[Перевод] Рейтинг онлайн-курсов по машинному обучению на основе отзывов

машинное обучение Программа перевода самородков Python алгоритм

Kaboompics изБолван

Полтора года назад я бросил одну из лучших программ по компьютерным наукам в Канаде и начал использовать онлайн-ресурсы для создания своей собственной программы.Программа магистратуры по науке о данных. Я понял, что могу выучить все, что мне нужно, просто с помощью edX, Coursera и Udacity, быстрее, эффективнее и за меньшую плату, чем в колледже!

Теперь я сделал сразу! Я прошел много курсов, связанных с наукой о данных, и оценил части многих других курсов. Я знаю, как выбрать и какие навыки необходимы студентам, которые собираются стать аналитиками данных или специалистами по данным. Поэтому я создал руководство на основе отзывов, в котором рекомендуются лучшие курсы по дисциплинам в области науки о данных.

В первом руководстве этой серии у меня есть несколько рекомендаций для специалистов по данным, которые только начинают.Курс кодирования,ПослеКурс вероятности и статистики,ПослеВведение в науку о данных,ивизуализация данных.

Добро пожаловать в машинное обучение

Для этого руководства я потратил дюжину часов, пытаясь найти все онлайн-курсы по состоянию на май 2017 года, извлекая ключевую информацию из их рефератов и обзоров и собирая их рейтинги.Моей конечной целью было найти три лучших курса и представить их читателям.

Для этого я обратился к сообществу открытого исходного кода Class Central, в базе данных которого тысячи оценок и отзывов о курсах.

Class Central изДомой.

С 2011 годаClass CentralОсновательDhawal ShahВозможно, он больше ориентирован на онлайн-курсы, чем кто-либо другой в мире. Дхавал лично помог мне составить этот список ресурсов.

Как мы выбираем курсы

Каждый курс должен соответствовать следующим трем критериям:

  1. Должен включать существенный контент машинного обучения. В принципе машинное обучение должно быть основной темой. Обратите внимание, что курсы, которые касаются только глубокого обучения, должны быть исключены, как подробно описано ниже.
  2. Он должен предоставляться по требованию или раз в несколько месяцев.
  3. Должен быть интерактивный онлайн-курс, никаких книг или руководств только для чтения. Хотя это тоже пути обучения, здесь речь идет только об учебной программе. Полные видеоуроки (то есть без викторин, домашних заданий и т. д.) также исключены.

Я считаю, что мы включили все курсы, заслуживающие внимания, которые соответствуют приведенным выше рекомендациям.UdemyВыше перечислены сотни курсов, и мы выбираем только курсы с наибольшим количеством комментариев и самыми высокими оценками.

Однако из-за ограниченной энергии должна быть вероятность того, что мы проигнорируем определенный курс. Если вы обнаружите, что мы пропустили хороший курс, сообщите нам об этом в комментариях.

Как мы оцениваем курсы

Мы рассчитали их средневзвешенное значение, собрав средние оценки и количество обзоров для каждого курса на Class Central и других сайтах с обзорами. Мы читали письменные отзывы и дополняли оценки отзывами о курсах.

Мы сделали субъективную оценку программы на основе трех факторов:

  1. Степень объяснения рабочих процессов машинного обучения. Описываются ли в курсе необходимые шаги для успешного запуска проекта машинного обучения? См. следующий раздел, чтобы узнать о последствиях типичного рабочего процесса.
  2. Освещение методов и алгоритмов машинного обучения. Используются ли различные методы (например, регрессия, классификация, кластеризация и т. д.) и связанные с ними алгоритмы (например, алгоритмы классификации: наивный байесовский алгоритм, деревья решений, метод опорных векторов и т. д.) или лишь некоторые из них? Мы предпочитаем курсы, которые охватывают больше методов и алгоритмов машинного обучения, не опуская деталей.
  3. Степень использования общей науки о данных и инструментов машинного обучения. Используются ли в преподавании курса популярные языки программирования, такие как Python, R или Scala? Как насчет использования популярных библиотек для этих языков? Это, конечно, не обязательно, но полезно, поэтому мы отдаем предпочтение этим курсам.

Что такое машинное обучение? Как рабочий процесс?

