Hvert eneste Machine Learning-kursus på internettet, sorteret efter dine anmeldelser

For halvandet år siden droppede jeg fra et af de bedste datalogiprogrammer i Canada. Jeg begyndte at oprette mit eget datalogi-masterprogram ved hjælp af online ressourcer. Jeg indså, at jeg i stedet kunne lære alt hvad jeg havde brug for gennem edX, Coursera og Udacity. Og jeg kunne lære det hurtigere, mere effektivt og for en brøkdel af prisen.

Jeg er næsten færdig nu. Jeg har taget mange datavidenskabelige kurser og revideret dele af mange flere. Jeg kender mulighederne derude, og hvilke færdigheder der er nødvendige for elever, der forbereder sig på en dataanalytiker eller datavidenskabsrolle.Så jeg begyndte at oprette en gennemgangsdrevet guide, der anbefaler de bedste kurser til hvert emne inden for datalogi.

Til den første guide i serien anbefalede jeg et par kodningskurser til nybegyndere. Så var det statistik og sandsynlighedsklasser. Derefter introduktioner til datalogi. Også datavisualisering.

Nu på maskinlæring.

Til denne vejledning brugte jeg et dusin timer på at identificere hvert online maskinlæringskursus, der blev tilbudt fra maj 2017, udtrække nøglebits af information fra deres pensum og anmeldelser og udarbejde deres ratings. Mit endelige mål var at identificere de tre bedste tilgængelige kurser og præsentere dem for dig nedenfor.

Til denne opgave henvendte jeg mig til ingen ringere end open source Class Central-samfundet og dets database med tusindvis af kursusbedømmelser og anmeldelser.

Siden 2011 har Class Central-grundlægger Dhawal Shah holdt øje med onlinekurser end uden tvivl nogen andre i verden. Dhawal hjalp mig personligt med at samle denne liste over ressourcer.

Hvordan vi valgte kurser til at overveje

Hvert kursus skal opfylde tre kriterier:

  1. Det skal have en betydelig mængde maskinindlæringsindhold. Ideelt set er maskinlæring det primære emne.Bemærk, at deep learning-only kurser er ekskluderet. Mere om det senere.
  2. Det skal være on-demand eller tilbydes hvert par måneder.
  3. Det skal være et interaktivt online kursus, så ingen bøger eller skrivebeskyttede tutorials . Selvom disse er levedygtige måder at lære, fokuserer denne guide på kurser. Kurser, der strengt taget er videoer (dvs. uden quizzer, opgaver osv.), Er også ekskluderet.

Vi mener, at vi dækkede alle bemærkelsesværdige kurser, der passer til ovenstående kriterier. Da der tilsyneladende er hundredvis af kurser på Udemy, valgte vi kun at overveje de mest gennemgåede og højest vurderede.

Der er dog altid en chance for, at vi savnede noget. Så lad os det vide i kommentarfeltet, hvis vi har udeladt et godt kursus.

Hvordan vi vurderede kurser

Vi har samlet gennemsnitsbedømmelser og antal anmeldelser fra Class Central og andre anmeldelsessider for at beregne en vægtet gennemsnitlig vurdering for hvert kursus. Vi læste tekstanmeldelser og brugte denne feedback til at supplere de numeriske vurderinger.

Vi foretog subjektive pensumopkald baseret på tre faktorer:

  1. Forklaring til maskinlæringsarbejdsprocessen. Skitserer kurset de nødvendige skridt til at gennemføre et vellykket ML-projekt? Se det næste afsnit for, hvad en typisk arbejdsgang indebærer.
  2. Dækning af maskinlæringsteknikker og algoritmer. Er en række forskellige teknikker (f.eks. Regression, klassificering, klyngedannelse osv.) Og algoritmer (f.eks. Inden for klassificering: naive Bayes, beslutningstræer, understøttende vektormaskiner osv.) Dækket eller bare nogle få udvalgte? Præference gives til kurser, der dækker mere uden at skimme detaljer.
  3. Brug af almindelig datavidenskab og værktøjer til maskinindlæring. Undervises kurset ved hjælp af populære programmeringssprog som Python, R og / eller Scala? Hvad med populære biblioteker inden for disse sprog? Disse er ikke nødvendige, men nyttige, så disse kurser foretrækkes en smule.

Hvad er maskinindlæring? Hvad er en arbejdsgang?

