Jokainen Internetissä tapahtuva koneoppimiskurssi arvostelujen perusteella

Kaboompicsin puinen robotti

Puolitoista vuotta sitten putoin pois yhdestä Kanadan parhaista tietotekniikan ohjelmista. Aloitin oman tietotekniikan päällikön ohjelman luomisen online-resurssien avulla. Tajusin, että voin oppia kaiken tarvittavan edX: n, Courseran ja Udacityn kautta. Ja voisin oppia sen nopeammin, tehokkaammin ja murto-osan kustannuksista.

Olen melkein valmis. Olen käynyt monia tietojenkäsittelytieteen kursseja ja tarkastanut useita muita. Tiedän käytettävissä olevat vaihtoehdot ja mitä taitoja tarvitaan oppijoille, jotka valmistautuvat data-analyytikoksi tai tietoteknikon rooliksi. Joten aloin luoda arvostelupohjaisen oppaan, joka suosittelee parhaita kursseja jokaiselle tietotekniikan aineelle.

Sarjan ensimmäiselle oppaalle suosittelin muutamia koodausluokkia aloittelijoille. Sitten se oli tilasto- ja todennäköisyysluokat. Sitten johdannot datatieteeseen. Myös datan visualisointi.

Nyt koneoppimiseen.

Tätä opasta varten vietin kymmenkunta tuntia yrittäessään tunnistaa kaikki toukokuusta 2017 alkaen tarjotut verkkokoneoppimiskurssit, poimia avaintiedot bittiä niiden opetusohjelmista ja arvosteluista ja koota heidän arvosanansa. Lopullinen päämääräni oli tunnistaa kolme parasta käytettävissä olevaa kurssia ja esitellä ne sinulle alla.

Tätä tehtävää varten käännyin kenen tahansa muun kuin avoimen lähdekoodin Class Central -yhteisön ja sen tietokannan tuhansien kurssien arviointien ja arvostelujen perusteella.

Class Centralin kotisivu.

Class Central -yhtiön perustaja Dhawal Shah on vuodesta 2011 lähtien seurannut tarkemmin verkkokursseja kuin kiistattomasti kukaan muu maailmassa. Dhawal auttoi minua henkilökohtaisesti koottamaan tämä resurssiluettelo.

Kuinka valitsimme harkittavia kursseja

Jokaisen kurssin on täytettävä kolme kriteeriä:

  1. Sillä on oltava merkittävä määrä koneoppimisen sisältöä. Ihannetapauksessa koneoppiminen on ensisijainen aihe. Huomaa, että vain syväoppimiskurssit eivät ole sallittuja. Lisää siitä myöhemmin.
  2. Sen on oltava tilauksesta tai tarjottava muutaman kuukauden välein.
  3. Sen on oltava interaktiivinen verkkokurssi, joten ei kirjoja tai vain luku-oppaita. Vaikka nämä ovat toteuttamiskelpoisia tapoja oppia, tämä opas keskittyy kursseille. Kurssit, jotka ovat ehdottomasti videoita (ts. Ilman tietokilpailuja, harjoituksia jne.), Eivät myöskään kuulu.

Uskomme kattaamme kaikki merkittävät kurssit, jotka täyttävät yllä olevat kriteerit. Koska Udemy-kursseja on näennäisesti satoja, päätimme harkita vain eniten arvosteltuja ja eniten arvostettuja kursseja.

On kuitenkin aina mahdollista, että kaipaamme jotain. Joten kerro meille kommenttiosassa, jos jätimme hyvän kurssin.

Kuinka arvioimme kursseja

Laadimme keskimääräiset arvosanat ja arvostelujen lukumäärän Class Central- ja muilta arvostelusivustoilta laskeaksesi painotetun keskiarvon jokaiselle kurssille. Luimme tekstikatsauksia ja käytimme tätä palautetta täydentämään numeerisia arvioita.

Teimme subjektiivisia opetussuunnitelman arviointipyyntöjä kolmen tekijän perusteella:

  1. Koneoppimisen työnkulun selitys. Luetteleeko kurssi onnistuneen ML-projektin toteuttamiseen tarvittavat vaiheet? Katso seuraavasta osasta, mitä tyypillinen työnkulku sisältää.
  2. Koneoppimistekniikoiden ja algoritmien kattavuus. Kuuluvatko monet tekniikat (esim. Regressio, luokittelu, klusterointi jne.) Ja algoritmit (esim. Luokittelussa: naiivit Bayes, päätöksentekopuut, tukivektorikoneet jne.) Vai vain muutama? Etusija annetaan kursseille, jotka kattavat enemmän tekemättä yksityiskohtia.
  3. Yhteisten tietotekniikan ja koneoppimisvälineiden käyttö. Opetetaanko kurssi käyttämällä suosittuja ohjelmointikieliä, kuten Python, R ja / tai Scala? Entä suosittuja kirjastoja noilla kielillä? Ne eivät ole välttämättömiä, mutta hyödyllisiä, joten näitä kursseja pidetään lievästi etusijalla.

Mikä on koneoppiminen? Mikä on työnkulku?

