Hướng dẫn machine learning with python freecodecamp review - máy học với đánh giá freecodecamp python

bởi David Venturi

Một năm rưỡi trước, tôi đã bỏ một trong những chương trình khoa học máy tính tốt nhất ở Canada. Tôi bắt đầu tạo chương trình Master Data Science Master của riêng mình bằng các tài nguyên trực tuyến. Tôi nhận ra rằng tôi có thể học mọi thứ tôi cần thông qua EDX, Coursera và Udacity. Và tôi có thể học nó nhanh hơn, hiệu quả hơn và cho một phần chi phí.

Tôi gần như đã hoàn thành bây giờ. Tôi đã tham gia nhiều khóa học liên quan đến khoa học dữ liệu và các phần được kiểm toán nhiều hơn nữa. Tôi biết các tùy chọn ngoài kia và những kỹ năng cần thiết cho người học chuẩn bị cho một nhà phân tích dữ liệu hoặc vai trò nhà khoa học dữ liệu. Vì vậy, tôi bắt đầu tạo một hướng dẫn dựa trên đánh giá khuyến nghị các khóa học tốt nhất cho từng môn học trong khoa học dữ liệu.So I started creating a review-driven guide that recommends the best courses for each subject within data science.

Đối với hướng dẫn đầu tiên trong loạt bài, tôi đã đề xuất một vài lớp mã hóa cho nhà khoa học dữ liệu mới bắt đầu. Sau đó, đó là các lớp thống kê và xác suất. Sau đó giới thiệu về Khoa học dữ liệu. Ngoài ra, trực quan hóa dữ liệu.

Bây giờ vào học máy.

Đối với hướng dẫn này, tôi đã dành một chục giờ để cố gắng xác định mọi khóa học học máy trực tuyến được cung cấp vào tháng 5 năm 2017, trích xuất các thông tin chính từ giáo trình của họ và đánh giá, và biên soạn xếp hạng của họ. Mục tiêu cuối cùng của tôi là xác định ba khóa học tốt nhất hiện có và trình bày chúng cho bạn, bên dưới.My end goal was to identify the three best courses available and present them to you, below.

Đối với nhiệm vụ này, tôi đã chuyển sang không ai khác ngoài cộng đồng trung tâm lớp nguồn mở và cơ sở dữ liệu của nó gồm hàng ngàn xếp hạng và đánh giá khóa học.

Kể từ năm 2011, người sáng lập lớp trung tâm Dhawal Shah đã để mắt đến các khóa học trực tuyến hơn là bất kỳ ai khác trên thế giới. Cá nhân Dhawal đã giúp tôi tập hợp danh sách các tài nguyên này.

Cách chúng tôi chọn các khóa học để xem xét

Mỗi khóa học phải phù hợp với ba tiêu chí:

1. Nó phải có một lượng đáng kể nội dung học máy. Lý tưởng nhất, học máy là chủ đề chính. Nhìn rằng các khóa học chỉ học sâu được loại trừ. Nhiều hơn về điều đó sau. Ideally, machine learning is the primary topic.Note that deep learning-only courses are excluded. More on that later.
2. Nó phải theo yêu cầu hoặc được cung cấp một vài tháng.
3. Nó phải là một khóa học trực tuyến tương tác, vì vậy không có sách hoặc hướng dẫn chỉ đọc. Mặc dù đây là những cách khả thi để học, hướng dẫn này tập trung vào các khóa học. Các khóa học là các video nghiêm ngặt (tức là không có câu đố, bài tập, v.v.) cũng bị loại trừ.. Though these are viable ways to learn, this guide focuses on courses. Courses that are strictly videos (i.e. with no quizzes, assignments, etc.) are also excluded.

Chúng tôi tin rằng chúng tôi đề cập đến mọi khóa học đáng chú ý phù hợp với các tiêu chí trên. Vì dường như có hàng trăm khóa học về UDEMY, chúng tôi đã chọn xem xét các khóa học được đánh giá cao nhất và được đánh giá cao nhất.

Mặc dù vậy, luôn luôn có một cơ hội mà chúng tôi đã bỏ lỡ một cái gì đó. Vì vậy, xin vui lòng cho chúng tôi biết trong phần bình luận nếu chúng tôi để lại một khóa học tốt.

Cách chúng tôi đánh giá các khóa học

Chúng tôi đã biên soạn xếp hạng trung bình và số lượng đánh giá từ các trang web đánh giá trung tâm và các trang web khác để tính xếp hạng trung bình có trọng số cho mỗi khóa học. Chúng tôi đọc đánh giá văn bản và sử dụng phản hồi này để bổ sung xếp hạng số.

Chúng tôi đã thực hiện các cuộc gọi đánh giá giáo trình chủ quan dựa trên ba yếu tố:

