学习机器学习和数据科学必看的十个资源

秋招已进入尾声，互联网行业也逐渐进入冬天，很多大厂都传来了缩招或停止招聘的讯息。但由一些岗位仍然是求贤若渴，即人工智能、大数据行业。在近日的世界互联网大会上，这两个也是热门话题，可以预见到，这些行业在未来的十年里都是比较热门的。可以说，谁掌握了数据和人工智能，它就掌握了未来。因此，对于那些还在犹豫是否进入这一领域的人来说，在掌握一门傍身技能的同时，如果不想在之后的时代里落伍，那就赶紧补充这方面的技能吧。网上关于这方面的学习资源有很多，让人无从下手。本文总结了一系列免费的机器学习和数据科学课程，方便读者在这个冬天及行业冬天里补充和提升自己。课程范围涵盖入门机器学习（Machine Learning）、深度学习（Deep Learning）及自然语言处理（NLP）等。如果在阅读此列表后，你还有些其它好的学习资料，可以在下面的留言栏给出相关的学习链接。

1. 计算思维和数据科学简介|MIT

6.0002是6.0001计算机科学和Python编程简介的延续，适用于编程经验很少或没有编程经验的学生。它旨在让学生了解计算在解决问题方面可以发挥的作用，并让其对自己有所帮助。无论属于什么专业，他们都有理由相信他们能够编写出一些小程序，使其能够实现一些有用的目标。本教程使用Python3.5。

2. 机器学习|Stanford

本课程提供机器学习和统计模式识别的基础介绍。主要主题包括：监督学习（生成/判别学习、参数/非参数学习、神经网络、支持向量机）; 无监督学习（聚类、降维、核方法）; 学习理论（偏差/方差权衡、VC理论、最大边缘）; 强化学习和自适应控制。本课程还将讨论机器学习的最新应用，例如机器人控制、数据挖掘、自主导航、生物信息学、语音识别以及文本和网页数据处理。

3. 针对编程者的机器学习简介|fast.ai

本课程有大约24小时学时，但如果你想完成所有的学习素材，你应该计划每周花大约8小时，为期12周。该课程是以旧金山大学数据科学硕士课程记录的笔记为基础。学习之前，本教程假设学习者具备至少一年的编码经验，如果你没有达到这个要求，那么需要复习一些高数中学到的知识，以及做一些额外的学习来更新掌握的知识。

4. 机器学习速成课程|Google

准备好开始实战机器学习了吗？通过速成课程的学习和应用一些基本的机器学习概念，以及在Kaggle竞赛中获得的真实的体验，或者访问Google AI学习来主页探索完整的学习资源库来进行机器学习实战。

5. 深度学习简介|MIT

本课程是一门深度学习方法入门课程，教程中涵盖机器翻译、图像识别、游戏、图像生成等应用场景。此外，本教程也是一个TensorFlow实验室和同行合作的课程，课程结束时可以提供一些项目建议，你回得到工作人员和行业赞助商小组的反馈。

6. 针对编程者的深度学习实战（part I）|fast.ai

欢迎阅读2018年版fast.ai的为期7周的课程，深度学习实战第1部分。该教程是由Enlitic的创始人杰里米·霍华德（Jeremy Howard）讲授。学习如何在不需要研究生水平数学知识的情况下建立最先进的模型，同时也不会疏忽任何事情，并且该学习社区有成千上万的其他学习者，在整个学习过程中，如果你有任何学习的问题需要帮助时，请前往forums.fast.ai，相信你的小伙伴们能够给予及时且准确的回答。请注意，本课程还有第二部分：针对编程者的深度学习实战（part II）。

7. 自然语言处理 |Yandex

该课程为期七周，分别讲述词嵌入、文本分类、语言模型、注意机制、最大期望以及机器翻译。

8. 从语言到信息|Stanford

在线世界以语言和社交网络的形式提供大量非结构化信息。本课程将教你学习如何理解它以及如何通过语言与人类互动，互动的形式不局限于回答，还包括提供建议等。

9. 实用强化学习|Yandex

• 出于好奇心：对于未详细介绍的所有材料，可以链接到更多相关信息和材料（D.Silver / Sutton / blogs / whatever）。如果你想深入挖掘，完成作业将将会有部分奖励。
• 出于实用性：解决强化学习问题所必需的知识都是值得一提。本课程不会避免涉及技巧和启发式。对于每个主要的想法，都应该有一次试验，通过实践让你在实际问题上“感受”它。

10. 针对编程者的计算线性代数| fast.ai

本课程的重点是以下问题：如何以可接受的速度和可接受的准确度进行矩阵计算？ 本课程于2017年夏季在旧金山大学的分析科学硕士课程中讲授。本课程使用Jupyter笔记本进行Python教学，使用Scikit-Learn和Numpy等大多数扩展库，以及Numba（将Python编译为C以获得更快性能的库）和PyTorch（GPU替代Numpy）。