Suosittu määritelmä on peräisin Arthur Samuelilta vuonna 1959: koneoppiminen on tietotekniikan osa-alue, joka antaa ”tietokoneille mahdollisuuden oppia ilman, että niitä on nimenomaisesti ohjelmoitu.” Käytännössä tämä tarkoittaa tietokoneohjelmien kehittämistä, jotka voivat tehdä ennusteita datan perusteella. Aivan kuten ihmiset voivat oppia kokemuksesta, samoin tietokoneet, joissa data = kokemus.

Koneoppimisen työnkulku on koneoppimisprojektin suorittamiseen vaadittava prosessi. Vaikka yksittäiset projektit voivat olla erilaisia, useimmissa työnkulkuissa on useita yleisiä tehtäviä: ongelmien arviointi, tietojen etsintä, tietojen esikäsittely, mallin koulutus / testaus / käyttöönotto jne. Alla on hyödyllinen visualisointi näistä ydintoimista:

Tyypillisen koneoppimisen työnkulun ydinvaiheet UpX Akatemian kautta

Ihanteellinen kurssi esittelee koko prosessin ja tarjoaa interaktiivisia esimerkkejä, tehtäviä ja / tai tietokilpailuja, joissa opiskelijat voivat suorittaa jokaisen tehtävän itse.

Kattavatko nämä kurssit syvällisen oppimisen?

Ensin määritellään syvä oppiminen. Tässä on lyhyt kuvaus:

"Syväoppiminen on koneoppimisen osakenttä, joka koskee algoritmeja, jotka ovat inspiroituneet aivojen rakenteesta ja toiminnasta, nimeltään keinotekoiset hermoverkot."
- Jason Brownlee koneoppimisesta

Kuten olisi odotettavissa, jotkut koneoppimiskursseista sisältävät syvän oppimisen sisällön. Valitsin kuitenkin olla ottamatta mukaan vain syvällistä oppimista edistäviä kursseja. Jos olet kiinnostunut erityisesti syvällisestä oppimisesta, saamme sinut kattamaan seuraavan artikkelin:

Kolme parasta suositustani luettelosta olisivat seuraavat:

  • Kadenzen syvällisen oppimisen luovat sovellukset TensorFlow-ohjelmalla
  • Toronton yliopiston neuroverkot koneoppimiseen (opettaja Geoffrey Hinton) Courseran kautta
  • Syväoppiminen A-Z ™: käytännön keinotekoiset hermostoverkot
    kirjoittanut Kirill Eremenko, Hadelin de Ponteves ja SuperDataScience-tiimi Udemyn kautta

Suositellut edellytykset

Useat alla luetellut kurssit pyytävät opiskelijoita saamaan aikaisemman ohjelmoinnin, laskennan, lineaarisen algebran ja tilastollisen kokemuksen. Nämä edellytykset ovat ymmärrettäviä, kun otetaan huomioon, että koneoppiminen on pitkälle kehitetty tiede.

Puuttuuko muutama aihe? Hyviä uutisia! Jotkut näistä kokemuksista voidaan hankkia tämän Data Science Career Guide -oppaan kahdessa ensimmäisessä artikkelissa (ohjelmointi, tilastot) annettujen suositusten kautta. Useat alla luetellut korkeimman tason kurssit tarjoavat myös hellävaraisia ​​laskennallisia ja lineaarisen algebran virkistäjiä ja tuovat esiin koneoppimiselle tärkeimmät näkökohdat vähemmän tuttuille.

Valitsemme parhaan koneoppimiskurssin ...

  • Koneoppiminen (Stanfordin yliopisto Courseran kautta)

Stanfordin yliopiston koneoppiminen Courseralla on selkeä nykyinen voittaja arvosanojen, arvostelujen ja opetussuunnitelmien sopivuuden kannalta. Tunnetun Andrew Ngin, Google Brain -yhtiön perustajan ja entisen Baidu-päätutkijan opettama, tämä oli luokka, joka herätti Courseran perustamisen. Sillä on 4,7 tähden painotettu keskiarvo yli 422 arvosanaa.

Se julkaistiin vuonna 2011, ja se kattaa kaikki koneoppimisen työnkulun näkökohdat. Vaikka sen soveltamisala on pienempi kuin alkuperäisen Stanford-luokan, johon se perustuu, se kuitenkin pystyy kattamaan suuren määrän tekniikoita ja algoritmeja. Arvioitu aikajana on yksitoista viikkoa, joista kaksi viikkoa on omistettu hermoverkoille ja syvälle oppimiseen. Saatavana on ilmaisia ​​ja maksettuja vaihtoehtoja.

Ng on dynaaminen, mutta lempeä ohjaaja, jolla on tuntuva kokemus. Hän inspiroi luottamusta etenkin jakaessaan käytännön toteutusvinkkejä ja varoituksia yleisistä sudenkuopista. Mukana on lineaarinen algebran kertaus ja Ng tuo esiin koneenoppimiseen olennaisesti liittyvät laskennan näkökohdat.