Популярное определение возникло в 1959 году.Arthur SamuelЗаявление: Машинное обучение — это отрасль компьютерных наук, которая может "Позвольте компьютерам учиться самостоятельно без явного программированияНа практике это означает, что разрабатываются компьютерные программы, которые могут делать прогнозы на основе данных. Как люди могут учиться на собственном опыте, так и компьютеры могут. Для компьютеров данные = опыт.

Рабочий процесс машинного обучения — это процесс, необходимый для выполнения проекта машинного обучения. Хотя отдельные проекты могут различаться, для большинства рабочих процессов требуется несколько общих задач: оценка проблемы, исследование данных, предварительная обработка данных, обучение модели, тестирование, развертывание и многое другое. Ниже вы найдете полезное визуальное представление этих основных шагов:

UpX AcademyПредставлены основные этапы типичного рабочего процесса машинного обучения.

Идеальный курс знакомит с полным процессом и предоставляет интерактивные примеры, домашние задания, викторины и студентов для самостоятельного выполнения каждого задания.

Охватывают ли эти курсы глубокое обучение?

Сначала давайте определим глубокое обучение. Краткое определение:

«Глубокое обучение — это ветвь машинного обучения, которая фокусируется на алгоритмах искусственных нейронных сетей, вдохновленных структурой и функциями мозга».

— Джейсон Браунли, черезОсвоение машинного обучения

Как и следовало ожидать, некоторые из наших курсов включают глубокое обучение. Но я не выбирал курсы, посвященные только глубокому обучению. Если вы просто заинтересованы в глубоком обучении, мы рекомендуем вам изучить следующеестатья:

ТОП-3, которые я рекомендую больше всего в списке:

Рекомендуемые предварительные курсы

Некоторые из перечисленных ниже курсов требуют, чтобы студенты имели опыт программирования, исчисления, линейной алгебры и статистики. Учитывая, что машинное обучение является продвинутой дисциплиной, эти обязательные курсы понятны.

Не понимаете некоторые предметы? хорошие новости! Некоторые из этих примеров можно найти в наших первых двух рекомендуемых статьях «Профориентация в области науки о данных» (программирование, статистика) научился. Некоторые из приведенных ниже лучших курсов также обеспечивают простое освежение знаний по исчислению и линейной алгебре, а также освещают аспекты, наиболее важные для тех, кто менее знаком с машинным обучением.

Мы выбрали лучшие курсы по машинному обучению…

Опубликовано на Coursera Стэнфордским университетоммашинное обучениеБезусловно, самый явный победитель в рейтингах, обзорах и сопоставлении планов. Курс ведет известный Эндрю Нг, основатель Google Brain,Байдубывший главный научный сотрудник. Именно этот курс привел к созданию Coursera. У него 422 отзыва и средневзвешенная оценка 4,7 звезды.

Этот курс, опубликованный в 2011 году, охватывает все аспекты рабочего процесса машинного обучения. Хотя он немного уже, чем исходный курс Стэнфорда, на котором он основан, ему все же удается включить большое количество методов и алгоритмов. Расчетное время составляет 11 недель, включая две недели нейронных сетей и глубокого обучения. Курс также предлагает бесплатную версию и платную версию.

NG - динамичный и нежный наставник с большим опытом. Он вдохновляет доверие, особенно при делении практических советов по внедрению и предупреждения об общих подводных камнях. Он помогает студентам просматривать линейную алгебру и подчеркивает исчисление, что наиболее актуально для обучения машине.

Оценка курса выполняется автоматически с помощью викторин с несколькими вариантами ответов и заданий по программированию после каждого урока. Эти задания, всего восемь, можно выполнить с помощью MATLAB или Octave, версии MATLAB с открытым исходным кодом. Нг часто объясняет свой выбор языка:

Я всегда пытался преподавать машинное обучение на разных языках, включая C++, Java, Python, NumPy и, конечно же, Octave, и это лишь некоторые из них. После десяти лет преподавания машинного обучения я обнаружил, что использование Octave в качестве среды программирования позволяет учиться быстрее всего.

Хотя Python и R имеют оба в 2017 годурастущая популярность, кажется более убедительным, и критики отмечают, что это не должно мешать вам пройти курс.

Некоторые видные критики отмечают следующее:

Станфордский курс машинного обучения, давно зарекомендовавший себя в мире МООК, действительно является окончательным введением в предмет. Курс широко охватывает все основные области машинного обучения. Профессор Нг предваряет каждый раздел мотивирующими обсуждениями и примерами.

