Svaki tečaj strojnog učenja na Internetu rangiran prema vašim recenzijama

Prije godinu i pol odustao sam od jednog od najboljih programa informatike u Kanadi. Počeo sam stvarati vlastiti master program za znanost o podacima koristeći mrežne resurse. Shvatio sam da umjesto toga mogu naučiti sve što mi treba putem edX-a, Coursere i Udacity-a. A mogao bih to naučiti brže, učinkovitije i za djelić cijene.

Sad sam skoro gotov. Pohađao sam mnoge tečajeve vezane uz znanost podataka i revidirao dijelove mnogih drugih. Znam mogućnosti koje postoje i koje su vještine potrebne učenicima koji se pripremaju za ulogu analitičara podataka ili uloge znanstvenika podataka.Tako sam započeo s izradom vodiča vođenog pregledom koji preporučuje najbolje tečajeve za svaki predmet u znanosti o podacima.

Za prvi vodič u seriji, početniku znanstveniku podataka preporučio sam nekoliko klasa kodiranja. Tada su to bile statistike i klase vjerojatnosti. Zatim uvod u znanost o podacima. Također, vizualizacija podataka.

Sada na strojno učenje.

Za ovaj vodič proveo sam desetak sati pokušavajući identificirati svaki internetski tečaj strojnog učenja koji se nudi od svibnja 2017. godine, izvlačeći ključne dijelove informacija iz njihovih programa i recenzija i sastavljajući njihove ocjene. Krajnji cilj mi je bio identificirati tri najbolja dostupna tečaja i predstaviti vam ih u nastavku.

Za ovaj zadatak obratio sam se nikome osim zajednici Class Central s otvorenim kodom i njenoj bazi podataka s tisućama ocjena i recenzija tečaja.

Od 2011. godine osnivač Class Central Dhawal Shah pažljivije prati mrežne tečajeve nego vjerojatno bilo tko drugi na svijetu. Dhawal mi je osobno pomogao sastaviti ovaj popis resursa.

Kako smo odabrali tečajeve za razmatranje

Svaki tečaj mora odgovarati tri kriterija:

  1. Mora imati značajnu količinu sadržaja strojnog učenja. Idealno je da je strojno učenje primarna tema.Imajte na umu da su tečajevi samo za duboko učenje isključeni. O tome više kasnije.
  2. Mora biti na zahtjev ili se nudi svakih nekoliko mjeseci.
  3. To mora biti interaktivni internetski tečaj, tako da nema knjiga ili vodiča samo za čitanje . Iako su to održivi načini učenja, ovaj se vodič fokusira na tečajeve. Izuzeti su i tečajevi koji su strogo videozapisi (tj. Bez kvizova, zadataka itd.).

Vjerujemo da smo pokrili sve značajne tečajeve koji odgovaraju gore navedenim kriterijima. Budući da na Udemyju postoje naizgled stotine tečajeva, odlučili smo razmotriti samo one najpregledanije i najbolje ocijenjene.

Uvijek postoji šansa da smo nešto propustili. Stoga nas obavijestite u odjeljku za komentare ako smo izostavili dobar tečaj.

Kako smo ocjenjivali tečajeve

Za izračunavanje ponderirane prosječne ocjene za svaki tečaj sastavili smo prosječne ocjene i broj recenzija s Class Central i drugih web mjesta s recenzijama. Čitali smo tekstualne preglede i koristili ove povratne informacije kako bismo nadopunili brojčane ocjene.

Napravili smo subjektivne pozive prema prosudbama na temelju tri čimbenika:

  1. Objašnjenje tijeka rada strojnog učenja. Iznosi li tečaj korake potrebne za provođenje uspješnog ML projekta? Pogledajte što slijedi u tipičnom tijeku rada.
  2. Obuhvat tehnika i algoritama strojnog učenja. Jesu li obuhvaćene razne tehnike (npr. Regresija, klasifikacija, klasterizacija, itd.) I algoritmi (npr. Unutar klasifikacije: naivni Bayes, stabla odlučivanja, strojevi s vektorima podrške, itd.) Ili samo nekolicina odabranih? Prednost imaju tečajevi koji pokrivaju više, a da se ne štedi na detaljima.
  3. Korištenje zajedničkih alata znanosti i alata za strojno učenje. Predaje li se tečaj pomoću popularnih programskih jezika kao što su Python, R i / ili Scala? Što kažete na popularne knjižnice na tim jezicima? Oni nisu potrebni, ali korisni pa se tim tečajevima daje mala prednost.

Što je strojno učenje? Što je tijek rada?

Popularna definicija potječe od Arthura Samuela 1959. godine: strojno učenje je podpolje računalne znanosti koje "računalima daje mogućnost učenja bez izričitog programiranja". U praksi to znači razvoj računalnih programa koji mogu prognozirati na temelju podataka. Kao što ljudi mogu učiti iz iskustva, tako to mogu i računala, gdje su podaci = iskustvo.