Arviointi on automaattista ja tapahtuu monivalintakyselyjen avulla, jotka seuraavat jokaista oppituntia ja ohjelmointitehtäviä. Tehtävät (niitä on kahdeksan) voidaan suorittaa MATLABissa tai oktaavissa, mikä on MATLABin avoimen lähdekoodin versio. Ng selittää kielivalintansa:

Aikaisemmin olen yrittänyt opettaa koneoppimista käyttämällä monia erilaisia ​​ohjelmointikieliä, kuten C ++, Java, Python, NumPy ja myös oktaavi… Ja mitä olen nähnyt koneoppimisen jälkeen melkein vuosikymmenen ajan, opit paljon nopeammin, jos käytät oktaavia ohjelmointiympäristöksesi.

Vaikka Python ja R ovat todennäköisesti houkuttelevammat valinnat vuonna 2017 kyseisten kielten kasvavan suosion myötä, arvioijat huomauttavat, että tämä ei saisi estää sinua osallistumasta kurssille.

Muutama kuuluisa arvioija huomautti seuraavan:

Stanfordin koneoppimiskurssi, joka on pitkään tunnettu MOOC-maailmassa, on todellakin lopullinen johdanto tähän aiheeseen. Kurssi kattaa laajasti kaikki tärkeimmät koneoppimisen alueet. Prof. Ng edeltää kutakin segmenttiä motivoivana keskusteluna ja esimerkkeinä.
Andrew Ng on lahjakas opettaja ja osaa selittää monimutkaisia ​​aiheita erittäin intuitiivisella ja selkeällä tavalla, mukaan lukien matematiikka kaikkien käsitteiden takana. Erittäin suositeltavaa.
Ainoa ongelma, jonka näen tällä kurssilla, jos se asettaa odotuspalkin erittäin korkeaksi muille kursseille.

Uusi Ivy League -esittely loistavan professorin kanssa

  • Koneoppiminen (Columbian yliopisto edX: n kautta)

Columbian yliopiston koneoppiminen on suhteellisen uusi tarjous, joka on osa heidän keinotekoisen älykkyyden mikromastoneitaan edX: llä. Vaikka se on uudempi ja sillä ei ole paljon arvosteluita, se on poikkeuksellisen vahva. Professori John Paisleyn pidetään loistavana, selkeänä ja taitavana. Sillä on 4,8 tähden painotettu keskiarvo yli 10 arvostelut.

Kurssi kattaa myös kaikki koneoppimisen työnkulun näkökohdat ja enemmän algoritmeja kuin yllä Stanford tarjoaa. Columbian esittely on edistyneempi, ja arvioijat huomauttavat, että opiskelijoiden tulisi tuntea suositellut edellytykset (laskenta, lineaarinen algebra, tilastot, todennäköisyys ja koodaus).

Tietokilpailu (11), ohjelmointitehtävät (4) ja loppukoe ovat arviointitapoja. Opiskelijat voivat suorittaa tehtävät joko Python-, Oktaavi- tai MATLAB-ohjelmalla. Kurssin arvioitu kokonaisaikataulu on kahdeksasta kymmeneen tuntia viikossa 12 viikon ajan. Se on ilmainen, ja vahvistetun sertifikaatin voi ostaa.

Alla on muutama edellä mainituista kuohuviiniä koskevista arvosteluista:

Kaikkien opiskelijavuosieni aikana olen tavannut professoreita, jotka eivät ole loistavia, professoreita, jotka ovat loistavia, mutta he eivät osaa selittää asioita selkeästi, ja professoreita, jotka ovat loistavia ja osaavat selittää asiat selvästi. Tohtori Paisley kuuluu kolmanteen ryhmään.
Tämä on hieno kurssi… Ohjaajan kieli on tarkka ja se on mielestäni yksi kurssin vahvimmista kohdista. Luennot ovat korkealaatuisia ja myös diat ovat hienoja.
Tohtori Paisley ja hänen esimiehensä ovat… koneen oppimisen isän Michael Jordanin oppilaita. [DR. Paisley] on paras ML-professori Columbiassa, koska hän kykenee selittämään jutut selvästi. Jopa 240 opiskelijaa on valinnut kurssin tämän lukukauden aikana, mikä on suurin kaikista koneoppimisprofessoreista Columbiassa.

Käytännöllinen esittely alan asiantuntijoilta Python & R: ssä

  • Koneoppiminen A-Z ™: Käytännöllinen Python & R tietojenkäsittelyssä (Kirill Eremenko, Hadelin de Ponteves ja SuperDataScience-tiimi Udemyn kautta)

Machine Learning A-Z ™ Udemyssa on uskomattoman yksityiskohtainen tarjous, joka tarjoaa ohjeita sekä Pythonissa että R: ssä, mikä on harvinaista ja jota ei voida sanoa mihinkään muuhun ylimmälle kurssille. Sillä on 4,5 tähden painotettu keskiarvo yli 8 119 arvosanaa, mikä tekee siitä parhaiten arvioidun kurssin harkituista.

Se kattaa koko koneoppimisen työnkulun ja melkein naurettavan (hyvällä tavalla) määrän algoritmeja 40,5 tunnin tarjotun videon aikana. Kurssi noudattaa soveltuvampaa lähestymistapaa ja on matematiikan kannalta kevyempi kuin kaksi edellä mainittua kurssia. Jokainen osa alkaa Eremenkon “intuitio” -videolla, joka tiivistää opetettavan käsitteen taustalla olevan teorian. de Ponteves käy läpi toteutuksen erillisillä videoilla sekä Pythonille että R: lle.