En populær definition stammer fra Arthur Samuel i 1959: maskinlæring er et underfelt inden for datalogi, der giver "computere mulighed for at lære uden at være eksplicit programmeret." I praksis betyder det at udvikle computerprogrammer, der kan forudsige baseret på data. Ligesom mennesker kan lære af erfaring, så kan computere, hvor data = erfaring.

En maskinindlæringsworkflow er den proces, der kræves for at udføre et maskinindlæringsprojekt. Selvom individuelle projekter kan variere, deler de fleste arbejdsgange flere almindelige opgaver: problemevaluering, dataudforskning, data-forbehandling, modeluddannelse / test / implementering osv. Nedenfor finder du nyttig visualisering af disse kernetrin:

Det ideelle kursus introducerer hele processen og giver interaktive eksempler, opgaver og / eller quizzer, hvor eleverne selv kan udføre hver opgave.

Dækker disse kurser dyb læring?

Lad os først definere dyb læring. Her er en kortfattet beskrivelse:

"Dyb læring er et underfelt af maskinlæring, der beskæftiger sig med algoritmer inspireret af hjernens struktur og funktion kaldet kunstige neurale netværk." - Jason Brownlee fra Machine Learning Mastery

Som forventet indeholder dele af nogle af maskinlæringskurserne dybt læringsindhold. Jeg valgte dog ikke at medtage kun dybkurser. Hvis du er interesseret i dyb læring specifikt, har vi fået dig dækket af følgende artikel:

Dyk ned i dyb læring med 12 gratis onlinekurser

Hver dag bringer nye overskrifter for, hvordan dyb læring ændrer verden omkring os. Et par eksempler: medium.freecodecamp.com

Mine top tre anbefalinger fra denne liste ville være:

  • Kreative anvendelser af dyb læring med TensorFlowaf Kadenze
  • Neurale netværk til maskinindlæring ved University of Toronto (undervist af Geoffrey Hinton) via Coursera
  • Deep Learning AZ ™: Praktiske kunstige neurale netværk

    af Kirill Eremenko, Hadelin de Ponteves og SuperDataScience Team via Udemy

Anbefalede forudsætninger

Flere kurser, der er anført nedenfor, beder de studerende om at have forudgående programmering, beregning, lineær algebra og statistikerfaring. Disse forudsætninger er forståelige i betragtning af at maskinlæring er en avanceret disciplin.

Mangler du et par emner? Gode ​​nyheder! Noget af denne erfaring kan tilegnes gennem vores anbefalinger i de to første artikler (programmering, statistik) i denne Data Science Career Guide. Flere toprangerede kurser nedenfor giver også blid beregning og lineær algebra-opdatering og fremhæver de aspekter, der er mest relevante for maskinindlæring for de mindre kendte.

Vores valg til det bedste maskinlæringskursus er ...

  • Maskinindlæring (Stanford University via Coursera)

Stanford University's Machine Learning on Coursera er den klare nuværende vinder med hensyn til vurderinger, anmeldelser og pensum. Undervist af den berømte Andrew Ng, Google Brain-grundlægger og tidligere chefforsker i Baidu, var dette den klasse, der udløste grundlæggelsen af ​​Coursera. Det har en 4,7-stjernet vejet gennemsnitlig vurdering over 422 anmeldelser.

Udgivet i 2011, dækker det alle aspekter af maskinindlæringsarbejdsprocessen. Selvom den har et mindre omfang end den oprindelige Stanford-klasse, som den er baseret på, formår den stadig at dække et stort antal teknikker og algoritmer. Den anslåede tidslinje er elleve uger med to uger dedikeret til neurale netværk og dyb læring. Gratis og betalte muligheder er tilgængelige.

Ng er en dynamisk, men alligevel mild instruktør med en håndgribelig oplevelse. Han inspirerer tillid, især når han deler praktiske implementeringstip og advarsler om almindelige faldgruber. Der gives en lineær algebrafrisker, og Ng fremhæver de aspekter af beregning, der er mest relevante for maskinindlæring.

Evaluering er automatisk og udføres via multiple choice-quizzer, der følger hver lektion og programmeringsopgaver. Opgaverne (der er otte af dem) kan udføres i MATLAB eller Octave, som er en open source-version af MATLAB. Ng forklarer sit sprogvalg:

Tidligere har jeg forsøgt at undervise i maskinindlæring ved hjælp af en lang række forskellige programmeringssprog, herunder C ++, Java, Python, NumPy og Octave ... Og hvad jeg har set efter at have undervist i maskinindlæring i næsten et årti er, at du lærer meget hurtigere, hvis du bruger Octave som dit programmeringsmiljø.

