网络机器人吧社区

90%的人都从这里入门:十大机器学习公开课

AI研习社 2018-12-08 06:14:37

【AI研习社】关注AI前沿与实战技巧。欢迎技术开发类文章、视频教程等内容投稿,邮件发送至:zhangxian@leiphone.com 

————————————————————

在当下的机器学习热潮,人才匮乏十分显著。截至目前,国内开设人工智能(AI)专业的高校不多,相当多的开发者是跨界入门,需要自学大量知识并摸索。因而优质的学习资源至关重要。因此,AI 研习社搜集了全世界范围内最受欢迎的机器学习课程,整理成这份“机器学习十大入门慕课教程”盘点,集中呈现给各位。这份推荐榜颇费心血,综合考虑了难易、侧重点、时效性等诸多因素,希望能帮助大家找到最适合自己的学习资源。


这些课程全部免费开放,但有些需翻墙,有的缺少中文字幕。


█ 1. 吴恩达“机器学习”公开课



课程名称:机器学习 Machine Learning

主讲人:吴恩达 Andrew Ng

授课机构:斯坦福大学

发布平台:Coursera

语言:英语,汉语字幕

网址:https://www.coursera.org/learn/machine-learning


无论国内国外,这是最火的机器学习入门课程,没有之一。无数新手都是通过这门课对机器学习初窥门径。吴恩达老师用极其清楚直白的语言,对机器学习的几种主要算法做了初步介绍。


这门课最大的特点,是它侧重于概念理解而不是数学。数学推导过程基本被略过,重点放在让初学者理解这背后的思路。另外,它还十分重视联系实际和经验总结:1. 课程中吴恩达老师列举了许多算法实际应用的例子 2. 他提到当年他们入门 AI 时面临的许多问题,以及处理这些难题的经验。


课程中代码教程使用的是 Octave/MATLAB,因此不需要会 Python、C 语言,适合没有编程基础的新手。


总结起来,这门课对数学、统计、IT 基础薄弱的童鞋十分友好。其实很多机器学习入门课,都是假定学生已修完这一门,于是重点对其进行补充——讲解这门课程中吴恩达老师未涉及、或是涉及不深的话题。因此,对于机器学习 “一张白纸”的童鞋,强烈推荐从这门课起步,然后选择其他入门课程进阶,以在脑海中建立起更全面的知识体系。另外,Coursera 上这门课的论坛十分活跃,不管抛出什么问题都会有人解答,算是一个额外的好处。


彩蛋:网易公开课上有吴恩达老师在斯坦福授课的实录视频。内容比较深入,但时间比较久了,可作为进阶姊妹篇。地址:http://open.163.com/special/opencourse/machinelearning.html


█ 2. 加州理工 “从数据中学习”



课程名称:Learning from Data,网易公开课译名为“加州理工学院公开课:机器学习与数据挖掘”

主讲人:Yaser Abu-Mostafa

授课机构:加州理工学院

发布平台:edX(原版),网易公开课

语言:英语,网易有汉语字幕

网址: https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-2516,edX;

http://open.163.com/special/opencourse/learningfromdata.html,网易。


这同样是一门机器学习的入门课,但并不简单。该课程强调数据,是因为机器学习与各领域的大数据处理应用(比如金融、医疗)联系十分紧密。这门课内容涵盖基础理论、算法和应用,平衡了理论与实践,既覆盖数学统计,也包含启发式的概念理解。


课程结构是这样的:


  • 什么是学习?

  • 机器能学习吗?

  • 怎么做到?

  • 怎么做好?