"Bonuksena" kurssi sisältää Python- ja R-koodimalleja, joita opiskelijat voivat ladata ja käyttää omissa projekteissaan. On tietokilpailuja ja kotitehtävien haasteita, vaikka nämä eivät olekin kurssin vahvoja kohtia.

Eremenko ja SuperDataScience -tiimi arvostetaan kyvystään "tehdä monimutkaisesta yksinkertaisesta". Luetut edellytykset ovat myös "vain osa lukion matematiikasta", joten tämä kurssi saattaa olla parempi vaihtoehto niille, jotka Stanfordin ja Columbian tarjoukset pelkäävät.

Muutama kuuluisa arvioija huomautti seuraavan:

Kurssi on tuotettu ammattimaisesti, äänenlaatu on erinomainen, ja selitykset ovat selkeitä ja tiiviitä ... Se on uskomaton arvo taloudelliselle ja aikainvestoinnillesi.
Oli mahtavaa, että pystyin seuraamaan kurssia kahdella eri ohjelmointikielellä samanaikaisesti.
Kirill on yksi ehdottomasti parhaita Udemy-opettajia (jos ei Internet) ja suosittelen ottamaan kaikki hänen opettamansa luokan. … Tällä kurssilla on tonni sisältöä, kuten tonni!

Kilpailu

Ykkösvalintamme painotettu keskiarvo oli 4,7 / 5 tähteä yli 422 arvosta. Katsotaanpa muita vaihtoehtoja alenevan luokituksen mukaan lajiteltuina. Muistutus siitä, että vain opiskeluun tarkoitetut syväkurssit eivät sisälly tähän oppaaseen - löydät ne täältä.

Analytics-reuna (Massachusetts Institute of Technology / edX): Keskittynyt enemmän analytiikkaan yleensä, vaikka se kattaakin useita koneoppimisaiheita. Käyttää R. Vahvaa kerrontaa, joka hyödyntää tuttuja reaalimaailman esimerkkejä. Haastava. Kymmenestä viiteentoista tuntiin viikossa kahdentoista viikon ajan. Ilmaiseksi vahvistetulla sertifikaatilla, jota voi ostaa. Sillä on 4,9 tähden painotettu keskiarvo yli 214 arvosanaa.

Python for Data Science and Machine Learning Bootcamp (Jose Portilla / Udemy): Siinä on suuria palasia koneoppimissisältöä, mutta se kattaa koko tietojenkäsittelytieteen prosessin. Lisää erittäin yksityiskohtaisesta esittelystä Pythonille. Upea kurssi, vaikkakaan ei ihanteellinen tämän oppaan laajuuteen. 21,5 tuntia tilausvideota. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä. Sillä on 4,6 tähden painotettu keskiarvo yli 3316 arvosanaa.

Tietojenkäsittelyn ja koneoppimisen Bootcamp R: n kanssa (Jose Portilla / Udemy): Portillan yllä mainitun kurssin kommentit koskevat myös tätä, paitsi R. 17,5 tunnin tilaamalla videon. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä. Sillä on 4,6 tähden painotettu keskiarvo yli 1317 arvosanaa.

Koneoppimissarja (Lazy Programmer Inc./Udemy): Tietoteknikon / suuren datainsinöörin / täyden pino-ohjelmistosuunnittelijan opettama, vaikuttavan jatkamisen ansiosta, Lazy Programmerilla on tällä hetkellä sarja 16 koneoppimiseen keskittynyttä kurssia Udemy-ohjelmasta. Kursseilla on yhteensä yli 5000 luokitusta ja melkein kaikilla niistä on 4,6 tähteä. Kunkin kurssin kuvauksessa on hyödyllinen kurssitilaus. Käyttää Pythonia. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä.

Koneoppiminen (Georgia Tech / Udacity): Kokoelma kolmesta erillisestä kurssista: ohjattu, ohjaamaton ja vahvistusoppiminen. Osa Udacityn koneoppimisinsinööriä Nanodegreeta ja Georgia Techin online-maisterin tutkintoa (OMS). Bite-kokoiset videot, kuten Udacityn tyyli. Ystävälliset professorit. Arvioitu neljän kuukauden aikajana. Vapaa. Sillä on 4,56-painotettu keskimääräinen luokitus yli 9 arvosteluun.

Ennustavan analyysin toteuttaminen Sparkilla Azure HDInsight -sovelluksessa (Microsoft / edX): Esittelee koneoppimisen ydinkäsitteet ja erilaisia ​​algoritmeja. Hyödyntää useita suuria dataystävällisiä työkaluja, kuten Apache Spark, Scala ja Hadoop. Käyttää sekä Pythonia että R. Neljä tuntia viikossa kuuden viikon ajan. Ilmaiseksi vahvistetulla sertifikaatilla, jota voi ostaa. Sillä on 4,5 tähden painotettu keskiarvo yli 6 arvostelut.

Tietojenkäsittely ja koneoppiminen Pythonilla - Kädet! (Frank Kane / Udemy): Käyttää Pythonia. Kanella on yhdeksän vuoden kokemus Amazonista ja IMDb: stä. Yhdeksän tuntia tilausvideota. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä. Sillä on 4,5 tähden painotettu keskiarvo yli 4139 arvosanaa.