Tok rada strojnog učenja proces je potreban za provođenje projekta strojnog učenja. Iako se pojedini projekti mogu razlikovati, većina tijekova posla dijeli nekoliko uobičajenih zadataka: procjenu problema, istraživanje podataka, predobrada podataka, obuka / testiranje / postavljanje modela itd. Ispod ćete pronaći korisnu vizualizaciju ovih temeljnih koraka:

Idealan tečaj predstavlja čitav proces i pruža interaktivne primjere, zadatke i / ili kvizove u kojima studenti mogu sami obaviti svaki zadatak.

Pokrivaju li ovi tečajevi duboko učenje?

Prvo, definirajmo duboko učenje. Evo sažetog opisa:

„Dubinsko učenje je podpolje strojnog učenja koje se bavi algoritmima nadahnutima strukturom i funkcijom mozga zvanim umjetne neuronske mreže.“ - Jason Brownlee iz Mastery Learning Mastery

Kao što se i moglo očekivati, dijelovi nekih tečajeva strojnog učenja sadrže sadržaje dubokog učenja. Međutim, odlučila sam ne uključiti tečajeve samo za duboko učenje. Ako ste posebno zainteresirani za dubinsko učenje, pokrivat ćemo vas sljedećim člankom:

Zaronite u duboko učenje s 12 besplatnih internetskih tečajeva

Svaki dan donosi nove naslove o tome kako duboko učenje mijenja svijet oko nas. Nekoliko primjera: medium.freecodecamp.com

Moje tri najbolje preporuke s tog popisa bile bi:

  • Kreativne primjene dubokog učenja s TensorFlowomod Kadenzea
  • Neuronske mreže za strojno učenje Sveučilišta u Torontu (predavao Geoffrey Hinton) putem Coursere
  • Dubinsko učenje AZ ™: Praktične umjetne neuronske mreže

    Kirill Eremenko, Hadelin de Ponteves i SuperDataScience Team putem Udemyja

Preporučeni preduvjeti

Nekoliko dolje navedenih tečajeva traži od studenata prethodno iskustvo u programiranju, računanju, linearnoj algebri i statistici. Ti su preduvjeti razumljivi s obzirom na to da je strojno učenje napredna disciplina.

Nedostaje vam nekoliko predmeta? Dobre vijesti! Dio ovog iskustva može se steći kroz naše preporuke u prva dva članka (programiranje, statistika) ovog Vodiča za karijeru u znanosti znanosti. Nekoliko najbolje rangiranih tečajeva u nastavku također pruža osvježavajuće računske i linearne algebre te naglašava aspekte koji su najrelevantniji za strojno učenje za one manje poznate.

Naš izbor za najbolji tečaj strojnog učenja je ...

  • Strojno učenje (Sveučilište Stanford putem Coursere)

Strojno učenje Sveučilišta Stanford na Courseri očito je trenutačni pobjednik u pogledu ocjena, recenzija i prilagođenosti nastavnog plana. Podučavao je poznati Andrew Ng, osnivač Google Braina i bivši glavni znanstvenik u Baiduu, ovo je klasa koja je potaknula osnivanje Coursere. Ima ponderiranu prosječnu ocjenu s 4,7 zvjezdice u odnosu na 422 recenzije.

Izdan 2011. godine, pokriva sve aspekte tijeka rada strojnog učenja. Iako ima manji opseg od izvorne klase Stanford na kojoj se temelji, još uvijek uspijeva pokriti velik broj tehnika i algoritama. Procijenjeni vremenski slijed je jedanaest tjedana, s dva tjedna posvećena neuronskim mrežama i dubokom učenju. Dostupne su besplatne i plaćene opcije.

Ng je dinamičan, ali nježan instruktor s opipljivim iskustvom. Pobuđuje samopouzdanje, posebno kada dijeli praktične savjete o primjeni i upozorenja o uobičajenim zamkama. Osigurano je osvježavanje linearne algebre i Ng ističe aspekte računa najvažnije za strojno učenje.

Ocjenjivanje je automatsko i vrši se putem kvizova s ​​više izbora koji prate svaku lekciju i programske zadatke. Zadaci (ima ih osam) mogu se izvršiti u MATLAB-u ili Octave, što je verzija MATLAB-a s otvorenim kodom. Ng objašnjava svoj izbor jezika:

U prošlosti sam pokušavao podučavati strojno učenje pomoću velikog broja različitih programskih jezika, uključujući C ++, Java, Python, NumPy i Octave ... A ono što sam vidio nakon što sam gotovo desetljeće predavao strojnom učenju je da učite puno brže ako koristite Octave kao svoje programsko okruženje.