Selvom Python og R sandsynligvis er mere overbevisende valg i 2017 med den øgede popularitet af disse sprog, bemærker korrekturlæsere, at det ikke bør forhindre dig i at tage kurset.

Et par fremtrædende anmeldere bemærkede følgende:

Stanfords maskinlæringskursus, der har været kendt i MOOC-verdenen, er virkelig den endelige introduktion til dette emne. Kurset dækker bredt alle de store områder inden for maskinlæring ... Prof. Ng går forud for hvert segment med en motiverende diskussion og eksempler.

Andrew Ng er en begavet lærer og i stand til at forklare komplicerede emner på en meget intuitiv og klar måde, inklusive matematikken bag alle begreber. Højt anbefalet.

Det eneste problem, jeg ser med dette kursus, hvis det sætter forventningsbjælken meget høj for andre baner.

En ny introduktion til Ivy League med en strålende professor

  • Machine Learning (Columbia University via edX)

Columbia University's Machine Learning er et relativt nyt tilbud, der er en del af deres Artificial Intelligence MicroMasters på edX. Selvom den er nyere og ikke har et stort antal anmeldelser, er den, den har, usædvanlig stærk. Professor John Paisley bemærkes som strålende, klar og klog. Det har en 4,8-stjernet vægtet gennemsnitlig vurdering over 10 anmeldelser.

Kurset dækker også alle aspekter af maskinlæringsarbejdsprocessen og flere algoritmer end ovenstående Stanford-tilbud. Columbia er en mere avanceret introduktion, hvor korrekturlæsere bemærker, at studerende skal være fortrolige med de anbefalede forudsætninger (calculus, lineær algebra, statistik, sandsynlighed og kodning).

Quizzer (11), programmeringsopgaver (4) og en afsluttende eksamen er metoderne for evaluering. Studerende kan bruge enten Python, Octave eller MATLAB til at udføre opgaverne. Kursets samlede estimerede tidslinje er otte til ti timer om ugen over tolv uger. Det er gratis med et verificeret certifikat, der kan købes.

Nedenfor er et par af de ovennævnte mousserende anmeldelser:

I løbet af alle mine år med [studerende] har jeg stødt på professorer, der ikke er strålende, professorer, der er strålende, men de ved ikke, hvordan de skal forklare tingene tydeligt, og professorer, der er strålende og ved, hvordan de forklarer klart. Dr. Paisley tilhører den tredje gruppe.

Dette er et fantastisk kursus ... Instruktørens sprog er præcist, og det er efter min mening et af kursets stærkeste punkter. Forelæsningerne er af høj kvalitet, og lysbillederne er også gode.

Dr. Paisley og hans vejleder er ... studerende til Michael Jordan, far til maskinlæring. [Dr. Paisley] er den bedste ML-professor i Columbia på grund af hans evne til at forklare ting tydeligt. Op til 240 studerende har valgt hans kursus i dette semester, det største antal blandt alle professorer [undervisning] maskinlæring ved Columbia.

En praktisk introduktion i Python & R fra brancheeksperter

  • Machine Learning AZ ™: Hands-On Python & R In Data Science (Kirill Eremenko, Hadelin de Ponteves og SuperDataScience Team via Udemy)

Machine Learning AZ ™ på Udemy er et imponerende detaljeret tilbud, der giver instruktion i både Python og R, hvilket er sjældent og ikke kan siges for nogen af ​​de andre topkurser. Det har en 4,5-stjernet vægtet gennemsnitlig vurdering over 8.119 anmeldelser, hvilket gør det til det mest gennemgåede forløb af de betragtede.

Det dækker hele maskinlæringsarbejdsprocessen og et næsten latterligt (på en god måde) antal algoritmer gennem 40,5 timers on-demand video. Kurset tager en mere anvendt tilgang og er lettere matematisk end de to ovennævnte kurser. Hver sektion starter med en "intuition" -video fra Eremenko, der opsummerer den underliggende teori om det koncept, der undervises. de Ponteves går derefter gennem implementeringen med separate videoer til både Python og R.

Som en "bonus" inkluderer kurset Python- og R-kodeskabeloner, som de studerende kan downloade og bruge på deres egne projekter. Der er quizzer og lektieudfordringer, selvom det ikke er kursets stærke sider.