Scala ja Spark suurten tietojen ja koneiden oppimiseen (Jose Portilla / Udemy): ”Big data” keskittyy erityisesti toteuttamiseen Scalassa ja Sparkissa. Kymmenen tuntia tilausvideota. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä. Sillä on 4,5 tähden painotettu keskiarvo yli 607 arvosanaa.

Machine Learning Engineer Nanodegree (Udacity): Udacityn lippulaiva Machine Learning -ohjelma, joka sisältää luokkansa parhaimman projektien arviointijärjestelmän ja urakehityksen. Ohjelma on kokoelma useita yksittäisiä Udacity-kursseja, jotka ovat ilmaisia. Kagglen yhdessä luoma. Arvioitu aikataulu kuudeksi kuukaudeksi. Tällä hetkellä maksaa 199 dollaria dollaria kuukaudessa ja 50%: n hyvityksen palautus on käytettävissä niille, jotka valmistuvat 12 kuukauden kuluessa. Sillä on 4,5 tähden painotettu keskiarvo yli 2 arvostelut.

Oppiminen tiedoista (johdanto-koneoppiminen) (Kalifornian teknillinen instituutti / edX): Ilmoittautuminen on tällä hetkellä suljettu edX: llä, mutta se on saatavana myös CalTechin riippumattoman alustan kautta (katso alla). Sillä on 4,49 tähden painotettu keskiarvo yli 42 arvostelut.

Tietojen oppiminen (johdanto-koneoppiminen) (Yaser Abu-Mostafa / Kalifornian teknillinen instituutti): “Todellinen Caltech-kurssi, ei vesitetty versio.” Arvioiden mukaan se on erinomainen koneoppimisen teorian ymmärtämiseen. Professori Yaser Abu-Mostafa on suosittu opiskelijoiden keskuudessa ja kirjoitti myös oppikirjan, johon tämä kurssi perustuu. Videot ovat nauhoitettuja luentoja (joissa luennot ovat kuvassa kuvassa), jotka on ladattu YouTubeen. Kotitehtävät ovat .pdf-tiedostoja. Verkko-opiskelijoiden kurssikokemus ei ole niin hiottu kuin kolme parasta suositusta. Sillä on 4,43 tähden painotettu keskiarvo yli 7 arvostelut.

Massiivisten tietoaineistojen louhinta (Stanford University): Koneoppiminen keskittyen ”isoihin tietoihin”. Esittelee nykyaikaisia ​​hajautettuja tiedostojärjestelmiä ja MapReducea. Kymmenen tuntia viikossa seitsemän viikon ajan. Vapaa. Sillä on 4,4 tähden painotettu keskiarvo yli 30 arvostelut.

AWS-koneoppiminen: täydellinen opas Pythonin kanssa (Chandra Lingam / Udemy): Ainutlaatuinen keskittyminen pilvipohjaiseen koneoppimiseen ja erityisesti Amazon Web Services -palveluun. Käyttää Pythonia. Yhdeksän tuntia tilausvideota. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä. Sillä on 4,4 tähden painotettu keskiarvo yli 62 arvostelut.

Johdatus koneoppimiseen ja kasvontunnistukseen Pythonissa (Holczer Balazs / Udemy): Käytä Pythonia. Kahdeksan tuntia tilattavaa videota. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä. Sillä on 4,4 tähden painotettu keskiarvo yli 162 arvosanaa.

StatLearning: Tilastollinen oppiminen (Stanfordin yliopisto): Perustuu erinomaiseen oppikirjaan, ”Johdatus tilastolliseen oppimiseen, sovelluksilla R”, ja opettajat sen kirjoittaneille professoreille. Arvioijat huomauttavat, että MOOC ei ole yhtä hyvä kuin kirja, viitaten “ohuisiin” harjoituksiin ja keskinkertaisiin videoihin. Viisi tuntia viikossa yhdeksän viikon ajan. Vapaa. Sillä on 4,35 tähden painotettu keskiarvo yli 84 arvostelut.

Koneoppimisen erikoistuminen (Washingtonin yliopisto / Coursera): Mahtavia kursseja, mutta kaksi viimeistä luokkaa (mukaan lukien huippukivihanke) peruutettiin. Arvioijat huomauttavat, että tämä sarja on sulavampaa (lue: helpompaa niille, joilla ei ole vahvaa teknistä taustaa) kuin muut parhaimmat koneoppimiskurssit (esim. Stanfordin tai Caltechin). Huomaa, että sarja on puutteellinen suositusjärjestelmien, syvän oppimisen ja yhteenvedon puuttuessa. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 4,31 tähden painotettu keskiarvo yli 80 arvostelut.

Washingtonin yliopisto opettaa koneoppimiseen erikoistumista Courseralla.

0: 1: Koneoppiminen, NLP ja Python-leikkaus takaa-ajamiseen (Loony Corn / Udemy): ”Maanläheinen, ujo, mutta itsevarma omaksua koneoppimistekniikoita.” Opettaa neljän hengen joukkue vuosikymmenten ajan alan kokemus yhdessä. Käyttää Pythonia. Kustannukset vaihtelevat riippuen Udemy-alennuksista, jotka ovat yleisiä. Sillä on 4,2 tähden painotettu keskiarvo yli 494 arvosanaa.