1. Giải thích về quy trình công việc học máy. Liệu khóa học có phác thảo các bước cần thiết để thực hiện một dự án ML thành công không? Xem phần tiếp theo để biết những gì một quy trình làm việc điển hình đòi hỏi.Does the course outline the steps required for executing a successful ML project? See the next section for what a typical workflow entails.
2. Phạm vi của các kỹ thuật và thuật toán học máy. Là một loạt các kỹ thuật (ví dụ: hồi quy, phân loại, phân cụm, v.v.) và các thuật toán (ví dụ: trong phân loại: naive Bayes, cây quyết định, máy vectơ hỗ trợ, v.v.) được bảo hiểm hay chỉ là một số ít? Ưu tiên được đưa ra cho các khóa học bao gồm nhiều hơn mà không bỏ qua chi tiết. Are a variety of techniques (e.g. regression, classification, clustering, etc.) and algorithms (e.g. within classification: naive Bayes, decision trees, support vector machines, etc.) covered or just a select few? Preference is given to courses that cover more without skimping on detail.
3. Sử dụng khoa học dữ liệu phổ biến và các công cụ học máy. Có phải khóa học được dạy bằng cách sử dụng các ngôn ngữ lập trình phổ biến như Python, R và/hoặc Scala? Làm thế nào về các thư viện phổ biến trong các ngôn ngữ đó? Những aren này cần thiết, nhưng hữu ích rất ít ưu tiên được trao cho các khóa học này. Is the course taught using popular programming languages like Python, R, and/or Scala? How about popular libraries within those languages? These aren’t necessary, but helpful so slight preference is given to these courses.

Học máy là gì? Quy trình làm việc là gì?

Một định nghĩa phổ biến bắt nguồn từ Arthur Samuel vào năm 1959: Machine Learning là một trường con của khoa học máy tính cung cấp cho máy tính trên mạng khả năng học mà không được lập trình rõ ràng. Trong thực tế, điều này có nghĩa là phát triển các chương trình máy tính có thể đưa ra dự đoán dựa trên dữ liệu. Giống như con người có thể học hỏi từ kinh nghiệm, vì vậy có thể máy tính, trong đó dữ liệu = kinh nghiệm.

Một quy trình công việc học máy là quá trình cần thiết để thực hiện một dự án học máy. Mặc dù các dự án riêng lẻ có thể khác nhau, hầu hết các quy trình công việc đều chia sẻ một số nhiệm vụ phổ biến: đánh giá vấn đề, khám phá dữ liệu, tiền xử lý dữ liệu, đào tạo/thử nghiệm/triển khai mô hình, v.v. bên dưới bạn sẽ tìm thấy hình ảnh hữu ích của các bước cốt lõi sau:

Khóa học lý tưởng giới thiệu toàn bộ quá trình và cung cấp các ví dụ, bài tập và/hoặc câu hỏi tương tác trong đó sinh viên có thể tự thực hiện từng nhiệm vụ.

Các khóa học này có bao gồm học tập sâu không?

Trước hết, hãy để xác định học tập sâu. Đây là một mô tả ngắn gọn:

Học tập sâu là một trường con của học máy liên quan đến các thuật toán lấy cảm hứng từ cấu trúc và chức năng của bộ não được gọi là mạng lưới thần kinh nhân tạo.

- Jason Brownlee từ Machine Learning Mastery

Như mong đợi, các phần của một số khóa học học máy có chứa nội dung học tập sâu. Tuy nhiên, tôi đã chọn không bao gồm các khóa học chỉ học sâu. Nếu bạn quan tâm đến việc học sâu cụ thể, chúng tôi đã đưa bạn đến với bài viết sau:

Đi sâu vào việc học sâu với 12 ngày CoursEveryerevery miễn phí mang đến những tiêu đề mới cho việc học tập sâu đang thay đổi thế giới xung quanh chúng ta như thế nào. Một vài ví dụ: Medium.Freecodecamp.com
Every day brings new headlines for how deep learning is changing the world around us. A few examples:medium.freecodecamp.com

Ba đề xuất hàng đầu của tôi từ danh sách đó sẽ là:

• Các ứng dụng sáng tạo của học tập sâu với Tensorflowby Kadenzeby Kadenze
• Mạng lưới thần kinh cho học máy của Đại học Toronto (được giảng dạy bởi Geoffrey Hinton) thông qua Coursera by the University of Toronto (taught by Geoffrey Hinton) via Coursera
• Deep Learning A-Z ™: Mạng lưới thần kinh nhân tạo thực hành Kirill Eremenko, Hadelin de Ponteves và nhóm Superdatascience thông qua Udemy
  by Kirill Eremenko, Hadelin de Ponteves, and the SuperDataScience Team via Udemy

Điều kiện tiên quyết được đề xuất

Một số khóa học được liệt kê dưới đây yêu cầu sinh viên có lập trình trước, tính toán, đại số tuyến tính và kinh nghiệm thống kê. Những điều kiện tiên quyết này có thể hiểu được khi học máy là một môn học nâng cao.

Thiếu một vài đối tượng? Tin tốt! Một số kinh nghiệm này có thể có được thông qua các khuyến nghị của chúng tôi trong hai bài viết đầu tiên (lập trình, thống kê) của Hướng dẫn nghề nghiệp khoa học dữ liệu này. Một số khóa học được xếp hạng hàng đầu dưới đây cũng cung cấp tính toán nhẹ nhàng và chất làm mới đại số tuyến tính và làm nổi bật các khía cạnh phù hợp nhất với học máy cho những người ít quen thuộc.

Lựa chọn của chúng tôi cho khóa học học máy tốt nhất là

• Học máy (Đại học Stanford thông qua Coursera)

Đại học Stanford Học máy học trên Coursera là người chiến thắng hiện tại rõ ràng về xếp hạng, đánh giá và giáo trình phù hợp. Được dạy bởi Andrew Ng nổi tiếng, người sáng lập Google Brain và cựu nhà khoa học trưởng tại Baidu, đây là lớp học đã gây ra sự thành lập của Coursera. Nó có xếp hạng trung bình có trọng số 4,7 sao trên 422 đánh giá.

