盘点15个机器学习网络课程和文字教程

来源：sky2learn

编译：Bing

圣诞节过去，马上就到元旦了。想让你的假期充实一下吗？今天，论智将为大家介绍由机器学习领域知名研究者带来的15个机器学习课程。这些课程都是免费的，无需注册，学习时间可以自由安排。课程话题涵盖了决策树、朴素贝叶斯、逻辑回归、神经网络和深度学习、估计（estimation）、贝叶斯学习、支持向量机和核函数、聚类、无监督学习、Boosting、强化学习和学习理论。

如果你需要恶补一下机器学习所需的数学知识，可以观看CMU的杰夫·戈登（Geoff Gordon）教授的“机器学习的数学背景”这一课程（地址：https://www.youtube.com/playlist?list=PL7y-1rk2cCsAqRtWoZ95z-GMcecVG5mzA）。以下就是15个不容错过的在线课程~

《神经网络和机器学习介绍》by Geoffery E. Hinton

背景知识：微积分、代数、概率论、统计学

课程介绍：本课程使用“翻转课堂”的形式，与传统的课堂直接授课不同，你需要提前观看这套演讲视频，然后再到课堂中学习相关课程，这样才能有更多收获和讨论。Geoffrey Hinton将每个演讲录制成大约3个短视频，在第一个演讲上，他将会详细介绍学习这堂课的“正确姿势”。

课程地址：www.cs.toronto.edu/~tijmen/csc321/

《机器学习》by Ruslan Satakhutdinov

所需教材：Pattern Recognition and Machine Learning by Christopher Bishop（Springer，2006）

课程介绍：本课程涵盖机器学习统计方面的一些理论和方法。大致包括：1. 回归的线性方法；2. 分类的线性模型；3. 概率生成和判别模型；4. 正则化方法；5. 神经网络；6. 支持向量机；7. 混合模型和EM算法；8. 强化学习。

课程地址：www.cs.toronto.edu/~rsalakhu/CSC411/

《机器学习和模式识别》by Yann LeCun

背景知识：线性代数、向量微积分、基础统计学、概率论。由于本课程涉及算法实现，所以学习者必须具备良好的编程能力。

所需教材：

Pattern Recognition and Machine Learning by Christopher Bishop（Springer，2006）（必备）；

“Pattern Classification” Wiley-Interscience by Richard O. Duda, Peter E. Hart, David G. Stock（第二版，2000）（选读）；

Elements of Statistical Learning by T. Hastie, R. Tibshirani, and J. Friedman（Springer-Verlag，2001）（选读）；

Introduction to Machine Learning by Ethem Alpaydin（MIT出版社，2004）（选读）；

课程介绍：本课程涵盖机器学习、模式识别、统计建模和神经计算等各种主题，虽然涉及数学方法和理论，但主要侧重于算法和实际问题。课程目录大致包括：1. 归纳推理、学习和泛化的基础知识；2. 线性分类器：感知器、LMS、逻辑回归；3. 具有线性参数化的非线性分类器：基本函数方法、boosting、支持向量机；4. 多层神经网络，反向传播；5. 异构学习系统；6. 基于图形的序列模型；7. 无监督学习：密度估计、聚类和降维方法；8. 图形模型和因子图的介绍；9. 近似推理、抽样；10. 学习中的优化方法：基于梯度的方法、二阶方法、期望最大化；11. 目标函数：最大似然、最大后验、判别准则、最大余量；12. 偏差-方差困境、正则化、模型选择；13. 在视觉、语音、语言、预测和生物建模中的应用。

课程地址：cs.nyu.edu/~yann/2010f-G22-2565-001/index.html

《从数据中学习》by Yaser S. Abu-Mostafa

背景知识：概率论、矩阵论、微积分

所需教材：Learning From Data by Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin

课程介绍：本课程是机器学习的入门课程，涵盖基本的理论、算法和应用，它将理论与实践相结合，你将收获：1. 什么是学习？2. 机器可以学习吗？3. 怎样让机器学习？4. 如何让它做好？5. 课后作业。

《机器学习》by Kilian Weinberger

背景知识：建议对这门课有兴趣的同学先观看吴恩达的机器学习在线课程的前三周的内容。

所需教材：

Machine Learning：A Probabilistic Perspective by Kevin P. Murphy

Elements of Statistical Learning by T. Hastie, R. Tibshirani, and J. Friedman

课程介绍：本课程是为了介绍机器学习的相关知识，它将教给你基本的技能，以决定使用哪种学习算法来解决问题、编写学习算法并对其进行评估和调试。大概包括以下内容：1. 什么是机器学习？2. 最近邻居法；3. 感知器；4. 从数据估计概率；5. 朴素贝叶斯；6. 逻辑回归；7. 梯度下降；8. 线性回归；9. 线性支持向量机；10. 经验风险最小化；11. 偏差/方差权衡；16. ML调试，过度/欠拟合；17. 决策树、回归树；18. Bagging；19. Boosting；20. 深度学习。