Koneoppimisen periaatteet (Microsoft / edX): Käyttää R-, Python- ja Microsoft Azure Machine Learning -sovelluksia. Osa tietojenkäsittelytieteen Microsoft Professional Program -sertifikaattia. Kolme tai neljä tuntia viikossa kuuden viikon ajan. Ilmaiseksi vahvistetulla sertifikaatilla, jota voi ostaa. Sillä on 4,09 tähden painotettu keskiarvo yli 11 arvosanaa.

Big Data: Tilastolliset päätelmät ja koneoppiminen (Queensland University of Technology / FutureLearn): Hieno, lyhyt tutkittava koneoppimiskurssi, jossa keskitytään isoihin tietoihin. Kattaa muutaman työkalun, kuten R, H2O Flow ja WEKA. Vain kolmen viikon kesto suositelluilla kahdella tunnilla viikossa, mutta yksi arvioija totesi, että kuusi tuntia viikossa olisi sopivampi. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 4 tähden painotettu keskiarvo yli 4 arvosteluun.

Geenitieteellinen tiede ja klusterointi (Bioinformatiikka V) (Kalifornian yliopisto, San Diego / Coursera): Niille, jotka kiinnostavat tietotekniikan ja biologian leikkausta ja sitä, miten se edustaa tärkeätä rajaa nykyajan tieteessä. Keskittyy klusterointiin ja ulottuvuuden vähentämiseen. Osa UCSD: n bioinformatiikan erikoistumista. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 4 tähden painotettu keskiarvo yli 3 arvostelut.

Intro to Machine Learning (Udacity): Priorisoi aiheen leveyden ja käytännön työkalut (Pythonissa) syvyyden ja teorian suhteen. Ohjaajat Sebastian Thrun ja Katie Malone tekevät tästä luokasta niin hauskaa. Koostuu pureman kokoisista videoista ja tietokilpailuista, joita seuraa miniprojekti jokaisesta oppitunnista. Tällä hetkellä osa Udacityn data-analyytikkoa Nanodegree. Arvioitu kymmenen viikon aikajana. Vapaa. Sillä on 3,95 tähden painotettu keskiarvo yli 19 arvostelut.

Koneoppiminen tietojen analysointia varten (Wesleyan University / Coursera): Lyhyt esittely koneoppimisesta ja muutama valittu algoritmi. Kattaa päätöksentekopuut, satunnaiset metsät, laso-regression ja k-keinot. Osa Wesleyanin tietoanalyysin ja tulkinnan erikoistumisesta. Arvioitu neljän viikon aikajana. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 3,6 tähden painotettu keskiarvo yli 5 arvosteluun.

Ohjelmointi Python for Data Science -ohjelmaan (Microsoft / edX): Tuottanut Microsoft yhteistyössä Coding Dojon kanssa. Käyttää Pythonia. Kahdeksan tuntia viikossa kuuden viikon ajan. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on keskimäärin 3.46 tähden keskiarvo, joka antaa yli 37 arvostelua.

Koneoppiminen kaupankäynnille (Georgia Tech / Udacity): Keskittyy todennäköisten koneoppimismenetelmien soveltamiseen kauppapäätöksiin. Käyttää Pythonia. Osa Udacityn koneoppimisinsinööriä Nanodegreeta ja Georgia Techin online-maisterin tutkintoa (OMS). Arvioitu neljän kuukauden aikajana. Vapaa. Sillä on 3,29 tähden painotettu keskiarvo yli 14 arvosteluun.

Käytännön koneoppiminen (Johns Hopkins University / Coursera): Lyhyt, käytännöllinen johdanto useisiin koneoppimisalgoritmeihin. Useita yhden tai kahden tähden arvosteluja, jotka ilmaisevat erilaisia ​​huolenaiheita. Osa JHU: n tietotekniikan erikoistumisesta. Neljä tai yhdeksän tuntia viikossa neljän viikon aikana. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 3,11 tähden painotettu keskiarvo yli 37 arvostelut.

Koneoppiminen tietojenkäsittelytiedelle ja Analyticsille (Columbia University / edX): Esittelee laajan valikoiman koneoppimisen aiheita. Joitakin intohimoisia kielteisiä arvosteluita, joihin sisältyy muun muassa sisältövalinnat, ohjelmointitehtävien puute ja inspiroiva esitys. Seitsemän - kymmenen tuntia viikossa viiden viikon ajan. Ilmaiseksi vahvistetulla sertifikaatilla, jota voi ostaa. Sillä on 2,74 tähden painotettu keskiarvo yli 36 arvostelut.

Suosittelijajärjestelmien erikoistuminen (Minnesotan yliopisto / Coursera): Vahva keskittyminen yhteen erityiseen koneoppintyyppiin - suositusjärjestelmät. Neljän kurssin erikoistuminen plus huippukivihanke, joka on tapaustutkimus. Opetetaan LensKitillä (avoimen lähdekoodin työkalupakki suositusjärjestelmille). Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 2 tähden painotettu keskiarvo yli 2 arvostelut.