Эндрю Нг — одаренный учитель, способный объяснять сложные темы, в том числе математику, лежащую в основе концепций, довольно интуитивно и ясно. настоятельно рекомендуется!

Единственная проблема, с которой я столкнулся с этим классом, заключается в том, что он не завышает ожидания от других классов.

Эндрю Нгмашинное обучениеПревью-видео курса.

Курс Лиги плюща, который преподают выдающиеся профессора

Колумбийского университетамашинное обучение— довольно новая часть их курса MicroMasters по искусственному интеллекту, размещенная на edX (Примечание переводчика: Программа MicroMasters представляет собой серию онлайн-программ для выпускников, предлагаемых edX, которые можно использовать для изучения независимых навыков для развития карьеры или для получения сертификата эквивалентности выпускника в соответствующих университетах (эквивалентно полному магистерскому семестру). Несмотря на то, что он настолько новый, что на него еще не так много обзоров, существующие обзоры на удивление сильны. Преподавание Профессор Джон Пейсли известен своим блестящим, кратким и умным языком. Этот курс имеет 10 отзывов и средневзвешенную оценку 4,8 звезды.

Этот курс охватывает все аспекты рабочего процесса машинного обучения и делает больше алгоритмов, чем курс Стэнфорда, описанный выше. Курс Columbia представляет собой более продвинутый вводный курс, и в комментариях упоминается, что студенты должны быть знакомы с обязательными курсами, которые мы рекомендовали ранее: исчисление, линейная алгебра, статистика, теория вероятностей и программирование.

Его выпускная оценка состоит из 11 тестов, 4 заданий по программированию и итогового экзамена. Студенты могут выбрать Python, Octave или MATLAB для выполнения заданий. Общая предполагаемая продолжительность курса составляет 12 недель, от 8 до 10 уроков в неделю. Сам курс бесплатный, но можно приобрести сертификационный сертификат.

Ниже приведены некоторые из высококачественных курсов, упомянутых выше.Комментарий:

За годы учебы я встречал самых разных профессоров: профессоров, которые недостаточно выдающиеся, профессоров, которые выдающиеся, но со средними способностями к преподаванию, и профессоров, которые выдающиеся и хорошо преподают. Доктор Пейсли относится к третьей категории.

Этот класс потрясающий! Язык преподавателя слишком точен, и, на мой взгляд, это также один из самых ярких моментов этого курса. Качество курса высокое, а PPT превосходный.

Доктор Пейсли и его советники были учениками Майкла Джордана, отца машинного обучения. Доктор Пейсли стал лучшим профессором машинного обучения в Колумбийском университете благодаря своей ясности. В этом семестре его занятия посещали почти 240 студентов, что является самым большим числом среди всех профессоров, преподающих машинное обучение в Колумбийском университете.

Видео-превью курса MicroMasters Колумбийского университета размещено на edX.машинное обучениеВведение в курс начинается примерно в 1:00.

Практическое введение в Python и R от отраслевых экспертов

Опубликовано на УдемиМашинное обучение от А до Я™Уровень детализации курса впечатляет, и он обеспечивает использование как Python, так и реализации R. Это редкость, и ни один другой курс высшего уровня не будет иметь такой рейтинг. У него самое большое количество отзывов среди всех рекомендуемых нами курсов: 8 119 отзывов и средневзвешенная оценка 4,5 звезды.

Он охватывает весь спектр рабочих процессов машинного обучения, а также предоставляет абсурдное количество алгоритмических объяснений через 40,5 часов видеоуроков по запросу. Этот курс более практичен, чем два предыдущих, и требует меньше математических знаний. Каждый раздел начинается с видео Еременко «Интуиция», в котором обобщаются важные теории в концепциях, которые будут преподаваться. Затем де Понтевес покажет несколько отдельных видеороликов о том, как это сделать в Python и R.

Бонусом является то, что курс включает в себя шаблоны кода для Python и R, которые студенты могут загрузить для использования в своих проектах. Курс также предлагает викторины и домашние задания, но они не являются сильными сторонами этого курса.

Что больше всего нравится студентам в Еременко и команде SuperDataScience, так это их способность «упрощать сложные вещи». Кроме того, обязательным условием для этого курса является «просто немного математики в средней школе», так что это может быть лучшим вариантом для студентов, которые озадачены курсами Стэнфорда и Колумбийского университета.