Eremenko og SuperDataScience-teamet æres for deres evne til at "gøre komplekset simpelt." Desuden er de nævnte forudsætninger "bare nogle gymnasiesmatematik", så dette kursus kan være en bedre mulighed for dem, der skræmmes af Stanford og Columbia-tilbudene.

Et par fremtrædende anmeldere bemærkede følgende:

Kurset er produceret professionelt, lydkvaliteten er fremragende, og forklaringerne er klare og koncise ... Det er en utrolig værdi for din økonomiske og tidsinvestering.

Det var spektakulært at kunne følge kurset på to forskellige programmeringssprog samtidigt.

Kirill er en af ​​de absolut bedste instruktører på Udemy (hvis ikke Internettet), og jeg anbefaler at tage enhver klasse, han underviser. ... Dette kursus har masser af indhold, ligesom et ton!

Konkurrencen

Vores nummer 1-valg havde en vægtet gennemsnitlig vurdering på 4,7 ud af 5 stjerner over 422 anmeldelser. Lad os se på de andre alternativer sorteret efter faldende vurdering. En påmindelse om, at dyb læringskurser ikke er inkluderet i denne vejledning - du kan finde dem her.

Analytics Edge (Massachusetts Institute of Technology / edX): Mere fokuseret på analytics generelt, selvom det dækker flere emner inden for maskinindlæring. Bruger R. Stærk fortælling, der udnytter velkendte eksempler fra den virkelige verden. Udfordrende. Ti til femten timer om ugen over tolv uger. Gratis med et verificeret certifikat, der kan købes. Den har en 4,9-stjernet vægtet gennemsnitlig vurdering over 214 anmeldelser.

Python for datalogi og maskinlæring Bootcamp (Jose Portilla / Udemy): Har store klumper af maskinlæringsindhold, men dækker hele datavidenskabsprocessen. Mere af en meget detaljeret introduktion til Python. Fantastisk kursus, men ikke ideel til omfanget af denne guide. 21,5 timers on-demand video. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige. Det har en 4,6-stjernet vægtet gennemsnitlig vurdering over 3316 anmeldelser.

Data Science and Machine Learning Bootcamp med R (Jose Portilla / Udemy): Kommentarerne til Portillas ovennævnte kursus gælder også her, bortset fra R. 17,5 timers on-demand video. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige. Den har en 4,6-stjernet vægtet gennemsnitlig vurdering over 1317 anmeldelser.

Machine Learning Series (Lazy Programmer Inc./Udemy): Undervises af en datavidenskab / big data engineer / full stack softwaretekniker med et imponerende CV, Lazy Programmer har i øjeblikket en serie på 16 maskinindlæringsfokuserede kurser om Udemy. I alt har banerne mere end 5000 vurderinger, og næsten alle har 4,6 stjerner. En nyttig kursusbestilling findes i hvert enkelt kursus beskrivelse. Bruger Python. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige.

Machine Learning (Georgia Tech / Udacity): En samling af hvad der var tre separate kurser: Supervised, Unsupervised og Reinforcement Learning. En del af Udacitys maskinlæringsingeniør Nanodegree og Georgia Techs online kandidatgrad (OMS). Bide-sized videoer, som det er Udacitys stil. Venlige professorer. Anslået tidslinje på fire måneder. Ledig. Den har en 4,56-stjernet vægtet gennemsnitlig vurdering over 9 anmeldelser.

Implementering af forudsigelig analyse med Spark i Azure HDInsight (Microsoft / edX): Introducerer kernebegreberne inden for maskinindlæring og en række algoritmer. Udnytter flere store datavenlige værktøjer, herunder Apache Spark, Scala og Hadoop. Bruger både Python og R. Fire timer om ugen over seks uger. Gratis med et verificeret certifikat, der kan købes. Det har en 4,5-stjernet vægtet gennemsnitlig vurdering over 6 anmeldelser.

Datalogi og maskinindlæring med Python - Hands On! (Frank Kane / Udemy): Bruger Python. Kane har ni års erfaring hos Amazon og IMDb. Ni timers on-demand video. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige. Den har en 4,5-stjernet vægtet gennemsnitlig vurdering over 4139 anmeldelser.

Scala and Spark for Big Data og Machine Learning (Jose Portilla / Udemy): "Big data" fokuserer specifikt på implementering i Scala og Spark. Ti timers on-demand video. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige. Det har en 4,5-stjernet vægtet gennemsnitlig vurdering over 607 anmeldelser.