Koneoppiminen isoilla tiedoilla (Kalifornian yliopisto, San Diego / Coursera): Kauhea arvosteluja, jotka korostavat huonoa opastusta ja arviointia. Jotkut totesivat, että koko kurssin suorittaminen kesti heiltä vain tunteja. Osa UCSD: n isojen tietojen erikoistumista. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 1,86 tähden painotettu keskiarvo yli 14 arvostelut.

Käytännön ennakoiva analyysi: mallit ja menetelmät (Washingtonin yliopisto / Coursera): Lyhyt johdanto koneoppimiskonsepteihin. Yksi arvioitsija totesi, että tietokilpailuista puuttui ja että tehtävät eivät olleet haastavia. Osa UW: n tietotekniikkaa mittakaavan erikoistumisella. Kuusi - kahdeksan tuntia viikossa neljän viikon aikana. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja. Sillä on 1,75 tähden painotettu keskiarvo yli 4 arvostelut.

Seuraavilla kursseilla oli yksi arvostelu tai ei lainkaan arvosteluita toukokuusta 2017 alkaen.

Koneoppiminen muusikoille ja taiteilijoille (kultasepät, Lontoon yliopisto / Kadenze): Ainutlaatuinen. Opiskelijat oppivat algoritmeja, ohjelmistotyökaluja ja koneoppimisen parhaita käytäntöjä ihmisen eleiden, musiikillisen äänen ja muun reaaliaikaisen tiedon ymmärtämiseksi. Seitsemän istuntoa pitkä. Audit (ilmainen) ja premium (10 dollaria USD kuukaudessa) käytettävissä olevat vaihtoehdot. Sillä on yksi 5 tähden arvostelu.

Sovellut koneoppiminen Pythonissa (Michiganin yliopisto / Coursera): Opetetaan Pythonin ja scikit oppimisen työkalupakin avulla. Osa sovelletusta tietotieteestä, jolla on Python-erikoistuminen. Ajoitettu 29. toukokuuta. Saatavilla ilmaisia ​​ja maksettuja vaihtoehtoja.

Sovellettu koneoppiminen (Microsoft / edX): Opetetaan käyttämällä erilaisia ​​työkaluja, kuten Python, R ja Microsoft Azure Machine Learning (huomautus: Microsoft tuottaa kurssin). Sisältää käytännön laboratoriot luentosisällön vahvistamiseksi. Kolme tai neljä tuntia viikossa kuuden viikon ajan. Ilmaiseksi vahvistetulla sertifikaatilla, jota voi ostaa.

Koneoppiminen Pythonilla (Big Data University): Opetetaan Pythonin avulla. Kohdennettu aloittelijoille. Arvioitu valmistumisaika on neljä tuntia. Big Data University on sidoksissa IBM: hen. Vapaa.

Koneoppiminen Apache SystemML: n (Big Data University) avulla: Opetetaan Apache SystemML: n avulla, joka on deklaratiivinen työkieli, joka on suunniteltu suurten koneiden oppimiseen. Arvioitu valmistumisaika on kahdeksan tuntia. Big Data University on sidoksissa IBM: hen. Vapaa.

Tietotekniikan koneoppiminen (Kalifornian yliopisto, San Diego / edX): Aloitetaan vasta tammikuussa 2018. Ohjelmaesimerkit ja tehtävät ovat Pythonissa, Jupyter-kannettavien avulla. Kahdeksan tuntia viikossa kymmenen viikon ajan. Ilmaiseksi vahvistetulla sertifikaatilla, jota voi ostaa.

Johdanto Analytics-mallintamiseen (Georgia Tech / edX): Kurssi mainostaa R: ää sen ensisijaisena ohjelmointityökaluna. Viisi - kymmenen tuntia viikossa kymmenen viikon ajan. Ilmaiseksi vahvistetulla sertifikaatilla, jota voi ostaa.

Ennustava analyysi: Näkemysten hankkiminen Big Datasta (Queensland University of Technology / FutureLearn): Lyhyt kuvaus muutamasta algoritmista. Käyttää Hewlett Packard Enterprise -yrityksen Vertica Analytics -alustaa sovellusvälineenä. Aloituspäivä ilmoitetaan. Kaksi tuntia viikossa neljän viikon ajan. Ilmaiseksi saavutustodistuksella, jota voi ostaa.

Introducción al Machine Learning (Universitas Telefónica / Miríada X): Opetetaan espanjaksi. Johdanto koneoppimiseen, joka kattaa ohjatun ja ohjaamattoman oppimisen. Yhteensä kaksikymmentä arvioitua tuntia neljän viikon aikana.

Koneoppimispolku (Dataquest): Opetetaan Pythonissa käyttämällä Dataquestin interaktiivista selaimen sisäistä alustaa. Useita ohjattuja projekteja ja ”plus” -projekti, jossa rakennat oman koneoppimisjärjestelmän omien tietojen avulla. Tilaus vaaditaan.

DataCamp tarjoaa seuraavat kuusi kurssia. DataCampin hybridi-opetustyyli hyödyntää video- ja tekstipohjaisia ​​ohjeita, joissa on paljon esimerkkejä selaimen sisäisen koodieditorin avulla. Kullekin kurssille pääsy edellyttää tilausta.

DataCamp tarjoaa useita koneoppimiskursseja.