некоторые известные комментаторыподчеркнутыйСледующее:

Этот курс подготовлен профессионально, качество звука превосходное, а интерпретация очень лаконичная и четкая. Вложение ваших денег и времени, безусловно, принесет неизмеримую отдачу.

Изучение двух языков в одном классе — это просто потрясающе.

Кирилл, безусловно, один из лучших преподавателей на Udemy (если не онлайн), и я рекомендую все курсы, которые он преподает. В этом курсе много контента, он такой богатый!

Машинное обучение от А до Я™превью видео.

соревнование

Наш предпочтительный курс имеет средневзвешенную оценку 4,7 звезды из 422 отзывов. Давайте посмотрим на другие факультативные курсы в порядке убывания количества баллов. Еще раз: курсы Pure Deep Learning не включены в это руководство (эти курсы можно найти наздесьПроверять).

«Подход к анализу данных»(MIT на edX): больше внимания уделяется общему анализу, хотя есть и некоторые темы машинного обучения; использует R; делает убедительные представления, используя знакомые нам примеры реального мира; имеет проблемы; 12 недель, от 10 до 15 часов в неделю; Сертифицированный сертификат доступен для приобретения на добровольной основе, имеет 214 отзывов со средневзвешенной оценкой 4,9 звезды.

Рекламный ролик этого фантастического курса MIT:Подход к анализу данных.

Учебный курс Python по науке о данных и машинному обучению(Университет Хосе Портильи на Udemy): охватывает полный процесс обработки данных с большими фрагментами машинного обучения; более подробное введение в Python; отличный курс, но не идеальный для этой статьи; 21,5-часовое видео по запросу; цены снижены в зависимости от Udemy уровень учетной записи, который является обычным для Udemy; имеет 3316 отзывов и средневзвешенный балл 4,6 звезды.

Учебный курс R по науке о данных и машинному обучению(Университет Хосе Портилья на Udemy): здесь применимы те же комментарии, что и выше для курса Университета Портильи, за исключением того, что язык изменен на R; 17,5 часов видео по запросу; цены снижены в зависимости от уровня учетной записи Udemy, это распространено на Udemy, 1317 отзывов и средневзвешенная оценка 4,6 звезды.

Серия "Машинное обучение"(Ленивый программист на Udemy): преподают специалисты по обработке и анализу данных, инженеры по работе с большими данными, разработчики программного обеспечения полного стека с выдающимся опытом работы; Ленивый программист в настоящее время предлагает 16 курсов, ориентированных на машинное обучение, на Udemy; в целом курсы оцениваются в 5000+, в основном выше 4,6 звезды; в описании каждого курса есть полезный рейтинг курсов; цены снижены в соответствии с уровнем учетной записи Udemy, который является обычным для Udemy.

"Машинное обучение"(Технологический институт Джорджии в Udacity): комбинация трех отдельных курсов: контролируемое, неконтролируемое и обучение с подкреплением; часть наностепени сайта для инженеров по машинному обучению и школьная онлайн-степень магистра (OMS); достаточно информации, чтобы переварить размер видео. Стиль Udacity; дружелюбные преподаватели; примерно 4 месяца до выпуска; бесплатно; 9 отзывов, 4,56 звезды.

Внедрение прогнозной аналитики с помощью Spark в Azure HDInsight(Microsoft и edX): знакомит с основными концепциями и алгоритмами машинного обучения; использует некоторые инструменты для работы с большими данными, включая Apache Spark, Scala и Hadoop; используются Python и R; 6 недель, 4 урока в неделю; проверенный сертификат доступен для покупки добровольно, 6 отзывов, 4,5 звезды.

«Изучайте науку о данных и машинное обучение с помощью Python: практические занятия!» 》(Фрэнк Кейн об Udemy): использует Python; у Кейна 9-летний опыт работы с Amazon и IMDb; цены снижены в зависимости от уровня учетной записи Udemy, который является обычным для Udemy; 4139 отзывов, 4,5 звезды.

Технологии Scala и Spark для больших данных и машинного обучения(Университет Хосе Портилья на Udemy): внимание к «большим данным», особенно реализованным с использованием Scala и Spark; 10 часов видео по запросу; цены снижены в зависимости от уровня учетной записи Udemy, который является обычным для Udemy; 607 комментариев, 4,5 звезды .