Được phát hành vào năm 2011, nó bao gồm tất cả các khía cạnh của quy trình học tập máy. Mặc dù nó có phạm vi nhỏ hơn lớp Stanford ban đầu dựa trên nó, nhưng nó vẫn quản lý để bao gồm một số lượng lớn các kỹ thuật và thuật toán. Dòng thời gian ước tính là mười một tuần, với hai tuần dành riêng cho mạng lưới thần kinh và học tập sâu. Tùy chọn miễn phí và trả phí có sẵn.

Ng là một người hướng dẫn năng động nhưng nhẹ nhàng với trải nghiệm sờ thấy. Ông truyền cảm hứng cho sự tự tin, đặc biệt là khi chia sẻ các mẹo thực hiện thực tế và cảnh báo về những cạm bẫy thông thường. Một chất tẩy rửa đại số tuyến tính được cung cấp và NG nêu bật các khía cạnh của tính toán phù hợp nhất với học máy.

Đánh giá là tự động và được thực hiện thông qua các câu đố trắc nghiệm theo từng bài tập bài học và lập trình. Các bài tập (có tám trong số đó) có thể được hoàn thành trong MATLAB hoặc OCTAVE, đây là phiên bản nguồn mở của MATLAB. Ng giải thích sự lựa chọn ngôn ngữ của anh ấy:

Trước đây, tôi đã cố gắng dạy học máy bằng cách sử dụng nhiều ngôn ngữ lập trình khác nhau bao gồm C ++, Java, Python, Numpy, và cả Octave, và những gì tôi đã thấy sau khi dạy máy trong gần một thập kỷ là Bạn học nhanh hơn nhiều nếu bạn sử dụng Octave làm môi trường lập trình của bạn.

Mặc dù Python và R có khả năng là những lựa chọn hấp dẫn hơn trong năm 2017 với sự phổ biến ngày càng tăng của các ngôn ngữ đó, các nhà đánh giá lưu ý rằng điều đó không nên ngăn bạn tham gia khóa học.

Một vài nhà phê bình nổi bật lưu ý như sau:

Của sự nổi tiếng lâu đời trong thế giới MOOC, khóa học học máy Stanford Stanford thực sự là giới thiệu dứt khoát về chủ đề này. Khóa học rộng rãi bao gồm tất cả các lĩnh vực chính của máy học, Giáo sư Ng trước mỗi phân đoạn với một cuộc thảo luận và ví dụ về động lực.

Andrew Ng là một giáo viên có năng khiếu và có thể giải thích các môn học phức tạp một cách rất trực quan và rõ ràng, bao gồm cả toán học đằng sau tất cả các khái niệm. Rất khuyến khích.

Vấn đề duy nhất tôi thấy với khóa học này nếu nó đặt thanh kỳ vọng rất cao cho các khóa học khác.

Giới thiệu Ivy League mới với một giáo sư xuất sắc

• Học máy (Đại học Columbia qua EDX)

Đại học Columbia, học máy là một sản phẩm tương đối mới, là một phần của các micromas trí tuệ nhân tạo của họ trên EDX. Mặc dù nó mới hơn và không có một số lượng lớn các đánh giá, nhưng những đánh giá mà nó đặc biệt mạnh. Giáo sư John Paisley được ghi nhận là xuất sắc, rõ ràng và thông minh. Nó có xếp hạng trung bình có trọng số 4,8 sao trên 10 đánh giá.

Khóa học cũng bao gồm tất cả các khía cạnh của quy trình công việc học máy và nhiều thuật toán hơn so với cung cấp Stanford ở trên. Columbia, là một giới thiệu nâng cao hơn, với các nhà đánh giá lưu ý rằng sinh viên nên thoải mái với các điều kiện tiên quyết được đề xuất (tính toán, đại số tuyến tính, thống kê, xác suất và mã hóa).

Các câu đố (11), bài tập lập trình (4) và bài kiểm tra cuối cùng là các phương thức đánh giá. Học sinh có thể sử dụng Python, Octave hoặc Matlab để hoàn thành các bài tập. Tổng thời gian ước tính của khóa học là tám đến mười giờ mỗi tuần trong mười hai tuần. Nó là miễn phí với một chứng chỉ đã được xác minh có sẵn để mua.

Dưới đây là một vài trong số các đánh giá lấp lánh đã nói ở trên:

Trong tất cả những năm của tôi là một sinh viên tôi, tôi bắt gặp các giáo sư không xuất sắc, các giáo sư xuất sắc nhưng họ không biết cách giải thích những điều rõ ràng, và các giáo sư xuất sắc và biết cách giải thích những thứ rõ ràng. Tiến sĩ Paisley thuộc nhóm thứ ba.

Đây là một khóa học tuyệt vời, ngôn ngữ của người hướng dẫn là chính xác và đó là một trong những điểm mạnh nhất của khóa học. Các bài giảng có chất lượng cao và các slide cũng rất tuyệt.

Tiến sĩ Paisley và người giám sát của ông là sinh viên của Michael Jordan, cha đẻ của học máy. [Tiến sĩ Paisley] là giáo sư ML tốt nhất tại Columbia vì khả năng giải thích rõ ràng. Lên đến 240 sinh viên đã chọn khóa học của mình trong học kỳ này, con số lớn nhất trong số tất cả các giáo sư [giảng dạy] học máy tại Columbia.