  • 经验教训。


不少人评论该课程结构就像讲故事,它有助于学习者形成对机器学习概念和模型深度、直觉性的理解。学习者公认它内容非常充实,但对作业模块的争议很大:有人认为难度偏高并且缺乏反馈,有人认为它是网上能找到的、最好的机器学习练习。


彩蛋:Yaser Abu-Mostafa 出版了同名著作 《Learning From Data》,可作为该课程的教材和补充。


█ 3. Tom Mitchell 机器学习课程



课程名称:机器学习 Machine Learning

主讲人:Tom Mitchell

授课机构:卡内基梅隆大学(CMU)

发布平台:CMU 官网

语言:英语

网址:http://www.cs.cmu.edu/~tom/10701_sp11/


这门课是学界人士的最爱,是入门课程之中较全面、高阶的一门。课时为 15 周,远超大多数机器学习慕课。其覆盖的话题非常广,按先后次序包括:代数和概率论,机器学习的基础工具,概率图模型,AI,神经网络,主动学习,增强学习。课程内容和练习十分简洁明白,概念解释清楚到位。


Tom Mitchell 是 AI 领域德高望重的老牌宗师,他的《Machine Learning》 (中文版为《计算机科学丛书:机器学习》),是最经典的机器学习教科书之一。但因为时间久远,涉及的一些概念与今天的开发者并没有太大关联,更适合需要了解人工智能来龙去脉的大学师生。这门课程与之类似,能帮助学习者理清机器学习的发展脉络。它适合计划进行系统性学习、投入大量时间的人。


对于初学者,建议至少听完吴恩达的机器学习课程之后,再修这一门。


█ 4. 台大林轩田老师的機器學習基石



课程名称:機器學習基石

主讲人:林轩田

授课机构:台湾大学

发布平台:Coursera

语言:汉语


这是为汉语学子量身定做的入门课,相当于台湾大学机器学习课程前半学期的课,教给大家的是机器学习最核心的知识。林老师是教科书《Learning From Data》 的作者之一,是华人机器学习领域年轻有为的青年学者。这门课程十分用心细致,内容比吴恩达老师的入门课程稍稍充实一些。


林老师表示,针对顶级机器学习公开课全是英语授课的现状,不少学生反映英语教学有不易吸收之处。因此,借推出这门课程,希望帮助汉语为母语的学生减少入门难度。


针对如何让学生接受枯燥的算法,林老师说道:


“我们的课程设计中,大家会看到我们把对算法与数学式的推导,以‘解决问题’的过程方式呈现。也就是说,我们对算法的介绍是环绕着‘为什么’出发的,当同学们脑中有‘为什么’的时候,就有目标去理解这些算法与数学式的内容了。”


《Learning From Data》 也可作为这门课的教科书。学习 Yaser Abu-Mostafa 的课程有不解之处,可与这门课互相印证。


目前该课程已在 Coursera 下架,何时重开尚属未知。好在网易公开课、YouTube 倒是有全套视频,地址是:http://c.open.163.com/coursera/courseIntro.htm?cid=938 以及 https://www.youtube.com/playlist?list=PLXVfgk9fNX2I7tB6oIINGBmW50rrmFTqf。更多课程资料可从台大官网找到(网页为英语)http://www.csie.ntu.edu.tw/~htlin/mooc/。


彩蛋:台大 2015 年机器学习课程的大纲以及学习资料(PPT):https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/,可作为补充。顺便提一句,林老师把台大后半学期的课程开成另一门 Coursera 课程“机器学习技巧”,作为进阶。目前 Coursera 也已撤下。网易公开课地址为:http://c.open.163.com/coursera/courseIntro.htm?cid=1664。


█ 5. 谷歌人工智能入门



课程名称:人工智能入门  Intro to Artificial Intelligence

主讲人:Peter Norvig,Sebastian Thrun

授课机构:谷歌

发布平台:优达学城 Udacity

语言:英语,汉语字幕

网址:https://cn.udacity.com/course/intro-to-artificial-intelligence--cs271


该课程久享盛名,是 AI 入门最好的公开课之一(AI 研习社注:有人认为可以去掉“之一”)。


严格来说,它并不是一门机器学习课程。但其中有一周的主题是机器学习,它还介绍了另外几个 AI 主要领域:概率推理、信息检索、机器人学、自然语言处理等。鉴于学习机器学习的童鞋,几乎都会对 AI 这个大学科有兴趣——这门课程便是探索机器学习周边与交叉领域的绝好机会。