Инженер по машинному обучению, Наноградус(Udacity): флагманский курс Udacity по машинному обучению с современной системой обзора проектов и карьерной поддержкой; этот курс состоит из нескольких независимых курсов, все бесплатные; создан совместно с Kaggle; ожидается, что он будет завершен в течение 6 месяцев; в настоящее время Да $199 в месяц, возврат 50% стоимости обучения после окончания обучения в течение 12 месяцев, 2 отзыва, 4,5 звезды.

Обучение на основе данных (Введение в машинное обучение)(Caltech на edX): регистрация на курсы в настоящее время закрыта на edX, но регистрация по-прежнему доступна через независимую платформу CalTech (см. ниже); 42 отзыва, 4,49 звезды.

Калифорнийский технологический институт и Ясер Абу-Мостафаучиться на данныхВступительное видео.

Обучение на основе данных (Введение в машинное обучение)(Ясер Абу-Мостафа из Калифорнийского технологического института): «Настоящий курс Калифорнийского технологического института, а не кастрированная версия»; отзывы подчеркивают, что он отлично подходит для понимания теории машинного обучения; профессор Ясер Абу-Мостафа, популярный среди студентов, также написал этот учебник. класс; видео, загруженное на YouTube, является записью класса (с функцией PPT «картинка в картинке»), а домашняя работа представляет собой файл PDF; опыт онлайн-обучения студентов не так прекрасен, как рекомендация TOP 3; 7 комментарии, 4,43 звезды.

«Массовый анализ наборов данных»(Стэнфордский университет): Курс машинного обучения с упором на «большие данные»; знакомит с современными распределенными файловыми системами и MapReduce; 7 недель, 10 часов в неделю; бесплатно; 30 отзывов, 4,4 звезды.

Машинное обучение AWS: полное руководство по использованию Python(Чандра Лингам об Udemy): Единственный курс, посвященный облачному машинному обучению, особенно Amazon Web Service. Использует Python; 9 часов видео по запросу; цены снижены в зависимости от уровня учетной записи Udemy, который является обычным для Udemy; 62 отзыва, 4,4 звезды.

Введение в машинное обучение и распознавание лиц с помощью Python(Holczer Balazs на Udemy): использует Python; 8 часов видео по запросу; цены снижены в зависимости от уровня учетной записи Udemy, который является обычным для Udemy; 162 отзыва, 4,4 звезды.

StatLearning: статистическое обучение(Стэнфордский университет): На основе очень хорошего учебникаВведение в статистическое обучение, использование программ RИ преподавал профессор, написавший книгу; прокомментировал, что МООК цитирует «слабые» упражнения и посредственные видео в книге, нет такой хорошей книги; 9 недель, 5 академических часов в неделю; бесплатно; 84 отзыва, 4,35 звезды.

Спецификация машинного обучения(Вашингтонский университет на Coursera): Отличный курс, к сожалению, два последних курса (включая завершающий) были удалены (Примечание переводчика: Курсы Capstone — это курсы, предлагаемые американскими университетами по высоко практическим специальностям, чтобы позволить студентам интегрироваться и максимально использовать свои области обучения); отметил, что эта серия курсов лучше, чем курсы лучших курсов по машинному обучению, а именно Стэнфорда и Калифорнийского технологического института. - — легче усваивается (для тех, у кого нет сильного инженерного бэкграунда); имейте в виду, что курс неполный по рекомендательным системам и глубокому обучению, и отсутствует краткое изложение курса; есть бесплатная и платная версии; 80 обзоров, 4,31 звезды.

Coursera в Университете Вашингтона принимает егоСпецификация машинного обучения.

«От 0 до 1: машинное обучение и NLP, переход к сути с помощью Python»(Loony Corn на Udemy): «Приземленная, застенчивая, но уверенная техника машинного обучения»; преподается группой из четырех человек с многолетним опытом работы в промышленности; использует Python; цены снижены в зависимости от уровня учетной записи Udemy, что распространен на Udemy, 494 отзыва, 4,2 звезды.

«Принципы машинного обучения»(Microsoft на edX): использует R, Python и инструменты машинного обучения Microsoft Azure; является частью сертификации курса Microsoft Data Science Professional; 6 недель, 3–4 часа в неделю; добровольная сертификация при покупке; 11 отзывов, 4,09 звезды.