Iako su Python i R vjerojatno uvjerljiviji izbor u 2017. godini s povećanom popularnošću tih jezika, recenzenti napominju da vas to ne bi trebalo spriječiti da pohađate tečaj.

Nekoliko istaknutih recenzenata primijetilo je sljedeće:

Dugogodišnji poznat u svijetu MOOC-a, Stanfordov tečaj strojnog učenja zaista je konačni uvod u ovu temu. Tečaj općenito pokriva sva glavna područja strojnog učenja ... Prof. Ng prethodi svakom segmentu motivacijskom raspravom i primjerima.

Andrew Ng nadaren je učitelj i sposoban je objasniti komplicirane predmete na vrlo intuitivan i jasan način, uključujući matematiku koja stoji iza svih koncepata. Preporučuje se.

Jedini problem koji vidim s ovim tečajem jest da postavlja traku očekivanja vrlo visoko za ostale tečajeve.

Novo predstavljanje Ivy League s briljantnim profesorom

  • Strojno učenje (Sveučilište Columbia putem edX)

Strojno učenje sveučilišta Columbia relativno je nova ponuda koja je dio njihovog MicroMastersa s umjetnom inteligencijom na edX-u. Iako je noviji i nema velik broj recenzija, oni koje ima izuzetno su jaki. Profesor John Paisley zapažen je kao briljantan, jasan i pametan. Ima ponderiranu prosječnu ocjenu s 4,8 zvjezdice u 10 recenzija.

Tečaj također pokriva sve aspekte tijeka strojnog učenja i više algoritama od gornje ponude Stanforda. Columbia's je napredniji uvod, a recenzenti napominju da bi studenti trebali biti zadovoljni preporučenim preduvjetima (račun, linearna algebra, statistika, vjerojatnost i kodiranje).

Kvizovi (11), zadaci iz programiranja (4) i završni ispit načini su ocjenjivanja. Studenti mogu koristiti Python, Octave ili MATLAB za dovršavanje zadataka. Ukupni predviđeni vremenski raspored tečaja je osam do deset sati tjedno tijekom dvanaest tjedana. Besplatno je s verificiranim certifikatom dostupnim za kupnju.

Ispod je nekoliko gore spomenutih blistavih recenzija:

Tijekom svih svojih [studentskih] godina nailazio sam na profesore koji nisu briljantni, profesore koji su briljantni, ali ne znaju jasno objasniti stvari, te profesore koji su briljantni i znaju kako to objasniti jasno. Doktor Paisley pripada trećoj skupini.

Ovo je sjajan tečaj ... Jezik instruktora je precizan i to je, po mom mišljenju, jedna od najjačih točaka tečaja. Predavanja su kvalitetna, a i dijapozitivi su izvrsni.

Dr. Paisley i njegov nadzornik su ... studenti Michaela Jordana, oca strojnog učenja. [Dr. Paisley] je najbolji profesor ML na Columbiji zbog svoje sposobnosti da jasno objasni stvari. Ovaj je semestar odabralo njegov tečaj do 240 studenata, najveći broj među svim profesorima [podučavanjem] strojnog učenja na Columbiji.

Praktični uvod u Python & R stručnjaka iz industrije

  • Strojno učenje AZ ™: Praktični Python i R u znanosti o podacima (Kirill Eremenko, Hadelin de Ponteves i SuperDataScience tim putem Udemyja)

Strojno učenje AZ ™ na Udemyu impresivno je detaljna ponuda koja nudi poduku i na Pythonu i na R, što je rijetko i ne može se reći za bilo koji drugi vrhunski tečaj. Prosječnu ocjenu s 4,5 zvjezdice ima preko 8.119 recenzija, što ga čini najpregledanijim tijekom svih razmatranih.

Obuhvaća čitav tijek rada strojnog učenja i gotovo smiješan (na dobar način) broj algoritama kroz 40,5 sati videozapisa na zahtjev. Tečaj ima primjenjiviji pristup i matematički je lakši od gornja dva tečaja. Svaki odjeljak započinje "intuicijskim" videom Eremenka koji sažima temeljnu teoriju koncepta koji se podučava. de Ponteves zatim prošeće kroz implementaciju s odvojenim video zapisima za Pythona i R.

Kao „bonus“, tečaj uključuje predloške Python i R koda koje studenti mogu preuzeti i koristiti na vlastitim projektima. Postoje kvizovi i izazovi za domaće zadaće, iako to nisu jače strane tečaja.

Eremenko i tim SuperDataScience poštuju se zbog njihove sposobnosti da "kompleks učine jednostavnim". Također, navedeni preduvjeti su "samo neke matematike u srednjoj školi", pa bi ovaj tečaj mogao biti bolja opcija za one koji su zastrašeni ponudama Stanforda i Columbije.