Machine Learning Engineer Nanodegree (Udacity): Udacitys flagskib Machine Learning-program, som indeholder et klassevis system til bedømmelse af projekter og karriereunderstøttelse. Programmet er en samling af flere individuelle Udacity-kurser, som er gratis. Co-skabt af Kaggle. Anslået tidslinje på seks måneder. I øjeblikket koster $ 199 USD pr. Måned med en 50% refusion af undervisning tilgængelig for dem, der opgraderer inden for 12 måneder. Det har en 4,5-stjernet vægtet gennemsnitlig vurdering over 2 anmeldelser.

Learning From Data (Introductory Machine Learning) (California Institute of Technology / edX): Tilmelding er i øjeblikket lukket på edX, men er også tilgængelig via CalTechs uafhængige platform (se nedenfor). Den har en 4,49-stjernet vægtet gennemsnitlig vurdering over 42 anmeldelser.

Learning from Data (Introductory Machine Learning) (Yaser Abu-Mostafa / California Institute of Technology): "Et ægte Caltech-kursus, ikke en udvandet version." Anmeldelser bemærker, at det er fremragende til forståelse af maskinlæringsteori. Professoren, Yaser Abu-Mostafa, er populær blandt studerende og skrev også den lærebog, som dette kursus er baseret på. Videoer er tapede foredrag (med forelæsningsbilleder billede-i-billede) uploadet til YouTube. Opgaver til hjemmearbejde er .pdf-filer. Kursusoplevelsen for online-studerende er ikke så poleret som de tre bedste anbefalinger. Den har en 4,43-stjernet vægtet gennemsnitlig vurdering over 7 anmeldelser.

Mining Massive Datasets (Stanford University): Machine learning med fokus på "big data". Introducerer moderne distribuerede filsystemer og MapReduce. Ti timer om ugen over syv uger. Ledig. Den har en 4,4-stjernet vægtet gennemsnitlig vurdering over 30 anmeldelser.

AWS Machine Learning: En komplet guide til Python (Chandra Lingam / Udemy): Et unikt fokus på skybaseret maskinlæring og specifikt Amazon Web Services. Bruger Python. Ni timers on-demand video. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige. Det har en 4,4-stjernet vægtet gennemsnitlig vurdering over 62 anmeldelser.

Introduktion til maskinindlæring og ansigtsgenkendelse i Python (Holczer Balazs / Udemy): Bruger Python. Otte timers on-demand video. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige. Det har en 4,4-stjernet vægtet gennemsnitlig vurdering over 162 anmeldelser.

StatLearning: Statistisk læring (Stanford University): Baseret på den fremragende lærebog, “En introduktion til statistisk læring med applikationer i R” og undervist af de professorer, der skrev den. Kritikere bemærker, at MOOC ikke er så god som bogen, idet de citerer "tynde" øvelser og middelmådige videoer. Fem timer om ugen over ni uger. Ledig. Den har en 4,35-stjernet vægtet gennemsnitlig vurdering over 84 anmeldelser.

Machine Learning Specialization (University of Washington / Coursera): Fantastiske kurser, men de sidste to klasser (inklusive capstone-projektet) blev aflyst. Kritikere bemærker, at denne serie er mere fordøjelig (læs: lettere for dem uden stærk teknisk baggrund) end andre top maskinlæringskurser (f.eks. Stanfords eller Caltechs). Vær opmærksom på, at serien er ufuldstændig med anbefalingssystemer, dyb læring og et resumé mangler. Gratis og betalte optioner til rådighed. Den har en 4,31-stjernet vægtet gennemsnitlig vurdering over 80 anmeldelser.

Fra 0 til 1: Machine Learning, NLP & Python-Cut to the Chase (Loony Corn / Udemy): "En jordnær, genert men selvsikker teknik til maskinindlæring." Undervises af fire personers team med årtiers brancheerfaring sammen. Bruger Python. Omkostningerne varierer afhængigt af Udemy-rabatter, som er hyppige. Den har en 4,2-stjernet vægtet gennemsnitlig vurdering over 494 anmeldelser.

Principper for maskinlæring (Microsoft / edX): Bruger R, Python og Microsoft Azure Machine Learning. En del af Microsoft Professional Program Certificate i Data Science. Tre til fire timer om ugen over seks uger. Gratis med et verificeret certifikat, der kan købes. Det har en 4,09-stjernet vægtet gennemsnitlig vurdering over 11 anmeldelser.