Một phần giới thiệu thực tế trong Python & R từ các chuyên gia trong ngành

• Học máy A-Z ™: Python & R thực hành trong Khoa học dữ liệu (Kirill Eremenko, Hadelin de Ponteves và nhóm Superdatascience thông qua Udemy)

Machine Learning A-Z ™ trên Udemy là một sản phẩm chi tiết ấn tượng cung cấp hướng dẫn trong cả Python và R, điều này rất hiếm và có thể nói cho bất kỳ khóa học hàng đầu nào khác. Nó có xếp hạng trung bình có trọng số 4,5 sao trên 8.119 đánh giá, điều này làm cho nó trở thành quá trình được đánh giá nhiều nhất trong số những đánh giá được xem xét.

Nó bao gồm toàn bộ quy trình công việc học máy và số lượng thuật toán gần như vô lý (theo cách tốt) qua 40,5 giờ video theo yêu cầu. Khóa học có một cách tiếp cận ứng dụng hơn và là toán học nhẹ hơn so với hai khóa học trên. Mỗi phần bắt đầu với một video trực giác trực tuyến từ Eremenko tóm tắt lý thuyết cơ bản của khái niệm được dạy. De Ponteves sau đó đi qua việc thực hiện với các video riêng cho cả Python và R.

Là một phần thưởng của người Viking, khóa học bao gồm các mẫu mã Python và R để sinh viên tải xuống và sử dụng cho các dự án của riêng họ. Có những câu đố và thử thách bài tập về nhà, mặc dù những điều này là điểm mạnh của khóa học.

Eremenko và nhóm Superdatascience được tôn kính vì khả năng của họ để làm cho sự phức tạp đơn giản. Ngoài ra, các điều kiện tiên quyết được liệt kê là một số toán học trung học, vì vậy khóa học này có thể là một lựa chọn tốt hơn cho những người bị nản chí bởi các dịch vụ Stanford và Columbia.

Một vài nhà phê bình nổi bật lưu ý như sau:

Khóa học được sản xuất chuyên nghiệp, chất lượng âm thanh là tuyệt vời và các giải thích rõ ràng và súc tích. Nó là một giá trị đáng kinh ngạc cho đầu tư tài chính và thời gian của bạn.

Thật là ngoạn mục để có thể theo dõi khóa học trong hai ngôn ngữ lập trình khác nhau cùng một lúc.

Kirill là một trong những người hướng dẫn tốt nhất tuyệt đối trên Udemy (nếu không phải là Internet) và tôi khuyên bạn nên tham gia bất kỳ lớp nào anh ấy dạy. Khóa học này có rất nhiều nội dung, như một tấn!

Cuộc thi

Lựa chọn số 1 của chúng tôi có xếp hạng trung bình có trọng số 4,7 trên 5 sao trên 422 đánh giá. Hãy cùng nhìn vào các lựa chọn thay thế khác, được sắp xếp bằng xếp hạng giảm dần. Một lời nhắc nhở rằng các khóa học chỉ học sâu không được bao gồm trong hướng dẫn này-bạn có thể tìm thấy những khóa học ở đây.

Phân tích Edge (Viện Công nghệ Massachusetts/EDX): Tập trung hơn vào phân tích nói chung, mặc dù nó bao gồm một số chủ đề học máy. Sử dụng R. Tường thuật mạnh mẽ tận dụng các ví dụ trong thế giới thực quen thuộc. Thách thức. Mười đến mười lăm giờ mỗi tuần trong mười hai tuần. Miễn phí với một chứng chỉ đã được xác minh có sẵn để mua. Nó có xếp hạng trung bình có trọng số 4,9 sao trên 214 đánh giá.

Python cho khoa học dữ liệu và máy học máy bootcamp (Jose Portilla/Udemy): Có những phần lớn nội dung học máy, nhưng bao gồm toàn bộ quy trình khoa học dữ liệu. Thêm một phần giới thiệu rất chi tiết cho Python. Khóa học tuyệt vời, mặc dù không lý tưởng cho phạm vi của hướng dẫn này. 21,5 giờ video theo yêu cầu. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên. Nó có xếp hạng trung bình có trọng số 4,6 sao trên 3316 đánh giá.

Khoa học dữ liệu và học máy bootcamp với R (Jose Portilla/Udemy): Các bình luận cho khóa học Portilla trên cũng áp dụng ở đây, ngoại trừ video R. 17,5 giờ theo yêu cầu. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên. Nó có xếp hạng trung bình có trọng số 4,6 sao trên 1317 đánh giá.

Machine Learning Series (Lazy Lập trình viên Inc./Udemy): Được giảng dạy bởi một nhà khoa học dữ liệu/kỹ sư dữ liệu lớn/kỹ sư phần mềm Full Stack với một bản lý lịch ấn tượng, Lazy lập trình viên hiện có một loạt 16 khóa học tập trung vào máy học trên UDEMY. Tổng cộng, các khóa học có hơn 5000 xếp hạng và hầu hết tất cả chúng đều có 4,6 sao. Một đơn đặt hàng khóa học hữu ích được cung cấp trong mỗi mô tả khóa học riêng lẻ. Sử dụng Python. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên.

Học máy (Georgia Tech/Udacity): Một bản tổng hợp của ba khóa học riêng biệt: học tập được giám sát, không giám sát và củng cố. Một phần của kỹ sư máy học máy Udacity, Nanodegree và Georgia Tech, Master Master Master (OMS). Video có kích thước cắn, như là phong cách Udacity. Giáo sư thân thiện. Dòng thời gian ước tính bốn tháng. Tự do. Nó có xếp hạng trung bình có trọng số 4,56 sao trên 9 đánh giá.