Nekoliko istaknutih recenzenata primijetilo je sljedeće:

Tečaj je proizveden profesionalno, kvaliteta zvuka je izvrsna, a objašnjenja su jasna i sažeta ... To je nevjerojatna vrijednost za vaše financijske i vremenske investicije.

Bilo je spektakularno moći istovremeno pratiti tečaj na dva različita programska jezika.

Kirill je jedan od apsolutno najboljih predavača na Udemyju (ako ne i na Internetu) i preporučujem pohađanje bilo koje nastave koju predaje. ... Ovaj tečaj ima hrpu sadržaja, poput tone!

Natjecanje

Naš prvi odabir imao je ponderiranu prosječnu ocjenu 4,7 od 5 zvjezdica tijekom 422 recenzije. Pogledajmo ostale mogućnosti poredane po opadajućoj ocjeni. Podsjetnik da tečajevi samo za duboko učenje nisu uključeni u ovaj vodič - možete ih pronaći ovdje.

Analytics Edge (Massachusetts Institute of Technology / edX): Više je usredotočen na analitiku općenito, iako pokriva nekoliko tema strojnog učenja. Koristi R. snažnu naraciju koja koristi poznate primjere iz stvarnog svijeta. Izazovno. Deset do petnaest sati tjedno tijekom dvanaest tjedana. Besplatno s ovjerenim certifikatom dostupnim za kupnju. Ima ponderiranu prosječnu ocjenu s 4,9 zvjezdice u odnosu na 214 recenzija.

Python za nauku podataka i strojno učenje Bootcamp (Jose Portilla / Udemy): Sadrži velike dijelove sadržaja strojnog učenja, ali pokriva cijeli proces znanosti o podacima. Još vrlo detaljan uvod u Python. Nevjerojatan tečaj, iako nije idealan za opseg ovog vodiča. 21,5 sati videozapisa na zahtjev. Cijena varira ovisno o udemy popustima, koji su česti. Prosječnu ocjenu s 4,6 zvjezdice ima preko 3316 recenzija.

Nauka podataka i strojno učenje Bootcamp s R (Jose Portilla / Udemy): Komentari ovdje navedenog Portillinog tečaja vrijede i ovdje, osim R. 17,5 sati videozapisa na zahtjev. Cijena varira ovisno o udemy popustima, koji su česti. Prosječnu ponderiranu ocjenu s 4,6 zvjezdice ima više od 1317 recenzija.

Serija strojnog učenja (Lazy Programmer Inc./Udemy): Podučen od strane znanstvenika podataka / inženjera velikih podataka / softverskog inženjera s punim hrpama s impresivnim životopisom, Lazy Programmer trenutno ima seriju od 16 tečajeva o Udemyu usmjerenih na strojno učenje. Ukupno tečajevi imaju više od 5000 ocjena, a gotovo svi imaju 4,6 zvjezdica. Korisno naručivanje tečaja nalazi se u opisu svakog pojedinog tečaja. Koristi Python. Cijena varira ovisno o udemy popustima, koji su česti.

Strojno učenje (Georgia Tech / Udacity): Kompilacija tri zasebna tečaja: Nadzirano, Nenadzirano i Pojačano učenje. Dio je Udacity-ovog inženjera za strojno učenje Nanodegree i Georgia Tech's Online Master's Degree (OMS). Videozapisi veličine zalogaja, kao što je to stil Udacityja. Ljubazni profesori. Procijenjeni rok od četiri mjeseca. Besplatno. Ima ponderiranu prosječnu ocjenu s 4,56 zvjezdica tijekom 9 recenzija.

Implementacija prediktivne analitike s Sparkom u Azure HDInsight (Microsoft / edX): uvodi temeljne koncepte strojnog učenja i razne algoritme. Iskorištava nekoliko velikih alata prilagođenih podacima, uključujući Apache Spark, Scala i Hadoop. Koristi i Python i R. Četiri sata tjedno tijekom šest tjedana. Besplatno s ovjerenim certifikatom dostupnim za kupnju. Ima ponderiranu prosječnu ocjenu s 4,5 zvjezdice tijekom 6 recenzija.

Znanost podataka i strojno učenje s Pythonom - Ruke naprijed! (Frank Kane / Udemy): Koristi Python. Kane ima devet godina iskustva u Amazonu i IMDb-u. Devet sati videozapisa na zahtjev. Cijena varira ovisno o udemy popustima, koji su česti. Prosječnu ocjenu s 4,5 zvjezdice ima preko 4139 recenzija.

Scala i Spark za velike podatke i strojno učenje (Jose Portilla / Udemy): “Big data” fokus, posebno na implementaciji u Scali i Sparku. Deset sati videozapisa na zahtjev. Cijena varira ovisno o udemy popustima, koji su česti. Prosječnu ocjenu s 4,5 zvjezdice ima preko 607 recenzija.