Big Data: Statistisk inferens og maskinindlæring (Queensland University of Technology / FutureLearn): Et dejligt, kort sonderende maskinlæringskursus med fokus på big data. Dækker et par værktøjer som R, H2O Flow og WEKA. Kun tre ugers varighed med anbefalede to timer om ugen, men en anmelder bemærkede, at seks timer om ugen ville være mere passende. Gratis og betalte optioner til rådighed. Det har en 4-stjernet vægtet gennemsnitlig vurdering over 4 anmeldelser.

Genomic Data Science and Clustering (Bioinformatics V) (University of California, San Diego / Coursera): For dem der er interesserede i skæringspunktet mellem datalogi og biologi og hvordan det repræsenterer en vigtig grænse inden for moderne videnskab. Fokuserer på klyngedannelse og dimensionalitetsreduktion. En del af UCSD's specialisering inden for bioinformatik. Gratis og betalte muligheder til rådighed. Det har en 4-stjernet vægtet gennemsnitlig vurdering over 3 anmeldelser.

Introduktion til maskinlæring (Udacity): Prioriterer emnebredde og praktiske værktøjer (i Python) frem for dybde og teori. Instruktørerne, Sebastian Thrun og Katie Malone, gør denne klasse så sjov. Består af bite-sized videoer og quizzer efterfulgt af et miniprojekt for hver lektion. I øjeblikket en del af Udacitys dataanalytiker Nanodegree. Anslået tidslinje på ti uger. Ledig. Det har en 3,95-stjernet vægtet gennemsnitlig vurdering over 19 anmeldelser.

Maskinindlæring til dataanalyse (Wesleyan University / Coursera): En kort introduktion til maskinindlæring og et par udvalgte algoritmer. Dækker beslutningstræer, tilfældige skove, lasso-regression og k-betyder klyngedannelse. En del af Wesleyans specialisering af dataanalyse og fortolkning. Anslået tidslinje på fire uger. Gratis og betalte muligheder til rådighed. Den har en 3,6-stjernet vægtet gennemsnitlig vurdering over 5 anmeldelser.

Programmering med Python til datalogi (Microsoft / edX): Produceret af Microsoft i partnerskab med Coding Dojo. Bruger Python. Otte timer om ugen over seks uger. Gratis og betalte muligheder til rådighed. Det har en 3,46-stjernet vægtet gennemsnitlig vurdering over 37 anmeldelser.

Maskinindlæring til handel (Georgia Tech / Udacity): Fokuserer på at anvende sandsynlige maskinindlæringsmetoder til handelsbeslutninger. Bruger Python. En del af Udacitys maskinlæringsingeniør Nanodegree og Georgia Techs online kandidatgrad (OMS). Anslået tidslinje på fire måneder. Ledig. Den har en 3,29-stjernet vægtet gennemsnitlig vurdering over 14 anmeldelser.

Praktisk maskinlæring (Johns Hopkins University / Coursera): En kort, praktisk introduktion til et antal maskinlæringsalgoritmer. Flere en / to-stjernede anmeldelser, der udtrykker en række bekymringer. En del af JHU's datalogispecialisering. Fire til ni timer om ugen over fire uger. Gratis og betalte muligheder til rådighed. Det har en 3,11-stjernet vægtet gennemsnitlig vurdering over 37 anmeldelser.

Maskinindlæring til datalogi og analyse (Columbia University / edX): Introducerer en bred vifte af maskinindlæringsemner. Nogle lidenskabelige negative anmeldelser med bekymringer, herunder indholdsvalg, mangel på programmeringsopgaver og uinspirerende præsentation. Syv til ti timer om ugen over fem uger. Gratis med et verificeret certifikat, der kan købes. Den har en 2,74-stjernet vægtet gennemsnitlig vurdering over 36 anmeldelser.

Anbefalingssystemers specialisering (University of Minnesota / Coursera): Stærkt fokus på en bestemt type maskinindlæring - anbefalingssystemer. En fire-retters specialisering plus et capstone-projekt, som er en casestudie. Undervises ved hjælp af LensKit (et open source-værktøjssæt til anbefalingssystemer). Gratis og betalte muligheder til rådighed. Det har en 2-stjernet vægtet gennemsnitlig vurdering over 2 anmeldelser.