Thực hiện các phân tích dự đoán với Spark trong Azure HDinsight (Microsoft/EDX): Giới thiệu các khái niệm cốt lõi về học máy và một loạt các thuật toán. Tận dụng một số công cụ thân thiện với dữ liệu lớn, bao gồm Apache Spark, Scala và Hadoop. Sử dụng cả Python và R. bốn giờ mỗi tuần trong sáu tuần. Miễn phí với một chứng chỉ đã được xác minh có sẵn để mua. Nó có xếp hạng trung bình có trọng số 4,5 sao trên 6 đánh giá.

Khoa học dữ liệu và học máy với Python - tay! (Frank Kane/Udemy): Sử dụng Python. Kane có chín năm kinh nghiệm tại Amazon và IMDB. Chín giờ video theo yêu cầu. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên. Nó có xếp hạng trung bình có trọng số 4,5 sao trên 4139 đánh giá.

Scala và Spark cho dữ liệu lớn và học máy (Jose Portilla/Udemy): Trọng tâm của dữ liệu lớn, đặc biệt là triển khai trong Scala và Spark. Mười giờ video theo yêu cầu. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên. Nó có xếp hạng trung bình có trọng số 4,5 sao trên 607 đánh giá.

Kỹ sư học máy Nanodegree (Udacity): Chương trình học máy hàng đầu của Udacity, có hệ thống đánh giá dự án tốt nhất trong lớp và hỗ trợ nghề nghiệp. Chương trình là một bản tổng hợp của một số khóa học UDacity riêng lẻ, miễn phí. Được đồng sáng tạo bởi Kaggle. Dòng thời gian ước tính sáu tháng. Hiện có giá 199 USD mỗi tháng với khoản hoàn tiền 50% có sẵn cho những người tốt nghiệp trong vòng 12 tháng. Nó có xếp hạng trung bình có trọng số 4,5 sao trên 2 đánh giá.

Học từ dữ liệu (Học máy giới thiệu) (Viện Công nghệ California/EDX): Ghi danh hiện đang đóng cửa trên EDX, nhưng cũng có sẵn thông qua nền tảng độc lập của Caltech (xem bên dưới). Nó có xếp hạng trung bình có trọng số 4,49 sao trên 42 đánh giá.

Học hỏi từ dữ liệu (Học máy giới thiệu) (Viện Công nghệ Yaser Abu-Mostafa/California): Khóa học thực sự của Caltech, không phải là phiên bản dưới nước. Đánh giá Lưu ý Nó là tuyệt vời để hiểu lý thuyết học máy. Giáo sư, Yaser Abu-Mostafa, phổ biến trong số các sinh viên và cũng đã viết sách giáo khoa dựa trên khóa học này. Video được ghi âm các bài giảng (với các bài giảng trượt ảnh trong ảnh) được tải lên YouTube. Bài tập về nhà là tệp .pdf. Trải nghiệm khóa học cho sinh viên trực tuyến không được đánh bóng như ba khuyến nghị hàng đầu. Nó có xếp hạng trung bình có trọng số 4,43 sao trên 7 đánh giá.

Khai thác các bộ dữ liệu lớn (Đại học Stanford): Học máy tập trung vào dữ liệu lớn. Giới thiệu các hệ thống tệp phân tán hiện đại và MapReduce. Mười giờ mỗi tuần trong bảy tuần. Tự do. Nó có xếp hạng trung bình có trọng số 4,4 sao trên 30 đánh giá.

AWS Machine Learning: Hướng dẫn đầy đủ với Python (Chandra Lingam/Udemy): Trọng tâm duy nhất vào học máy dựa trên đám mây và cụ thể là Amazon Web Services. Sử dụng Python. Chín giờ video theo yêu cầu. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên. Nó có xếp hạng trung bình có trọng số 4,4 sao trên 62 đánh giá.

Giới thiệu về Học máy & Phát hiện khuôn mặt trong Python (Holczer Balazs/Udemy): Sử dụng Python. Tám giờ video theo yêu cầu. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên. Nó có xếp hạng trung bình có trọng số 4,4 sao trên 162 đánh giá.

Statlearning: Học tập thống kê (Đại học Stanford): Dựa trên sách giáo khoa xuất sắc, Giới thiệu về học tập thống kê, với các ứng dụng trong R, và được giảng dạy bởi các giáo sư đã viết nó. Các nhà đánh giá lưu ý rằng MOOC không tốt như cuốn sách, trích dẫn các bài tập mỏng và các video tầm thường. Năm giờ mỗi tuần trong chín tuần. Tự do. Nó có xếp hạng trung bình có trọng số 4,35 sao trên 84 đánh giá.

Chuyên ngành học máy (Đại học Washington/Coursera): Các khóa học tuyệt vời, nhưng hai lớp cuối cùng (bao gồm cả dự án Capstone) đã bị hủy bỏ. Người đánh giá lưu ý rằng loạt bài này dễ tiêu hóa hơn (đọc: dễ dàng hơn cho những người không có nền tảng kỹ thuật mạnh mẽ) so với các khóa học học máy hàng đầu khác (ví dụ: Stanford, hoặc Caltech,). Xin lưu ý rằng loạt bài không đầy đủ với các hệ thống đề xuất, học sâu và thiếu tóm tắt. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 4,31 sao trên 80 đánh giá.