Nanodegree inženjera strojnog učenja (Udacity): vodeći Udacity-ov program strojnog učenja koji sadrži najbolji sustav za pregled projekata u svojoj klasi i podršku karijeri. Program je kompilacija nekoliko pojedinačnih tečajeva Udacity, koji su besplatni. Sukreirao Kaggle. Procijenjeni rok od šest mjeseci. Trenutno košta $ 199 USD mjesečno, a 50% povrata školarine dostupno je onima koji diplomiraju u roku od 12 mjeseci. Ima ponderiranu prosječnu ocjenu s 4,5 zvjezdice tijekom 2 recenzije.

Učenje iz podataka (uvodno strojno učenje) (Kalifornijski institut za tehnologiju / edX): Upis je trenutno zatvoren na edX, ali je dostupan i putem neovisne platforme CalTech (vidi dolje). Ima ponderiranu prosječnu ocjenu s 4,49 zvjezdice u 42 recenzije.

Učenje iz podataka (uvodno strojno učenje) (Yaser Abu-Mostafa / Kalifornijski tehnološki institut): „Pravi tečaj Caltecha, a ne razvodnjena verzija.“ Recenzije napominju da je izvrstan za razumijevanje teorije strojnog učenja. Profesor Yaser Abu-Mostafa popularan je među studentima i napisao je udžbenik na kojem se temelji ovaj tečaj. Videozapisi su snimljena predavanja (s predavanjima koja preklapaju sliku u slici) preneseni na YouTube. Domaće zadaće su .pdf datoteke. Iskustvo tečaja za internetske studente nije uglađeno kao tri najbolje preporuke. Ima ponderiranu prosječnu ocjenu s 4,43 zvjezdice tijekom 7 recenzija.

Rudarstvo masivnih skupova podataka (Sveučilište Stanford): Strojno učenje s fokusom na „velike podatke“. Predstavlja moderne distribuirane sustave datoteka i MapReduce. Deset sati tjedno tijekom sedam tjedana. Besplatno. Ima ponderiranu prosječnu ocjenu s 4,4 zvjezdice tijekom 30 recenzija.

AWS strojno učenje: cjelovit vodič s Pythonom (Chandra Lingam / Udemy): jedinstveni fokus na strojno učenje temeljeno na oblaku i posebno na Amazon Web Services. Koristi Python. Devet sati videozapisa na zahtjev. Cijena varira ovisno o udemy popustima, koji su česti. Prosječnu ocjenu s 4,4 zvjezdice ima 62 recenzije.

Uvod u strojno učenje i prepoznavanje lica u Pythonu (Holczer Balazs / Udemy): Koristi Python. Osam sati videozapisa na zahtjev. Cijena varira ovisno o udemy popustima, koji su česti. Prosječnu ocjenu s 4,4 zvjezdice ima 162 recenzije.

StatLearning: Statističko učenje (Sveučilište Stanford): Na temelju izvrsnog udžbenika "Uvod u statističko učenje s aplikacijama u R", a predavali su ga profesori koji su ga napisali. Recenzenti primjećuju da MOOC nije tako dobar kao knjiga, navodeći "tanke" vježbe i osrednje videozapise. Pet sati tjedno tijekom devet tjedana. Besplatno. Ima ponderiranu prosječnu ocjenu s 4,35 zvjezdice u 84 recenzije.

Specijalizacija za strojno učenje (Sveučilište u Washingtonu / Coursera): Odlični tečajevi, ali posljednja dva razreda (uključujući glavni projekt) su otkazana. Recenzenti napominju da je ova serija probavljivija (čitaj: lakša za one bez jakog tehničkog podrijetla) od ostalih vrhunskih tečajeva strojnog učenja (npr. Stanfordova ili Caltechovih). Imajte na umu da serija nije kompletna sa sustavima preporuka, dubokim učenjem i nedostaje sažetak. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 4,51 zvjezdice s više od 80 recenzija.

Od 0 do 1: Strojno učenje, NLP i Python-Cut to the Chase (Loony Corn / Udemy): "Prizemni, sramežljivi, ali samopouzdani preuzimaju tehnike strojnog učenja." Poučava ih tim od četiri osobe s desetljećima zajedničkog iskustva u industriji. Koristi Python. Cijena varira ovisno o udemy popustima, koji su česti. Ima ponderiranu prosječnu ocjenu s 4,2 zvjezdice s više od 494 recenzije.