Johdanto koneoppimiseen (DataCamp): Kattaa luokittelu-, regressio- ja klusterointialgoritmit. Käyttää R. Viisitoista videota ja 81 harjoitusta, joiden arvioitu aikajana on kuusi tuntia.

Ohjattu oppiminen scikit-oppi (DataCamp): Käytä Pythonia ja scikit-oppia. Kattaa luokittelu- ja regressioalgoritmit. Seitsemäntoista videota ja 54 harjoitusta, joiden arvioitu aikajana on neljä tuntia.

Ohjaamaton oppiminen R: ssä (DataCamp): Tarjoaa perustiedot ryhmittelyyn ja ulottuvuuden vähentämiseen R. Kuusitoista videota ja 49 harjoitusta, joiden arvioitu aikajana on neljä tuntia.

Koneoppimisen työkalupakki (DataCamp): Opettaa koneoppimisessa käytettävät suuret ideat. Käyttää R. 24 videota ja 88 harjoitusta, joiden arvioitu aikajana on neljä tuntia.

Koneoppiminen asiantuntijoiden kanssa: Koulun budjetit (DataCamp): Tapaustutkimus DrivenDatan koneoppokilpailusta. Sisältää mallin luomisen, jotta kohteet luokitellaan automaattisesti koulun budjettiin. DataCampin ”Ohjattu oppiminen scikit-oppi -sovelluksella” on ennakkoedellytys. Viisitoista videota ja 51 harjoitusta, joiden arvioitu aikajana on neljä tuntia.

Valvomaton oppiminen Python-ohjelmassa (DataCamp): Kattaa useita ilman valvontaa oppivia algoritmeja käyttämällä Python-, scikit-oppi- ja skipy-ohjelmia. Kurssi päättyy siihen, että opiskelijat rakentavat suositusjärjestelmän suosittua musiikkitaiteilijaa suosittelemaan. 13 videota ja 52 harjoitusta, joiden arvioitu aikajana on neljä tuntia.

Koneoppiminen (Tom Mitchell / Carnegie Mellon University): Carnegie Mellonin valmistunut koneoppimiskurssi. Edellytys toiselle tutkinnon suorittaneelle kurssille, ”Tilastollinen koneoppiminen”. Teipatut yliopisto-luennot, joihin sisältyy käytännössä esiintyviä ongelmia, kotitehtäviä ja verkkovälitys (kaikki ratkaisuineen). Kurssilla on myös vuoden 2011 versio. CMU on yksi parhaista tutkinnon suorittaneista kouluista koneoppimiselle ja sillä on koko ML: lle omistettu osasto. Vapaa.

Tilastollinen koneoppiminen (Larry Wasserman / Carnegie Mellon University): Tämän oppaan todennäköisesti edistynein kurssi. Jatko Carnegie Mellonin koneoppimiskurssille. Nauhoitettuja yliopisto-luentoja, joissa on käytännöllisiä ongelmia, kotitehtäviä ja verkkovälitys (kaikki ratkaisuineen). Vapaa.

CMU on yksi parhaista kouluista koneoppimisen opiskeluun. Koneoppiminen ja tilastollinen koneoppiminen ovat saatavilla verkossa ilmaiseksi.

Koneoppiminen (Nando de Freitas / Brittiläisen Kolumbian yliopisto): Koneoppiminen. Luennot kuvataan ja laitetaan YouTubeen kurssien verkkosivustolla julkaistujen diojen avulla. Kurssitehtävät lähetetään myös (ei kuitenkaan ratkaisuja). de Freitas on nyt kokopäiväinen professori Oxfordin yliopistossa ja saa kiitosta opetuskyvystään erilaisilla foorumeilla. Jatko-versio saatavilla (katso alla).

Koneoppiminen (Nando de Freitas / British Columbian yliopisto): Jatko koneoppimiskurssi. De Freitasin perustutkintokurssin (yllä) kommentit pätevät myös tähän.

Kääri se

Tämä on viides osa kuusiosaisesta sarjasta, joka kattaa parhaat online-kurssit, joiden avulla voit aloittaa itsesi tietotekniikan kentälle. Käsittelemme ohjelmointia ensimmäisessä artikkelissa, tilastotietoja ja todennäköisyyttä toisessa artikkelissa, introtiedot tietojenkäsittelystä kolmannessa artikkelissa ja datan visualisointia neljännessä.

Viimeinen kappale on yhteenveto noista artikkeleista, sekä parhaat online-kurssit muille avainaloille, kuten tietojen vääristäminen, tietokannat ja jopa ohjelmistosuunnittelu.

Jos etsit täydellistä luetteloa datatieteen verkkokursseista, löydät ne Class Centralin tietotieteen ja Big Data -sivulta.

Jos nautit tämän lukemisesta, tutustu luokan Class Central muihin kappaleisiin:

Jos sinulla on ehdotuksia jättämistäni kursseista, kerro niistä vastauksissa!

Jos pidit tästä hyödyllistä, napsauta , niin useammat ihmiset näkevät sen täällä Mediumissa.

Tämä on tiivistetty versio alkuperäisestä artikkelissani, joka on julkaistu Class Central -sivustolla, johon olen sisällyttänyt yksityiskohtaiset opinto-ohjelmat.