课程地址：courses.cis.cornell.edu/cs4780/2017sp/

《机器学习》by Andrew Ng（吴恩达）

课程介绍：在本课程中，你将通过理论与实践结合的方式学到最有效的机器学习技巧，并收获相关经验。还会了解硅谷在相关方面的最佳实践案例。本课程将对机器学习、数据挖掘和统计模式识别的进行广泛的介绍，主题包括：1. 监督学习（参数/非参数算法、支持向量机、内核、神经网络）；2. 无监督学习（聚类、降维、推荐系统、深度学习）；3. 机器学习的最佳实践案例（偏差/方差理论、机器学习和人工智能的创新过程）。本课程还将总结大量的案例研究和应用，以便学习如何将学习算法应用于机器人的创造、文本理解、计算机视觉、医疗信息、音频、数据库挖掘等领域。

课程地址：www.coursera.org/learn/machine-learning

《机器学习的神经网络》by Geoffrey Hinton

背景知识：微积分

课程介绍：了解神经网络及其如何用于机器学习，例如语音和物体识别、图像分割、建模语言和人体动作等等。我们将把注意力放在能使网络工作良好的基本算法和实用技巧上。注意，该课程适合机器学习中级学者，因为需要微积分知识和Python编程经验。

课程地址：www.coursera.org/learn/neural-networks

《机器学习和自适应智能》by Neil Lawrence

背景知识：线性代数、概率论、微积分

所需教材：

A First Course in Machine Learning byRogers and Girolami

Pattern Recognition and Machine Learning by Christopher Bishop（Springer，2006）

课程介绍：该课程旨在让学生理解现代人工智能的基础技术。它将重点讲解概率和统计建模、用于分类和回归的监督学习以及用于数据探索的无监督学习。

课程地址：inverseprobability.com/mlai2015/

《神经网络和机器学习介绍》by Roger Grosse

背景知识：微积分、概率论、线性代数

课程介绍：本课程介绍了神经网络算法的基本思想和最新进展。大概前2/3部分集中讲解监督学习——用有大量标记的例子训练神经网络产生特定的行为。后1/3部分关注无监督学习——不给算法正确行为的示例对其进行训练，目的是发现数据中有趣的规律。

课程地址：www.cs.toronto.edu/~rgrosse/courses/csc321_2017/

《信息论、模式识别和神经网络》by David Mackay

所需教材：Information Theory, Inference, and Learning Algorihtms by David MacKay（2003）

课程介绍：本课程共有16节课，主要讲了教材的核心内容，可在线免费观看。

课程地址：videolectures.net/course_information_theory_pattern_recognition/

《机器学习》by Tom Mitchell and Maria-Florina Balcan

背景知识：统计学、概率论、线性代数、算法知识

所需教材：

Machine Learning by Tom Mitchell

Pattern Recognition and Machine Learning by Christopher Bishop（Springer，2006）

The Elements of Statistical Learning by Trevor Hastie, Robert Tibshirani, Jerome Friedman（2009）

Machine Learning：A Probabilistic Perspective by Kevin P. Murphy

课程介绍：本课程从多个角度介绍了机器学习理论和实践算法，涵盖了贝叶斯网络、决策树学习、支持向量机、统计学习方法、无监督学习和强化学习等主题。同时还讲解理论概念例如归纳偏见、PAC学习框架、贝叶斯学习方法、边际学习和奥卡姆剃刀等。另外还包括需要动手操作的学习算法。本课程旨在为研究生阶段的同学提供目前机器学习所需的方法、技术、书序和算法的全面基础知识。

课程地址：www.cs.cmu.edu/~ninamf/courses/601sp15/

《机器学习》by Michael Littman, Charles Isbell, and Pushkar Kolhe

背景知识：概率论、线性代数、统计学、编程经验、了解神经网络

课程介绍：课程的第一部分主要是监督是学习，第二部分主讲无监督学习，最后将是强化学习部分，教你如何设计让对象自我学习的算法。

课程地址：www.udacity.com/course/machine-learning–ud262

《机器学习介绍》by Sargur Srihari

所需教材：

Pattern Recognition and Machine Learning by Christopher Bishop（Springer，2006）

Probabilistic Graphical Models: Principles and Techniques by Daphne Koller and Nir Friedman

课程介绍：本课程涵盖了机器学习必要的理论、原则和算法，使用方法大多基于统计学和概率论。

课程地址：www.cedar.buffalo.edu/~srihari/CSE574/

《机器学习-纳米学位》by Arpan Chakraborty, David Joyner, Luis Serrano, Sebastian Thrun, Vincent Vanhoucke, and Katie Malone

背景知识：统计学、微积分、线性代数、中级Python编程知识

课程介绍：本课程将通过具体案例讲解，将你如何成为机器学习工程师，并将预测模型应用于金融、医疗保健、教育等海量数据集。

课程地址：www.udacity.com/course/machine-learning-engineer-nanodegree–nd009

《机器学习》by Andrew Moore（文字教程）

课程介绍：本教程涵盖了统计数据挖掘的许多方面，包括概率的基础、统计数据分析的基础以及大多数经典的机器学习和数据挖掘算法。包括分类算法（如决策树、神经网络、贝叶斯分类器、支持向量机和基于案例的学习）、回归算法（如多元多项式回归、MARS、局部加权回归、GMDH和神经网络）、其他数据挖掘操作，如聚类、贝叶斯网络和强化学习。

课程地址：www.cs.cmu.edu/~awm/tutorials.html

原文地址：sky2learn.com/machine-learning-online-courses-and-tutorials.html