Principi strojnog učenja (Microsoft / edX): koristi R, Python i Microsoft Azure strojno učenje. Dio certifikata Microsoftova profesionalnog programa za znanost o podacima. Tri do četiri sata tjedno tijekom šest tjedana. Besplatno s ovjerenim certifikatom dostupnim za kupnju. Ima ponderiranu prosječnu ocjenu s 4,09 zvjezdice u 11 ocjena.

Veliki podaci: Statističko zaključivanje i strojno učenje (Queensland University of Technology / FutureLearn): Lijep, kratki istraživački tečaj strojnog učenja s naglaskom na velike podatke. Obuhvaća nekoliko alata poput R, H2O Flow i WEKA. Trajala su samo tri tjedna uz preporučena dva sata tjedno, ali jedan je recenzent primijetio da bi bilo primjerenije šest sati tjedno. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 4 zvjezdice tijekom 4 recenzije.

Znanost i klasterizacija genomskih podataka (Bioinformatics V) (Sveučilište Kalifornija, San Diego / Coursera): Za one koji su zainteresirani za sjecište računalne znanosti i biologije i kako ona predstavlja važnu granicu u modernoj znanosti. Fokusira se na nakupljanje i smanjenje dimenzionalnosti. Dio UCSD-ove specijalizacije za bioinformatiku. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 4 zvjezdice tijekom 3 recenzije.

Uvod u strojno učenje (Udacity): Daje prednost širini teme i praktičnim alatima (na Pythonu) nad dubinom i teorijom. Instruktori, Sebastian Thrun i Katie Malone, čine ovaj sat tako zabavnim. Sastoji se od videozapisa i kvizova veličine zalogaja, nakon kojih slijedi mini projekt za svaku lekciju. Trenutno dio Udacity-ovog Nanodegree analitičara podataka. Procijenjeni vremenski okvir od deset tjedana. Besplatno. Ima ponderiranu prosječnu ocjenu s 3,95 zvjezdice u 19 recenzija.

Strojno učenje za analizu podataka (Sveučilište Wesleyan / Coursera): Kratko uvodno strojno učenje i nekoliko odabranih algoritama. Obuhvaća stabla odlučivanja, slučajne šume, laso regresiju i k-znači grupiranje. Dio Wesleyanove specijalizacije za analizu podataka i tumačenje. Procijenjeni vremenski okvir od četiri tjedna. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 5 zvjezdica s 5 ocjena.

Programiranje s Pythonom za znanost o podacima (Microsoft / edX): Proizveo Microsoft u partnerstvu s Coding Dojo. Koristi Python. Osam sati tjedno tijekom šest tjedana. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 3,46 zvjezdica tijekom 37 recenzija.

Strojno učenje za trgovanje (Georgia Tech / Udacity): Fokusira se na primjenu vjerojatnosnih pristupa strojnom učenju na odluke o trgovanju. Koristi Python. Dio je Udacity-ovog inženjera za strojno učenje Nanodegree i Georgia Tech's Online Master's Degree (OMS). Procijenjeni rok od četiri mjeseca. Besplatno. Ima ponderiranu prosječnu ocjenu s 3,29 zvjezdice u 14 recenzija.

Praktično strojno učenje (Sveučilište Johns Hopkins / Coursera): Kratki, praktični uvod u brojne algoritme strojnog učenja. Nekoliko recenzija s jednom / dvije zvjezdice koje izražavaju razne probleme. Dio JHU-ove specijalizacije za znanost o podacima. Četiri do devet sati tjedno tijekom četiri tjedna. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 3,11 zvjezdice u 37 recenzija.

Strojno učenje za znanost i analitiku podataka (Sveučilište Columbia / edX): Predstavlja širok spektar tema strojnog učenja. Neke strastvene negativne kritike sa zabrinutostima, uključujući odabir sadržaja, nedostatak programskih zadataka i neinspirativno predstavljanje. Sedam do deset sati tjedno tijekom pet tjedana. Besplatno s ovjerenim certifikatom dostupnim za kupnju. Ima ponderiranu prosječnu ocjenu s 2,74 zvjezdice tijekom 36 recenzija.

Specijalizacija sustava preporučivača (Sveučilište Minnesota / Coursera): Snažni fokus jedne specifične vrste strojnog učenja - sustavi preporučivača. Specijalizacija od četiri kolegija i glavni projekt, što je studija slučaja. Poučava se korištenju LensKit-a (alata otvorenog koda za sustave koji preporučuju). Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 2 zvjezdice tijekom 2 recenzije.

Strojno učenje s velikim podacima (Sveučilište u Kaliforniji, San Diego / Coursera): Užasne kritike koje ističu lošu poduku i ocjenu. Neki su primijetili da su im trebali čitavi sati da završe cijeli tečaj. Dio UCSD-ove specijalizacije za velike podatke. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 1,86 zvjezdica u 14 recenzija.

