσκει τις «μεγάλες ιδέες» στη μηχανική μάθηση. Χρησιμοποιεί βίντεο R. 24 και 88 ασκήσεις με εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών.

Μηχανική εκμάθηση με τους ειδικούς: Σχολικοί προϋπολογισμοί (DataCamp): Μια μελέτη περίπτωσης από έναν διαγωνισμό μηχανικής μάθησης στο DrivenData. Περιλαμβάνει τη δημιουργία ενός μοντέλου για την αυτόματη ταξινόμηση στοιχείων στον προϋπολογισμό ενός σχολείου. Η «Εποπτευόμενη Εκμάθηση με το scikit-learning» της DataCamp είναι απαραίτητη προϋπόθεση. Δεκαπέντε βίντεο και 51 ασκήσεις με εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών.

Μη επιτηρούμενη μάθηση στο Python (DataCamp): Καλύπτει μια ποικιλία αλγορίθμων μάθησης χωρίς επίβλεψη χρησιμοποιώντας Python, scikit-learning και scipy. Το μάθημα τελειώνει με τους μαθητές να δημιουργούν ένα σύστημα σύστασης για να προτείνουν δημοφιλείς μουσικούς καλλιτέχνες. Δεκατρία βίντεο και 52 ασκήσεις με εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών.

Μηχανική εκμάθηση (Tom Mitchell / Carnegie Mellon University): Μεταπτυχιακό μάθημα μηχανικής εκμάθησης του Carnegie Mellon. Απαραίτητη προϋπόθεση για το δεύτερο μάθημα μεταπτυχιακού επιπέδου, «Στατιστική μηχανική μάθηση». Κολλημένες πανεπιστημιακές διαλέξεις με προβλήματα πρακτικής, εργασίες στο σπίτι και ένα ενδιάμεσο (όλα με λύσεις) που δημοσιεύονται στο διαδίκτυο. Υπάρχει επίσης μια έκδοση 2011 του μαθήματος. Το CMU είναι ένα από τα καλύτερα μεταπτυχιακά σχολεία για τη μελέτη της μηχανικής μάθησης και έχει ένα ολόκληρο τμήμα αφιερωμένο στο ML. Ελεύθερος.

Στατιστική μηχανική εκμάθηση (Larry Wasserman / Carnegie Mellon University): Πιθανώς το πιο προηγμένο μάθημα σε αυτόν τον οδηγό. Παρακολούθηση του μαθήματος μηχανικής εκμάθησης Carnegie Mellon. Κολλημένες πανεπιστημιακές διαλέξεις με προβλήματα πρακτικής, εργασίες στο σπίτι και ένα ενδιάμεσο (όλα με λύσεις) που δημοσιεύονται στο διαδίκτυο. Ελεύθερος.

Προπτυχιακή Μηχανική Εκμάθηση (Nando de Freitas / Πανεπιστήμιο Βρετανικής Κολομβίας): Ένα προπτυχιακό μάθημα μηχανικής μάθησης. Οι διαλέξεις γυρίζονται και τοποθετούνται στο YouTube με τις διαφάνειες που δημοσιεύονται στον ιστότοπο του μαθήματος. Οι εργασίες του μαθήματος δημοσιεύονται επίσης (ωστόσο, δεν υπάρχουν λύσεις) Ο de Freitas είναι τώρα καθηγητής πλήρους απασχόλησης στο Πανεπιστήμιο της Οξφόρδης και λαμβάνει επαίνους για τις διδακτικές του ικανότητες σε διάφορα φόρουμ. Διαθέσιμη μεταπτυχιακή έκδοση (δείτε παρακάτω).

Μηχανική εκμάθηση (Nando de Freitas / Πανεπιστήμιο Βρετανικής Κολομβίας): Μεταπτυχιακό μάθημα μηχανικής μάθησης. Τα σχόλια στο προπτυχιακό μάθημα του de Freitas (παραπάνω) ισχύουν και εδώ.

Τυλίγοντας το

Αυτό είναι το πέμπτο μιας σειράς έξι κομματιών που καλύπτει τα καλύτερα διαδικτυακά μαθήματα για να ξεκινήσετε τον εαυτό σας στον τομέα της επιστήμης των δεδομένων. Καλύψαμε τον προγραμματισμό στο πρώτο άρθρο, στατιστικά στοιχεία και πιθανότητες στο δεύτερο άρθρο, εισαγωγές στην επιστήμη δεδομένων στο τρίτο άρθρο και οπτικοποίηση δεδομένων στο τέταρτο άρθρο.

Κατάταξα κάθε μάθημα Εισαγωγής στην Επιστήμη Δεδομένων στο Διαδίκτυο, με βάση χιλιάδες σημεία δεδομένων

Πριν από ένα χρόνο, εγκατέλειψα ένα από τα καλύτερα προγράμματα πληροφορικής στον Καναδά. Άρχισα να δημιουργώ τα δικά μου δεδομένα…

Το τελευταίο κομμάτι θα είναι μια περίληψη αυτών των άρθρων, καθώς και τα καλύτερα διαδικτυακά μαθήματα για άλλα βασικά θέματα, όπως διαμάχη δεδομένων, βάσεις δεδομένων, ακόμη και μηχανική λογισμικού.

Αν ψάχνετε για μια πλήρη λίστα διαδικτυακών μαθημάτων Επιστήμης Δεδομένων, μπορείτε να τα βρείτε στη σελίδα θεμάτων Επιστήμης Δεδομένων και Big Data της Class Central.

Αν σας άρεσε να το διαβάζετε, ρίξτε μια ματιά σε μερικά από τα άλλα κομμάτια του Class Central:

Ακολουθούν 250 μαθήματα Ivy League που μπορείτε να παρακολουθήσετε δωρεάν τώρα

250 MOOCs από Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton και Yale.

Τα 50 καλύτερα δωρεάν διαδικτυακά πανεπιστημιακά μαθήματα σύμφωνα με τα δεδομένα

Όταν ξεκίνησα το Class Central τον Νοέμβριο του 2011, υπήρχαν περίπου 18 δωρεάν διαδικτυακά μαθήματα και σχεδόν όλα…

Αν έχετε προτάσεις για μαθήματα που έχω χάσει, ενημερώστε με στις απαντήσεις!

Εάν το θεωρήσατε χρήσιμο, κάντε κλικ στο? έτσι περισσότεροι άνθρωποι θα το δουν εδώ στο Medium.

Αυτή είναι μια συμπυκνωμένη έκδοση του αρχικού μου άρθρου που δημοσιεύτηκε στο Class Central, όπου έχω συμπεριλάβει λεπτομερή μαθήματα.