Maskinindlæring med store data (University of California, San Diego / Coursera): Frygtelige anmeldelser, der fremhæver dårlig instruktion og evaluering. Nogle bemærkede, at det tog dem kun timer at gennemføre hele kurset. En del af UCSD's Big Data Specialization. Gratis og betalte muligheder til rådighed. Det har en vægtet 1,86-stjernet gennemsnitlig vurdering over 14 anmeldelser.

Praktisk forudsigende analyse: Modeller og metoder (University of Washington / Coursera): En kort introduktion til centrale maskinlæringskoncepter. En korrekturlæser bemærkede, at der manglede quizzer, og at opgaverne ikke var udfordrende. En del af UWs datavidenskab ved skala-specialisering. Seks til otte timer om ugen over fire uger. Gratis og betalte muligheder til rådighed. Det har en 1,75-stjernet vægtet gennemsnitlig vurdering over 4 anmeldelser.

De følgende kurser havde en eller ingen anmeldelser fra maj 2017.

Maskinindlæring for musikere og kunstnere (Goldsmiths, University of London / Kadenze): Unik. Studerende lærer algoritmer, softwareværktøjer og maskinlæring bedste praksis for at give mening om menneskelig gestus, musikalsk lyd og andre realtidsdata. Syv sessioner i længden. Audit (gratis) og premium ($ 10 USD pr. Måned) tilgængelige muligheder. Det har en 5-stjernet anmeldelse.

Anvendt maskinlæring i Python (University of Michigan / Coursera): Undervises ved hjælp af Python og scikit-læringsværktøjssættet. En del af den anvendte datalogi med Python-specialisering. Planlagt til start den 29. maj. Gratis og betalte muligheder til rådighed.

Anvendt maskinindlæring (Microsoft / edX): Undervises ved hjælp af forskellige værktøjer, herunder Python, R og Microsoft Azure Machine Learning (note: Microsoft producerer kurset). Inkluderer praktiske laboratorier for at forstærke forelæsningsindholdet. Tre til fire timer om ugen over seks uger. Gratis med et verificeret certifikat, der kan købes.

Maskinindlæring med Python (Big Data University): Undervises ved hjælp af Python. Målrettet mod begyndere. Anslået afslutningstid på fire timer. Big Data University er tilknyttet IBM. Ledig.

Maskinindlæring med Apache SystemML (Big Data University): Undervises ved hjælp af Apache SystemML, som er et deklarativt stilsprog designet til storskala maskinlæring. Anslået afslutningstid på otte timer. Big Data University er tilknyttet IBM. Ledig.

Machine Learning for Data Science (University of California, San Diego / edX): Startes først januar 2018. Programmeringseksempler og opgaver findes i Python ved hjælp af Jupyter-notesbøger. Otte timer om ugen over ti uger. Gratis med et verificeret certifikat, der kan købes.

Introduktion til Analytics Modelling (Georgia Tech / edX): Kurset annoncerer R som sit primære programmeringsværktøj. Fem til ti timer om ugen over ti uger. Gratis med et verificeret certifikat, der kan købes.

Prediktiv analyse: Få indsigt fra Big Data (Queensland University of Technology / FutureLearn): Kort oversigt over et par algoritmer. Bruger Hewlett Packard Enterprise Vertica Analytics-platform som et anvendt værktøj. Startdato meddeles. To timer om ugen over fire uger. Gratis med et præstationsbevis, der kan købes.

Introducción al Machine Learning (Universitas Telefónica / Miríada X): Undervises på spansk. En introduktion til maskinlæring, der dækker overvåget og ikke-overvåget læring. I alt tyve timer beregnet over fire uger.

Machine Learning Path Step (Dataquest): Undervises i Python ved hjælp af Dataquests interaktive browser-platform. Flere guidede projekter og et “plus” -projekt, hvor du bygger dit eget maskinlæringssystem ved hjælp af dine egne data. Abonnement kræves.

De følgende seks kurser tilbydes af DataCamp. DataCamps hybrid undervisningsstil udnytter video- og tekstbaseret instruktion med mange eksempler gennem en in-browser-kodeditor. Der kræves et abonnement for fuld adgang til hvert kursus.

Introduktion til maskinlæring (DataCamp): Dækker klassificering, regression og klyngealgoritmer. Bruger R. Femten videoer og 81 øvelser med en estimeret tidslinje på seks timer.