Большие данные: статистический вывод и машинное обучение(Квинслендский технологический университет, FutureLearn): красивый и краткий курс изучения машинного обучения, ориентированный на большие данные; охватывает такие инструменты, как потоки R, H20 и WEKA; рекомендуется закончить за три недели, 2 урока в неделю; бесплатная и платная версии ; 4 отзыва, 4 звезды.

Наука о геномных данных и кластеризация(Биоинформатика, часть 5) (Калифорнийский университет и Сан-Диего на Coursera): для тех, кто интересуется пересечением информатики и биологии, а также для демонстрации того, как это пересечение представляет собой важный рубеж современной науки, основное внимание уделяется кластеризации и уменьшению размерности данных; часть специализации UCSD Bioinformatics, доступна в бесплатной и платной версиях, 3 отзыва, 4 звезды.

Введение в машинное обучение(Udacity): уделяет первостепенное внимание изучению широкого круга полезных тем и теории (с использованием Python); два преподавателя — Себастьян Трун и Кэти Мэлоун — делают занятия увлекательными; видеозаписей в классе достаточно для усвоения; после каждого занятия есть викторины. проекты класса; в настоящее время часть Udacity Data Analyst Nanodegree (Примечание переводчика: Наностепень или Наностепень — это серия совместных сертификационных курсов, запущенных Udacity и предприятиями, которые обычно можно пройти в течение 12 месяцев. «На» имитирует «Микро» в «Микро колледже», что означает подражание колледжам и университетам. "Нано" и "микро" являются единицами измерения, "нано" меньше, чем "микро"); рассчитано на 10 недель; бесплатно; 19 отзывов, 3,95 звезды.

Udacity от Себастьяна Труна и Кэти МэлоунВведение в машинное обучениеВступительное видео.

«Машинное обучение для анализа данных»(Уэслианский университет на Coursera): краткое введение в машинное обучение и несколько алгоритмов выбора; охватывает деревья решений, случайные леса, регрессию LASSO и кластеризацию K-средних; часть основного курса анализа и интерпретации данных Уэслианского университета; ориентировочно 4 недели; бесплатно и платные версии, 5 отзывов, 3,6 звезды.

Наука о данных: программирование на Python(Microsoft на edX): совместное производство Microsoft и Coding Pojo; использует Python; 6 недель, 8 часов в неделю; бесплатная и платная версии; 37 отзывов, 3,46 звезды.

«Машинное обучение для трейдинга»(Georgia Tech в Udacity): фокусируется на применении вероятностных методов машинного обучения для принятия торговых решений; использует Python; является частью Udacity's Machine Learning Engineer Nano Degree и Georgia Tech Online Master's Degree (OMS); примерно 4 месяца; бесплатно; 14 отзывов, 3,29 звезды .

«Практическое машинное обучение»(Университет Джона Хопкинса на Coursera): краткое практическое введение в некоторые алгоритмы машинного обучения; некоторые обзоры с оценкой 1-2 звезды выражают различные опасения по поводу курса; часть школьной специализации по науке о данных; 4 недели, каждые 4-9 часов неделя; доступны бесплатная и премиум версии; 37 отзывов, 3,11 звезды.

«Машинное обучение для науки о данных и анализа данных»(Колумбийский университет на edX): охватывает широкую тему машинного обучения; в некоторых негативных отзывах высказываются опасения по поводу выбора содержания курса, отсутствия заданий по программированию и отсутствия вдохновляющих презентаций; более 5 недель, 7–10 часов в неделю; 36 записей Обзор , 2,74 звезды.

«Спецификация системы рекомендаций»(Университет Миннесоты в Коу): основное внимание уделяется определенному типу машинного обучения — рекомендательным системам; 4 специализированных курса плюс завершающий курс, который представляет собой тематическое исследование; занятия проводятся с использованием LensKit, набора инструментов с открытым исходным кодом для рекомендательных систем; бесплатная и платная версии, 2 отзыва, 2 звезды.

«Машинное обучение с большими данными».(Университет Калифорнии и Сан-Диего на Coursera): крайне негативные отзывы подчеркивают плохое преподавание и оценку курса; некоторые рассматривают весь курс всего за несколько часов; он является частью университетской специализации больших данных; доступен в бесплатной и платной версиях; 14 1 отзыв, 1,86 звезды.