Praktična prediktivna analitika: modeli i metode (University of Washington / Coursera): Kratki uvod u temeljne koncepte strojnog učenja. Jedan je recenzent primijetio da nedostaje kvizova i da zadaci nisu izazovni. Dio UW-ove znanosti o znanosti na skali specijalizacije. Šest do osam sati tjedno tijekom četiri tjedna. Dostupne besplatne i plaćene opcije. Ima ponderiranu prosječnu ocjenu s 1,75 zvjezdice tijekom 4 recenzije.

Sljedeći su tečajevi imali jednu ili nijednu recenziju od svibnja 2017.

Strojno učenje za glazbenike i umjetnike (Goldsmiths, Sveučilište u Londonu / Kadenze): Jedinstveno. Studenti uče algoritme, softverske alate i najbolje prakse strojnog učenja kako bi shvatili ljudsku gestu, glazbeni audio i druge podatke u stvarnom vremenu. Dužina sedam sesija. Dostupne su opcije revizije (besplatno) i premije (10 USD mjesečno). Ima jednu recenziju s 5 zvjezdica.

Primijenjeno strojno učenje u Pythonu (Sveučilište u Michiganu / Coursera): Poučava se korištenju Pythona i scikit alata za učenje. Dio primijenjene znanosti o znanosti sa specijalizacijom za Python. Predviđeno da započne 29. svibnja. Dostupne besplatne i plaćene opcije.

Primijenjeno strojno učenje (Microsoft / edX): Podučava se pomoću različitih alata, uključujući Python, R i Microsoft Azure Strojno učenje (napomena: Microsoft izrađuje tečaj). Uključuje praktične laboratorije za pojačavanje sadržaja predavanja. Tri do četiri sata tjedno tijekom šest tjedana. Besplatno s ovjerenim certifikatom dostupnim za kupnju.

Strojno učenje s Pythonom (Sveučilište velikih podataka): Poučava se korištenju Pythona. Ciljano prema početnicima. Predviđeno vrijeme završetka od četiri sata. Sveučilište velikih podataka povezano je s IBM-om. Besplatno.

Strojno učenje s Apache SystemML (Sveučilište velikih podataka): Podučava se pomoću Apache SystemML-a, koji je deklarativni jezik stila dizajniran za veliko strojno učenje. Predviđeno vrijeme završetka od osam sati. Sveučilište velikih podataka povezano je s IBM-om. Besplatno.

Strojno učenje za podatkovnu znanost (Sveučilište u Kaliforniji, San Diego / edX): Pokreće se tek u siječnju 2018. Primjeri programiranja i zadaci nalaze se na Pythonu, koristeći Jupyterove bilježnice. Osam sati tjedno tijekom deset tjedana. Besplatno s ovjerenim certifikatom dostupnim za kupnju.

Uvod u modeliranje analitike (Georgia Tech / edX): Predmet reklamira R kao svoj primarni alat za programiranje. Pet do deset sati tjedno tijekom deset tjedana. Besplatno s ovjerenim certifikatom dostupnim za kupnju.

Prediktivna analitika: Sticanje uvida iz velikih podataka (Tehnološko sveučilište Queensland / FutureLearn): Kratki pregled nekoliko algoritama. Kao primijenjeni alat koristi platformu Vertica Analytics tvrtke Hewlett Packard Enterprise. Datum početka bit će objavljen. Dva sata tjedno tijekom četiri tjedna. Besplatno s potvrdom o postignuću dostupnom za kupnju.

Uvod u strojno učenje (Universitas Telefónica / Miríada X): Predaje se na španjolskom. Uvod u strojno učenje koji obuhvaća učenje pod nadzorom i bez nadzora. Ukupno dvadeset procijenjenih sati tijekom četiri tjedna.

Korak puta strojnog učenja (Dataquest): podučava se u Pythonu koristeći interaktivnu platformu pretraživača Dataquest. Višestruko vođeni projekti i „plus“ projekt gdje gradite vlastiti sustav strojnog učenja koristeći vlastite podatke. Potrebna pretplata.

Sljedećih šest tečajeva nudi DataCamp. Hibridni stil podučavanja DataCampa koristi video i tekstualne upute s puno primjera kroz uređivač koda u pregledniku. Za potpuni pristup svakom tečaju potrebna je pretplata.

Uvod u strojno učenje (DataCamp): Obuhvaća algoritme klasifikacije, regresije i klasterizacije. Koristi R. Petnaest videozapisa i 81 vježbu s predviđenim vremenskim okvirom od šest sati.

Nadzirano učenje s scikit-learn (DataCamp): koristi Python i scikit-learn. Obuhvaća algoritme klasifikacije i regresije. Sedamnaest videozapisa i 54 vježbe s predviđenim vremenskim okvirom od četiri sata.