两位主讲者,Peter Norvig 和 Sebastian Thrun,一个是谷歌研究总监,一个是斯坦福著名机器学习教授,均是与吴恩达、Yann Lecun 同级别的顶级 AI 专家。


需要强调的是,该课程倾向于介绍 AI 的实际应用。课程练习广受好评。


█ 6. UBC 本科生的机器学习课程



课程名称:面向本科生的机器学习课 Machine Learning for Undergraduates

主讲人: Nando de Freitas

授课机构:英属哥伦比亚大学(UBC)

发布平台:Youtube

语言:英语

网址:https://www.youtube.com/playlist?list=PLE6Wd9FR--Ecf_5nCbnSQMHqORpiChfJf


Nando de Freitas 是机器学习领域非常杰出的学者。他的这门课很适合作为吴恩达老师“机器学习”的进阶课程,因为:1. “机器学习”省略掉的一些概念,可以在这门课中找到。2. “机器学习”课 不重视数学,而数学是这门课的重点内容。Nando de Freitas 对诸如概率论、log likelihood 等基础数学原理做了很好的讲解,并以此为基础介绍更高级的数学、统计概念。


对于机器学习新手,完全略过数学细节是很危险的,这门课会帮助你打下基础。


但是,它录制于 2012  年,时间也比较久了。因此,AI 研习社特意奉上彩蛋一枚。


彩蛋:Nando de Freitas 2013 年转入牛津大学任教。这是他 2014-2015 学年在牛津的全套深度学习课程,包括视频、PPT 以及练习:https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/ (视频保存在 Youtube,需翻墙)。


█ 7. Yann Lecun 深度学习公开课



课程名称:深度学习 Deep Learning

主讲人:Yann Lecun

授课机构:法兰西学院

发布平台:法兰西学院官网

语言:法语,英语字幕

网址:https://www.college-de-france.fr/site/en-yann-lecun/course-2016-04-15-11h00.htm


Yann Lecun 在 2016 年初于法兰西学院开课,这是其中关于深度学习的 8 堂课。当时是用法语授课,后来加入了英文字幕。


作为人工智能领域大牛和 Facebook AI 实验室(FAIR)的负责人,Yann Lecun 身处业内机器学习研究的最前沿。他曾经公开表示,现有的一些机器学习公开课内容已经有些过时。通过 Yann Lecun 的课程能了解到近几年深度学习研究的最新进展。该系列可作为探索深度学习的进阶课程。


 8.  Geoffrey Hinton  深度学习课程



课程名称:神经网络用于机器学习 Neural Networks For Machine Learning;网易译名“神经网络的机器学习”

主讲人:Geoffrey Hinton

授课机构:多伦多大学

发布平台:Coursera、网易公开课

语言:英语,汉语字幕

网址:https://www.coursera.org/learn/neural-networks,Coursera;

http://c.open.163.com/coursera/courseIntro.htm?cid=77,网易


深度学习必修课程,讲师为该领域的一代宗师 Geoffrey Hinton。


这门课程聚焦于神经网络和深度学习,是深入了解该领域最好的课程之一(注:很多人认为可以去掉“之一”)。


课程官方介绍:


“(你会在这门课)学习人工神经网络以及它们如何应用于机器学习,比方说语音、物体识别,图像分割(image segmentation),建模语言、人体运动等等。我们同时强调基础算法,以及对它们成功应用所需的实用技巧 。”


这门课录制于 2013-2013,时效性上不如 Yann Lecun 的法兰西学院公开课,建议两者结合。另外,它要求微积分、Python 基础,涉及许多专有名词,对初学者难度较大,需自己查找相关资料。


█ 9.  哥伦比亚大学的机器学习公开课



课程名称:机器学习 Machine Learning

主讲人:John W. Paisley

授课机构:哥伦比亚大学

发布平台:edX

语言:英语

网址:https://www.edx.org/course/machine-learning-columbiax-csmm-102x


在这份大牛云集的榜单中,该课程的主讲者——哥伦比亚大学副教授 John Paisley,只是一名相对普通的青年学者。但是,这门课程于 2017 年 1 月 16 日首次开课。这使它成为时下最新的机器学习入门课程。要知道,近一两年来人工智能和机器学习的发展完全可以用“日新月异”来形容——涌现的新方法、新理论,即便是一流专家也有目不暇接之感。换句换说,三、四年前的课程,可能现在有许多内容已经过时了。