Практическая прогнозная аналитика: модели и методы(Вашингтонский университет в Coursera): краткое введение в основные концепции машинного обучения; один из участников отметил, что в курсе нет контрольных и задания несложные; часть расширенной школьной программы по науке о данных; более 4 недель, 6 — 8 часов в неделю; доступны бесплатные и премиум-версии; 4 отзыва, 1,75 звезды.

Ниже приведены курсы с не более чем одним отзывом по состоянию на май 2017 года.

«Машинное обучение для музыкантов и художников»(Goldsmiths и Лондонский университет в Каденце): уникальный курс; студенты изучают алгоритмы, программные инструменты и передовые методы машинного обучения, позволяющие машинам распознавать человеческие жесты, аудио и другие данные в реальном времени; всего 7 уроков; проверено (бесплатно) ) и платная ($10 в месяц) версия; имеет 5-звездочный обзор.

Каденце о ювелирах и Лондонском университете«Машинное обучение для музыкантов и художников»Рекламный ролик.

«Прикладное машинное обучение (с использованием Python)»(Мичиганский университет в Coursera): посещает занятия с использованием Python и набора инструментов scikit-learn; является частью специальности «Прикладное машинное обучение (с Python)»; занятия запланированы на 29 мая; доступны бесплатные и платные версии.

«Прикладное машинное обучение»(Microsoft на edX): Вела занятия с использованием таких инструментов, как Python, R и Microsoft Azure Machine Learning (примечание: это курс, созданный Microsoft). Включает практические занятия для закрепления содержания курса; более 6 недель, 3–4 часа в неделю; добровольная покупка сертифицированных сертификатов.

«Машинное обучение с Python»(Университет больших данных): занятия по Python; целевая аудитория — новички; ориентировочное время прохождения — 4 часа; Университет больших данных связан с IBM; бесплатно.

Машинное обучение с Apache SystemML(Университет больших данных): посещайте занятия с использованием Apache SystemML, декларативного языка, предназначенного для крупномасштабного машинного обучения; примерно 8 часов; Университет больших данных связан с IBM; бесплатно.

«Машинное обучение для науки о данных»(Университет Калифорнии и Сан-Диего на edX): Занятия не начнутся до января 2018 г.; примеры программ и задания выполнены на Python с использованием учебника Jupyter (Примечание переводчика: Jupyter Textbook — онлайн-приложение с открытым исходным кодом, пользователи могут создавать собственные учебники и делиться ими с другими); 10 недель, 8 часов в неделю; добровольная покупка сертифицированных сертификатов.

Введение в аналитические модели(Технологический институт Джорджии на edX): В объявлении о курсе говорится, что R используется в качестве предпочтительного языка; 10 недель, 5-10 часов в неделю; добровольная покупка аккредитованного сертификата.

Предиктивная аналитика: взгляд на большие данные(Квинслендский технологический университет, FutureLearn): краткое описание алгоритмов; использование платформы Hewlett Packard Enterprise Vertica Analytics в качестве прикладного инструмента; дата начала не объявлена; 4 недели, 2 часа в неделю; добровольный сертификат достижений.

Введение в машинное обучение(Университет Telefonica в Miríada X): Преподается на испанском языке; Введение в машинное обучение, включая обучение с учителем и без учителя; примерно 20 часов в течение 4 недель.

«Машинное обучение входит в комнату»(DataQuest): использование встроенной интерактивной платформы браузера DataQuest для занятий по Python; несколько элементов руководства и элемент «+», который вы используете сами; необходимо подписаться.

Следующие 6 курсов организованыDataCampпоставка. Гибридный стиль обучения DataCamp использует видео- и текстовые примеры, перемежающиеся с редактором кода, встроенным в браузер; для каждого курса требуется полная подписка.

DataCampПредлагается несколько курсов по машинному обучению.

Введение в машинное обучение(DataCamp): охватывает алгоритмы классификации, алгоритмы регрессии и алгоритмы кластеризации; использует R; 15 видео, 81 упражнение, примерно 6 часов.

Контролируемое обучение с scikit-learn(DataCamp): использует Python и scikit-learn; охватывает алгоритмы классификации и регрессии; 17 видеороликов, 54 упражнения, примерно 4 часа.

«Обучение без учителя с R»(DataCamp): краткое введение в кластеризацию и уменьшение размерности с помощью R; 16 видео, 49 упражнений, ориентировочная продолжительность 4 часа.

Набор инструментов для машинного обучения(DataCamp): обучает «большим идеям» машинного обучения; использует R; 24 видео, 88 упражнений, примерно 4 часа.