Učenje bez nadzora u R (DataCamp): Pruža osnovni uvod u klasteriranje i smanjenje dimenzionalnosti u R. Šesnaest videozapisa i 49 vježbi s predviđenim vremenskim okvirom od četiri sata.

Alat za strojno učenje (DataCamp): podučava „velike ideje“ u strojnom učenju. Koristi R. 24 videozapisa i 88 vježbi s predviđenim vremenskim okvirom od četiri sata.

Strojno učenje sa stručnjacima: Školski proračuni (DataCamp): Studija slučaja iz natjecanja u strojnom učenju na DrivenData. Uključuje izgradnju modela za automatsko razvrstavanje stavki u školski proračun. Preduvjet je DataCamp-ovo "Nadzirano učenje s scikit-learn". Petnaest videozapisa i 51 vježba s predviđenim vremenskim okvirom od četiri sata.

Nenadzirano učenje u Pythonu (DataCamp): Pokriva razne algoritme nenadgledanog učenja koji koriste Python, scikit-learn i scipy. Tečaj završava polaznicima koji grade sustav preporuka za preporuku popularnih glazbenih umjetnika. Trinaest videozapisa i 52 vježbe s predviđenim vremenskim okvirom od četiri sata.

Strojno učenje (Tom Mitchell / Sveučilište Carnegie Mellon): diplomski uvodni tečaj strojnog učenja Carnegie Mellon. Preduvjet za njihov drugi postdiplomski tečaj, "Statističko strojno učenje". Zalijepljena sveučilišna predavanja s problemima iz prakse, domaćim zadacima i srednjoročnim planom (sve s rješenjima) objavljenim na mreži. Postoji i verzija tečaja iz 2011. godine. CMU je jedna od najboljih postdiplomskih škola za proučavanje strojnog učenja i ima čitav odjel posvećen ML-u. Besplatno.

Statističko strojno učenje (Larry Wasserman / Sveučilište Carnegie Mellon): Vjerojatno najnapredniji tečaj u ovom vodiču. Nastavak tečaja strojnog učenja Carnegie Mellon. Zalijepljena sveučilišna predavanja s problemima iz prakse, domaćim zadacima i srednjoročnim planom (sve s rješenjima) objavljenim na mreži. Besplatno.

Preddiplomsko strojno učenje (Nando de Freitas / Sveučilište Britanske Kolumbije): Preddiplomski tečaj strojnog učenja. Predavanja se snimaju i stavljaju na YouTube s dijapozitivima objavljenim na web mjestu tečaja. Objavljuju se i zadaci na tečaju (iako nema rješenja). de Freitas je sada redoviti profesor na Sveučilištu Oxford i na raznim forumima prima pohvale za svoje nastavničke sposobnosti. Dostupna verzija za postdiplomske studije (vidi dolje).

Strojno učenje (Nando de Freitas / Sveučilište Britanske Kolumbije): Diplomirani tečaj strojnog učenja. Ovdje se primjenjuju i komentari na de Freitasovom dodiplomskom tečaju (gore).

Omotavanje

Ovo je peta od šest dijelova koji pokriva najbolje mrežne tečajeve za pokretanje u polju znanosti o podacima. Programiranje smo pokrili u prvom članku, statistiku i vjerojatnost u drugom članku, uvod u znanost o podacima u trećem članku i vizualizaciju podataka u četvrtom.

Na Internetu sam rangirao svaki tečaj Uvoda u znanost o podacima na temelju tisuća podataka

Prije godinu dana odustao sam od jednog od najboljih programa informatike u Kanadi. Počeo sam stvarati vlastite podatke ...

Završni dio bit će sažetak tih članaka, plus najbolji mrežni tečajevi za druge ključne teme kao što su premetanje podataka, baze podataka, pa čak i softverski inženjering.

Ako tražite cjelovit popis mrežnih tečajeva znanosti znanosti, možete ih pronaći na stranici predmeta Data Science i Big Data Class Central.

Ako ste uživali čitati ovo, pogledajte neke druge dijelove Class Central:

Evo 250 tečajeva Ivy League koje trenutno možete besplatno pohađati na mreži

250 MOOC-a iz Browna, Columbije, Cornella, Dartmoutha, Harvarda, Penna, Princetona i Yalea.

50 najboljih besplatnih internetskih sveučilišnih tečajeva prema podacima

Kad sam u studenom 2011. pokrenuo Class Central, bilo je oko 18 besplatnih internetskih tečajeva i gotovo svi ...

Ako imate prijedloge za tečajeve koje sam propustio, javite mi u odgovorima!

Ako vam je ovo korisno, kliknite? pa će ga ovdje vidjeti više ljudi na Mediumu.

Ovo je sažeta verzija mog izvornog članka objavljenog na Class Central, gdje sam uključio detaljne programe kolegija.