Từ 0 đến 1: Học máy, NLP & Python-Cut đến The Chase (Loony Corn/Udemy): Một người thực tế, nhút nhát nhưng tự tin tiếp nhận các kỹ thuật học máy. Được dạy bởi đội bốn người với nhiều thập kỷ kinh nghiệm trong ngành cùng nhau. Sử dụng Python. Chi phí thay đổi tùy thuộc vào giảm giá Udemy, thường xuyên. Nó có xếp hạng trung bình có trọng số 4.2 sao trên 494 đánh giá.

Nguyên tắc học máy (Microsoft/EDX): Sử dụng R, Python và Microsoft Azure Machine Learning. Một phần của Chứng chỉ Chương trình Chuyên nghiệp Microsoft về Khoa học dữ liệu. Ba đến bốn giờ mỗi tuần trong sáu tuần. Miễn phí với một chứng chỉ đã được xác minh có sẵn để mua. Nó có xếp hạng trung bình có trọng số 4,09 sao trên 11 đánh giá.

Dữ liệu lớn: Suy luận thống kê và học máy (Đại học Công nghệ Queensland/FutureLearn): Một khóa học học máy khám phá ngắn gọn, tốt đẹp tập trung vào dữ liệu lớn. Bao gồm một vài công cụ như R, H2O Flow và Weka. Chỉ có ba tuần trong một thời gian được khuyến nghị hai giờ mỗi tuần, nhưng một người đánh giá lưu ý rằng sáu giờ mỗi tuần sẽ phù hợp hơn. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 4 sao trên 4 đánh giá.

Khoa học dữ liệu genomic và phân cụm (Tin sinh học V) (Đại học California, San Diego/Coursera): Đối với những người quan tâm đến sự giao thoa của khoa học máy tính và sinh học và làm thế nào nó đại diện cho một biên giới quan trọng trong khoa học hiện đại. Tập trung vào phân cụm và giảm kích thước. Một phần của chuyên môn về tin sinh học UCSD. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 4 sao trên 3 đánh giá.

Giới thiệu về học máy (udacity): Ưu tiên các công cụ thực tế và chiều rộng chủ đề (trong Python) trên chiều sâu và lý thuyết. Các giảng viên, Sebastian Thrun và Katie Malone, làm cho lớp học này trở nên vui vẻ. Bao gồm các video và câu đố có kích thước cắn, sau đó là một dự án nhỏ cho mỗi bài học. Hiện tại là một phần của nhà phân tích dữ liệu Nanodegree của Udacity. Dòng thời gian ước tính mười tuần. Tự do. Nó có xếp hạng trung bình có trọng số 3,95 sao trên 19 đánh giá.

Học máy để phân tích dữ liệu (Đại học Wesleyan/Coursera): Học máy giới thiệu ngắn gọn và một vài thuật toán chọn lọc. Bao gồm các cây quyết định, rừng ngẫu nhiên, hồi quy Lasso và phân cụm K-có nghĩa là. Một phần của phân tích và chuyên môn giải thích dữ liệu Wesleyan. Dòng thời gian ước tính bốn tuần. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 3,6 sao trên 5 đánh giá.

Lập trình với Python cho Khoa học dữ liệu (Microsoft/EDX): Được sản xuất bởi Microsoft hợp tác với Coding Dojo. Sử dụng Python. Tám giờ mỗi tuần trong sáu tuần. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 3,46 sao trên 37 đánh giá.

Học máy để giao dịch (Georgia Tech/Udacity): Tập trung vào việc áp dụng các phương pháp học máy xác suất cho các quyết định giao dịch. Sử dụng Python. Một phần của kỹ sư máy học máy Udacity, Nanodegree và Georgia Tech, Master Master Master (OMS). Dòng thời gian ước tính bốn tháng. Tự do. Nó có xếp hạng trung bình có trọng số 3,29 sao trên 14 đánh giá.

Học máy thực tế (Đại học Johns Hopkins/Coursera): Giới thiệu ngắn gọn, thực tế về một số thuật toán học máy. Một số đánh giá một/hai sao thể hiện nhiều mối quan tâm khác nhau. Một phần của chuyên môn khoa học dữ liệu JHU. Bốn đến chín giờ mỗi tuần trong bốn tuần. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 3,11 sao trên 37 đánh giá.

Học máy cho Khoa học và Phân tích dữ liệu (Đại học Columbia/EDX): Giới thiệu một loạt các chủ đề học máy. Một số đánh giá tiêu cực đam mê với các mối quan tâm bao gồm các lựa chọn nội dung, thiếu các bài tập lập trình và trình bày không mệt mỏi. Bảy đến mười giờ mỗi tuần trong năm tuần. Miễn phí với một chứng chỉ đã được xác minh có sẵn để mua. Nó có xếp hạng trung bình có trọng số 2,74 sao trên 36 đánh giá.

Chuyên ngành hệ thống đề xuất (Đại học Minnesota/Coursera): Tập trung mạnh mẽ một loại học máy cụ thể - Hệ thống đề xuất. Một chuyên ngành bốn khóa học cộng với một dự án capstone, là một nghiên cứu trường hợp. Được dạy bằng Lenskit (một bộ công cụ nguồn mở cho các hệ thống đề xuất). Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 2 sao trên 2 đánh giá.

Học máy với dữ liệu lớn (Đại học California, San Diego/Coursera): Những đánh giá khủng khiếp làm nổi bật hướng dẫn và đánh giá kém. Một số lưu ý rằng họ chỉ mất hàng giờ để hoàn thành toàn bộ khóa học. Một phần của chuyên môn dữ liệu lớn của UCSD. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 1,86 sao trên 14 đánh giá.