Overvåget læring med scikit-læring (DataCamp): Bruger Python og scikit-læring. Dækker klassificerings- og regressionsalgoritmer. Sytten videoer og 54 øvelser med en estimeret tidslinje på fire timer.

Uovervåget læring i R (DataCamp): Giver en grundlæggende introduktion til klyngedannelse og reduktion af dimensionalitet i R. Seksten videoer og 49 øvelser med en estimeret tidslinje på fire timer.

Machine Learning Toolbox (DataCamp): Underviser de "store ideer" inden for maskinlæring. Bruger R. 24 videoer og 88 øvelser med en estimeret tidslinje på fire timer.

Maskinindlæring med eksperterne: Skolebudgetter (DataCamp): En casestudie fra en maskinindlæringskonkurrence på DrivenData. Involverer opbygning af en model til automatisk klassificering af emner i skolens budget. DataCamp's "Supervised Learning with scikit-learning" er en forudsætning. Femten videoer og 51 øvelser med en estimeret tidslinje på fire timer.

Uovervåget læring i Python (DataCamp): Dækker en række ikke-overvågede læringsalgoritmer ved hjælp af Python, scikit-learning og scipy. Kurset slutter med, at studerende bygger et anbefalsystem til at anbefale populære musikalske kunstnere. Tretten videoer og 52 øvelser med en estimeret tidslinje på fire timer.

Machine Learning (Tom Mitchell / Carnegie Mellon University): Carnegie Mellons kandidat introduktion til maskinlæringskursus. En forudsætning for deres andet kursus, "Statistisk maskinindlæring." Tapede universitetsforedrag med praksisproblemer, lektieopgaver og en midtvejsperiode (alle med løsninger), der er lagt ud online. En 2011-version af kurset findes også. CMU er en af ​​de bedste kandidatskoler til at studere maskinlæring og har en hel afdeling dedikeret til ML. Ledig.

Statistisk maskinindlæring (Larry Wasserman / Carnegie Mellon University): Sandsynligvis det mest avancerede kursus i denne vejledning. En opfølgning på Carnegie Mellons Machine Learning-kursus. Tapede universitetsforedrag med praksisproblemer, lektieopgaver og en midtvejsperiode (alle med løsninger), der er lagt ud online. Ledig.

Undergraduate Machine Learning (Nando de Freitas / University of British Columbia): En bachelor-maskinlæring kursus. Forelæsninger filmes og sættes på YouTube med slides, der er lagt på kursuswebstedet. Kursusopgaverne udgives også (dog ingen løsninger). de Freitas er nu fuldtids professor ved University of Oxford og modtager ros for sine undervisningsevner i forskellige fora. Gradueret version tilgængelig (se nedenfor).

Machine Learning (Nando de Freitas / University of British Columbia): En kandidatuddannelse i maskinlæring. Kommentarerne i de Freitas 'bachelor-kursus (ovenfor) gælder også her.

Pakning af det

Dette er den femte af en seks-delt serie, der dækker de bedste online kurser til at starte dig selv ind i datavidenskabsfeltet. Vi dækkede programmering i den første artikel, statistik og sandsynlighed i den anden artikel, introduktioner til datalogi i den tredje artikel og datavisualisering i den fjerde.

Jeg rangerede hvert Intro to Data Science-kursus på internettet baseret på tusindvis af datapunkter

For et år siden faldt jeg ud af et af de bedste datalogiprogrammer i Canada. Jeg begyndte at oprette mine egne data ...

Det sidste stykke vil være et resumé af disse artikler plus de bedste onlinekurser til andre nøgleemner såsom datakørsel, databaser og endda software engineering.

Hvis du leder efter en komplet liste over datavidenskab online-kurser, kan du finde dem på Class Centers side om datalogi og big data.

Hvis du kunne lide at læse dette, så tjek nogle af Class Centrals andre stykker:

Her er 250 Ivy League kurser, du kan tage online lige nu gratis

250 MOOC'er fra Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton og Yale.

De 50 bedste gratis online universitetskurser ifølge data

Da jeg lancerede Class Central tilbage i november 2011, var der omkring 18 gratis online-kurser og næsten alle ...

Hvis du har forslag til kurser, jeg savnede, så lad mig det vide i svarene!

Hvis du fandt dette nyttigt, skal du klikke på? så flere mennesker vil se det her på Medium.

Dette er en kondenseret version af min originale artikel offentliggjort på Class Central, hvor jeg har inkluderet detaljerede kursusplaner.