«Машинное обучение с экспертами: аргументы в пользу школьных бюджетов»(DataCamp): это тематическое исследование по машинному обучению на DrivenData; оно включает в себя создание модели машинного обучения для автоматической классификации статей школьного бюджета; обязательным курсом является курс DataCamp «Обучение с учителем с помощью scikit-learn»; 15 видео, 51 практика, оценивается в 4 часа.

«Обучение без присмотра с Python»(DataCamp): некоторые алгоритмы неконтролируемого обучения объясняются с использованием Python, scikit-learn и scipy; в конце курса студенты создают рекомендательную систему, чтобы рекомендовать исполнителей поп-музыки; 13 видео, 52 упражнения и примерно 4 часа.

"Машинное обучение"(Университет Тома Митчелла и Карнеги-Меллона): вводный курс по машинному обучению для выпускников школы; их второй курс для выпускников требует наличия опыта в области «Статистического машинного обучения»; публикуется в Интернете с практическими вопросами, домашними заданиями и промежуточными экзаменами (все университетские курсы с ответами); ииздание 2011 г.; Университет Карнеги-Меллона — лучшая аспирантура по изучению машинного обучения, в нем есть бесплатный отдел, посвященный машинному обучению.

«Статистическое машинное обучение»(Ларри Вассерман и Университет Карнеги-Меллона): как и другие продвинутые курсы в этой статье; является продолжением курса машинного обучения Университета Карнеги-Меллона; публикует онлайн-курсы колледжа с практическими вопросами, домашними заданиями и промежуточными экзаменами (все с ответами); бесплатно .

Университет Карнеги-Меллона — лучшая аспирантура для изучения машинного обучения."Машинное обучение"и«Статистическое машинное обучение»Все онлайн-обучение бесплатное.

«Машинное обучение бакалавриата»(Нандо де Фрейтас и Университет Британской Колумбии): курс машинного обучения для бакалавров; урок был записан на видео и размещен на YouTube вместе с PPT, размещенным на веб-сайте курса; курсовая работа загружена вместе с (но нет ответов); де Фрейтас сейчас он профессор Оксфордский университет и получил высокую оценку на различных форумах за свои преподавательские способности; также доступна версия для аспирантов (см. ниже).

Machine Learning(Нандо де Фрейтас/Университет Британской Колумбии): курс машинного обучения для выпускников. Здесь также применимы комментарии из курса бакалавриата де Фрейтаса (выше).

это конец

Эта статья является пятой из шести частей, в которых мы рекомендуем лучшие онлайн-курсы, которые помогут вам освоить науку о данных. нашпервая частьОхватывает курсы программирования,Вторая частьявляется вероятностной статистикой,третья частьпредставляет собой введение в науку о данных,четвертая частьэто визуализация данных.

Последний раздел будет кратким изложением предыдущих разделов, а также лучших курсов по другим темам, таким как обработка данных, базы данных и даже разработка программного обеспечения.

Если вам нужен полный список онлайн-курсов по науке о данных, вы можете посетить Class Central.Наука о данных и большие данныестраница темы.

Если вы не можете перестать читать это, вы можете прочитать этоClass Centralдругие темы:

Если у вас есть предложения по занятиям, которые я пропустил, пожалуйста, ответьте мне и дайте мне знать!

Если она показалась вам полезной, нажмите ?, чтобы сделать эту статью доступной для большего количества пользователей в разделе Medium.

Эта статья была опубликована мной на Class Centralоригинальная статьяСокращенная версия исходного текста, содержащая подробное введение в курс.

Если вы обнаружите ошибки в переводе или в других областях, требующих доработки, добро пожаловать наПрограмма перевода самородковВы также можете получить соответствующие бонусные баллы за доработку перевода и PR. начало статьиПостоянная ссылка на эту статьюЭто ссылка MarkDown этой статьи на GitHub.

Программа перевода самородковэто сообщество, которое переводит высококачественные технические статьи из ИнтернетаНаггетсДелитесь статьями на английском языке на . Охват контентаAndroid,iOS,внешний интерфейс,задняя часть,блокчейн,продукт,дизайн,искусственный интеллектЕсли вы хотите видеть более качественные переводы, пожалуйста, продолжайте обращать вниманиеПрограмма перевода самородков,официальный Вейбо,Знай колонку.

Категории