Phân tích dự đoán thực tế: Các mô hình và phương pháp (Đại học Washington/Coursera): Một phần giới thiệu ngắn gọn về các khái niệm học máy lõi. Một người đánh giá lưu ý rằng thiếu các câu đố và các nhiệm vụ không thách thức. Một phần của khoa học dữ liệu UW ở chuyên ngành quy mô. Sáu đến tám giờ mỗi tuần trong bốn tuần. Các tùy chọn miễn phí và trả phí có sẵn. Nó có xếp hạng trung bình có trọng số 1,75 sao trên 4 đánh giá.

Các khóa học sau đây có một hoặc không có đánh giá vào tháng 5 năm 2017.

Học máy cho các nhạc sĩ và nghệ sĩ (Goldsmiths, Đại học London/Kadenze): Độc đáo. Học sinh học các thuật toán, công cụ phần mềm và các thực tiễn tốt nhất của máy học để hiểu được cử chỉ của con người, âm thanh âm nhạc và dữ liệu thời gian thực khác. Bảy phiên dài. Các tùy chọn kiểm toán (miễn phí) và cao cấp ($ 10 USD mỗi tháng) có sẵn. Nó có một đánh giá 5 sao.

Học máy ứng dụng ở Python (Đại học Michigan/Coursera): Dạy sử dụng Python và bộ công cụ học tập Scikit. Một phần của khoa học dữ liệu ứng dụng với chuyên môn Python. Dự kiến ​​bắt đầu vào ngày 29 tháng 5. Các tùy chọn miễn phí và trả phí có sẵn.

Học máy ứng dụng (Microsoft/EDX): Được dạy bằng các công cụ khác nhau, bao gồm Python, R và Microsoft Azure Machine Learning (Lưu ý: Microsoft sản xuất khóa học). Bao gồm các phòng thí nghiệm thực hành để củng cố nội dung bài giảng. Ba đến bốn giờ mỗi tuần trong sáu tuần. Miễn phí với một chứng chỉ đã được xác minh có sẵn để mua.

Học máy với Python (Đại học Dữ liệu lớn): Dạy sử dụng Python. Nhắm mục tiêu cho người mới bắt đầu. Thời gian hoàn thành ước tính là bốn giờ. Đại học dữ liệu lớn được liên kết với IBM. Tự do.

Học máy với Apache SystemML (Đại học dữ liệu lớn): Được dạy bằng cách sử dụng Apache SystemML, đây là ngôn ngữ kiểu khai báo được thiết kế cho học máy quy mô lớn. Thời gian hoàn thành ước tính là tám giờ. Đại học dữ liệu lớn được liên kết với IBM. Tự do.

Học máy cho Khoa học dữ liệu (Đại học California, San Diego/EDX): Không ra mắt cho đến tháng 1 năm 2018. Ví dụ và bài tập lập trình đang ở Python, sử dụng máy tính xách tay Jupyter. Tám giờ mỗi tuần trong mười tuần. Miễn phí với một chứng chỉ đã được xác minh có sẵn để mua.

Giới thiệu về mô hình phân tích (Georgia Tech/EDX): Khóa học quảng cáo R là công cụ lập trình chính của nó. Năm đến mười giờ mỗi tuần trong mười tuần. Miễn phí với một chứng chỉ đã được xác minh có sẵn để mua.

Phân tích dự đoán: đạt được những hiểu biết sâu sắc từ dữ liệu lớn (Đại học Công nghệ/Tương lai Queensland): Tổng quan ngắn gọn về một vài thuật toán. Sử dụng nền tảng phân tích Hewlett Packard Enterprise từ Vertica làm công cụ ứng dụng. Ngày bắt đầu được công bố. Hai giờ mỗi tuần trong bốn tuần. Miễn phí với Giấy chứng nhận thành tích có sẵn để mua.

Giới thiệu Máy học Giới thiệu Al (Đại học Telefónica/Miríada X): Dạy bằng tiếng Tây Ban Nha. Giới thiệu về học máy bao gồm việc học có giám sát và không giám sát. Tổng cộng có hai mươi giờ ước tính trong bốn tuần.

Bước đường dẫn máy học (DataQuest): Dạy trong Python bằng cách sử dụng nền tảng trình duyệt tương tác DataQuest. Nhiều dự án có hướng dẫn và một dự án cộng với cộng đồng, nơi bạn xây dựng hệ thống học máy của riêng mình bằng dữ liệu của riêng bạn. Cần đăng ký.

Sáu khóa học sau đây được cung cấp bởi DataCamp. Phong cách giảng dạy lai Datacamp, tận dụng hướng dẫn dựa trên video và văn bản với nhiều ví dụ thông qua trình chỉnh sửa mã trong trình duyệt. Một thuê bao là cần thiết để truy cập đầy đủ vào mỗi khóa học.

Giới thiệu về Học máy (DataCamp): Bao gồm phân loại, hồi quy và thuật toán phân cụm. Sử dụng R. Mười lăm video và 81 bài tập với dòng thời gian ước tính là sáu giờ.

Học tập có giám sát với Scikit-Learn (DataCamp): Sử dụng Python và Scikit-Learn. Bao gồm các thuật toán phân loại và hồi quy. Mười bảy video và 54 bài tập với dòng thời gian ước tính là bốn giờ.