这是 Yann LeCun 提醒大家注意学习资源时效性的原因所在。


可惜许多一流的机器学习公开课,距离录制都有些久了。我们知道一堂公开课背后所耗费的巨大人力。因此,对于部分课程在近两三年并没有更新的事实,倒也不能去怪主讲者和平台。但这使得比较新、时效性较强的课程格外可贵。


这门课中,学习者会了解到机器学习的算法、模型和方法,以及它们在现实生活中的应用。


█ 10. MIT 进阶课程



课程名称:机器学习 Machine Learning

主讲人:Tommi Jaakkola

授课机构:麻省理工学院(MIT)

发布平台:MIT Opencourseware

语言:英语

网址:https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/index.htm


这是一门研究生水平的机器学习课程,难度较高。可惜的是,MIT 并没有提供课程视频,而是以参考书目和课堂笔记的形式,让我们得以一窥该课程的内容。小编认为,这些学习资源的价值仍旧不可估量。因为如此,相比常规公开课,它不会耗费过多时间,非常适合有一定基础的学习者印证自己所学。


█ 小结


这就是 AI 研习社为您盘点的十大最有价值的机器学习入门公开课。


这些课程有浅有深,分别对机器学习不同领域、方面有所侧重。各位童鞋可根据自己所需,自行选择最适合自己的课程。不过,小编必须提醒各位,所有盘点都不可避免得掺杂了主观因素。虽然 AI 研习社已尽力按照课程质量与业内人士的评价来制定该推荐榜,但自知无法做到十足的公正客观。比方说,该榜单倾向于机器学习的“入门”,而非开发者进阶;倾向于概念、算法学习,而非实战技巧(比如 Python 教程);倾向于把全世界范围内最好的课程推荐给诸君,而对英语基础较差的学习者照顾不足。榜单之外尚有许多有价值、适应不同层次人士需求的公开课。因此,AI 研习社特意列举了几个比较好的系统性机器学习课程以及学习平台,弥补该榜单不足,以供参考。


友情提醒,以下包含收费课程。


█ 系统性课程:


  • 优达学城(Udacity)提供的的 “机器学习工程师”纳米学位,中文字幕,谷歌、滴滴参与授课,收费。


https://cn.udacity.com/course/machine-learning-engineer-nanodegree--nd009


  • 华盛顿大学的“机器学习专业”系列课程,Coursera 平台,收费,共六门课。


https://www.coursera.org/specializations/machine-learning


  • 约翰·霍普金斯大学的“数据科学专业”系列课程,Coursera 平台,收费,共十门课。


https://www.coursera.org/specializations/jhu-data-science


  • 密歇根大学的“Python 的应用数据科学专业”系列课程,Coursera 平台,收费,共五门课。适合需要学习 Python 实战技巧的机器学习开发者。


https://www.coursera.org/specializations/data-science-python


█ 平台推荐:


国外的 Coursera、edX、优达学城(Udacity)、Udemy;国内的网易公开课、七月在线都集中了相对优质的学习资源。当然,英语不错的童鞋推荐国外学习网站,尤其它们的问答论坛非常有帮助。


对于英语基础不是那么好的童鞋,Coursera 和优达学城很重视中国市场,它们的大部分机器学习资源都添加了汉语字幕。对于 edX 和可汗学院的部分课程,网易公开课有字幕翻译。


对于需要在数学、统计方面补课的童鞋,除了以上几个平台之外,强烈推荐可汗学院 Khan Academy, 它的数学课非常有名,连比尔·盖茨都推荐给他子女,很适合从零起步打基础。


另外AI 研习社会定期举办公开课,邀请业内专家分享机器学习实战心得,敬请关注。


 点击“阅读原文”跳转到文章详情页

Copyright © 网络机器人吧社区@2017