Học tập không được giám sát trong R (DataCamp): Cung cấp một giới thiệu cơ bản về việc phân cụm và giảm kích thước trong R. Mười sáu video và 49 bài tập với dòng thời gian ước tính là bốn giờ.

Hộp công cụ học máy (DataCamp): Dạy các ý tưởng lớn của người Viking trong việc học máy. Sử dụng các video R. 24 và 88 bài tập với dòng thời gian ước tính là bốn giờ.

Học máy với các chuyên gia: Ngân sách trường học (DataCamp): Một nghiên cứu trường hợp từ một cuộc thi học máy trên Drivendata. Liên quan đến việc xây dựng một mô hình để tự động phân loại các mục trong ngân sách của trường học. DataCamp, học tập được giám sát với Scikit-Learn, là điều kiện tiên quyết. Mười lăm video và 51 bài tập với dòng thời gian ước tính là bốn giờ.

Học không được giám sát trong Python (DataCamp): Bao gồm nhiều thuật toán học không được giám sát bằng cách sử dụng Python, Scikit-Learn và Scipy. Khóa học kết thúc với các sinh viên xây dựng một hệ thống đề xuất để giới thiệu các nghệ sĩ âm nhạc nổi tiếng. Mười ba video và 52 bài tập với dòng thời gian ước tính là bốn giờ.

Học máy (Đại học Tom Mitchell/Carnegie Mellon): Khóa học học máy giới thiệu sau đại học của Carnegie Mellon. Một điều kiện tiên quyết cho khóa học cấp độ sau đại học thứ hai của họ, học máy thống kê. Gõ các bài giảng đại học với các vấn đề thực hành, bài tập về nhà và một giữa kỳ (tất cả đều có giải pháp) được đăng trực tuyến. Một phiên bản năm 2011 của khóa học cũng tồn tại. CMU là một trong những trường tốt nghiệp tốt nhất để học máy học và có toàn bộ bộ phận dành riêng cho ML. Tự do.

Học máy thống kê (Đại học Larry Wasserman/Carnegie Mellon): Có khả năng là khóa học nâng cao nhất trong hướng dẫn này. Theo dõi khóa học học máy Carnegie Mellon. Gõ các bài giảng đại học với các vấn đề thực hành, bài tập về nhà và một giữa kỳ (tất cả đều có giải pháp) được đăng trực tuyến. Tự do.

Học máy đại học (Nando de Freitas/Đại học British Columbia): Một khóa học học máy đại học. Các bài giảng được quay và đưa lên YouTube với các slide được đăng trên trang web khóa học. Các bài tập khóa học cũng được đăng (mặc dù không có giải pháp). De Freitas hiện là giáo sư toàn thời gian tại Đại học Oxford và nhận được lời khen ngợi cho khả năng giảng dạy của mình trong các diễn đàn khác nhau. Phiên bản tốt nghiệp có sẵn (xem bên dưới).

Học máy (Nando de Freitas/Đại học British Columbia): Khóa học học máy sau đại học. Các ý kiến ​​trong khóa học đại học De ​​Freitas (ở trên) cũng áp dụng ở đây.

Gói nó lên

Đây là phần năm của loạt sáu mảnh bao gồm các khóa học trực tuyến tốt nhất để đưa bạn vào lĩnh vực khoa học dữ liệu. Chúng tôi đã trình bày lập trình trong bài viết đầu tiên, thống kê và xác suất trong bài viết thứ hai, giới thiệu về khoa học dữ liệu trong bài viết thứ ba và trực quan hóa dữ liệu trong phần tư.

Tôi đã xếp hạng mọi khóa học về Khoa học dữ liệu trên Internet, dựa trên hàng ngàn điểm dữ liệu năm trước, tôi đã bỏ một trong những chương trình khoa học máy tính tốt nhất ở Canada. Tôi bắt đầu tạo dữ liệu của riêng mình…
A year ago, I dropped out of one of the best computer science programs in Canada. I started creating my own data…

Phần cuối cùng sẽ là một bản tóm tắt các bài viết đó, cộng với các khóa học trực tuyến tốt nhất cho các chủ đề quan trọng khác như Wrangling Data, cơ sở dữ liệu và thậm chí cả kỹ thuật phần mềm.

Nếu bạn đang tìm kiếm một danh sách đầy đủ các khóa học trực tuyến khoa học dữ liệu, bạn có thể tìm thấy chúng trên trang Khoa học dữ liệu và dữ liệu lớn của lớp.

Nếu bạn thích đọc nó, hãy xem một số phần khác của Class Central:

Dưới đây là 250 khóa học Ivy League bạn có thể trực tuyến ngay bây giờ để có miễn phí250 MOOCS từ Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton và Yale.
250 MOOCs from Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton, and Yale.

50 khóa học đại học trực tuyến miễn phí tốt nhất theo Datawhen tôi đã ra mắt Class Central vào tháng 11 năm 2011, có khoảng 18 khóa học trực tuyến miễn phí, và gần như tất cả
When I launched Class Central back in November 2011, there were around 18 or so free online courses, and almost all of…

Nếu bạn có đề xuất cho các khóa học tôi đã bỏ lỡ, hãy cho tôi biết trong các câu trả lời!

Nếu bạn thấy điều này hữu ích, nhấp vào? Vì vậy, nhiều người sẽ thấy nó ở đây trên trung bình.

Đây là phiên bản cô đọng của bài viết gốc của tôi được xuất bản trên Class Central, nơi tôi đã bao gồm giáo trình khóa học chi tiết.