0
| 本文作者： skura | 2019-08-05 18:14 |
雷鋒網(wǎng) AI 科技評論按，在機(jī)器學(xué)習(xí)的入門和進(jìn)階過程中，如果有一份好的 學(xué)習(xí)教程尤其是學(xué)習(xí)視頻，學(xué)習(xí)效果無疑會事半功倍。就職于英偉達(dá)人工智能應(yīng)用團(tuán)隊(duì)的計(jì)算機(jī)科學(xué)家 Chip Huyen 根據(jù)自己多年的教學(xué)和工程經(jīng)驗(yàn)，總結(jié)了一份適合按順序依次學(xué)習(xí)的機(jī)器學(xué)習(xí)課程清單，具體清單如下文。
1、《Probability and Statistics(斯坦福概率和統(tǒng)計(jì))》
課程地址：http://t.cn/RD2EjZI
課程簡介：
概率和統(tǒng)計(jì)課程包含四個主要單元，每個單元又細(xì)分為幾個部分。
探索性數(shù)據(jù)分析：這個單元分為兩個部分——分布檢查分布和關(guān)系檢查。一般方法是為參與者提供一個框架，幫助他們在各種情況下進(jìn)行數(shù)據(jù)分析時選擇適當(dāng)?shù)拿枋鲂苑椒ā?br/>
數(shù)據(jù)生產(chǎn)：該單元分為兩個部分——抽樣和設(shè)計(jì)研究。
概率：在本課程中，這部分的內(nèi)容是概率的經(jīng)典處理方法，包括基本概率原理、事件的發(fā)現(xiàn)概率、條件概率、離散隨機(jī)變量（包括二項(xiàng)式分布）和連續(xù)隨機(jī)變量（重點(diǎn)是正態(tài)分布）。本單元討論了以模擬為基礎(chǔ)的采樣分布。作為一個簡化的概率介紹，它沒有介紹傳統(tǒng)的概率處理，而傾向于使用相對頻率的經(jīng)驗(yàn)方法，參與者可以看到 OLI 統(tǒng)計(jì)推理課程。
推理：本單元介紹推理的邏輯以及主要形式相關(guān)的技術(shù)：點(diǎn)估計(jì)、區(qū)間估計(jì)和假設(shè)檢驗(yàn)。該單元包括人口平均數(shù)和人口比例的推斷方法、兩組和兩組以上平均數(shù)比較的推斷方法（方差分析）、獨(dú)立性卡方檢驗(yàn)和線性回歸。該單元加強(qiáng)了在探索性數(shù)據(jù)分析中引入的框架，以便在各種數(shù)據(jù)分析場景中選擇適當(dāng)?shù)耐评矸椒ā?br/>
在整個課程有許多互動。其中包括：模擬，「演練」，整合語音和圖形來解釋一個程序或一個困難概念。通過互動活動，學(xué)生練習(xí)如何解決問題，并且課程提供提示和即時、有針對性的反饋。
學(xué)
2、《Linear Algebra(MIT 線性代數(shù))》by Gilbert Strang
課程地址：http://t.cn/R61LGM4
課程簡介：
「線性代數(shù)」，同微積分一樣，是高等數(shù)學(xué)中兩大入門課程之一，不僅是一門非常好的數(shù)學(xué)課程，也是一門非常好的工具學(xué)科，在很多領(lǐng)域都有廣泛的用途。本課程講述了矩陣?yán)碚摷熬€性代數(shù)的基本知識，側(cè)重于那些與其他學(xué)科相關(guān)的內(nèi)容，包括方程組、向量空間、行列式、特征值、相似矩陣及正定矩陣。
目前，該課程在網(wǎng)易公開課上也有中文版視頻和課件，網(wǎng)易公開課地址：http://open.163.com/special/opencourse/daishu.html
公開課共 35 個視頻，前面 9 個視頻如下：
目前該課程早已經(jīng)更新完畢，同學(xué)們可以放心的學(xué)習(xí)啦~
3、《CS231N: Convolutional Neural Networks for Visual Recognition(斯坦福卷積網(wǎng)絡(luò)視覺識別)》
課程地址：https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq
課程簡介：
CS231n 的全稱是 CS231n: Convolutional Neural Networks for Visual Recognition，即面向視覺識別的卷積神經(jīng)網(wǎng)絡(luò)。
該課程是斯坦福大學(xué)計(jì)算機(jī)視覺實(shí)驗(yàn)室推出的課程。本次給出的都是 2017 春季（4 月至 6 月）的最新版本，課程由李飛飛教授和他的兩個博士生 Justin Johnson 和 Serena Yeung 領(lǐng)銜教授。
CS231n 課程資源主要由授課視頻與 PPT，客座講座，授課知識詳解筆記，課程作業(yè)，課程項(xiàng)目五部分組成。其中：
授課視頻 14 課。每節(jié)課時約 1 小時左右，每節(jié)課一份 PPT
客座講座 2 課。每節(jié)講座約 1 小時 30 分左右
授課知識詳解筆記共 16 份
課程作業(yè) 3 次
課程項(xiàng)目 1 個
拓展閱讀若干
如果你想了解計(jì)算機(jī)視覺，CS231n 是非常好的入門材料，也是計(jì)算機(jī)視覺和深度學(xué)習(xí)領(lǐng)域最經(jīng)典的課程之一，這門課適合絕大多數(shù)想要學(xué)習(xí)深度學(xué)習(xí)知識的人。
4、《Practical Deep Learning for Coders(fastai 程序員深度學(xué)習(xí)實(shí)戰(zhàn))》
愛可可老師在 kanbilibili 上上傳了視頻，也可以下載視頻學(xué)習(xí)：https://www.kanbilibili.com/video/av41718196/
課程簡介：
這是該課程的 2019 版本。該課程的老師是大名鼎鼎的 Jeremy Howard。Jeremy Howard 是大數(shù)據(jù)競賽平臺 Kaggle 的前主席和首席科學(xué)家，也是 Kaggle 冠軍選手。他是美國奇點(diǎn)大學(xué)（Singularity University）最年輕的教職工，同時也是多家科技公司的創(chuàng)始人和 CEO。
Fast AI 是 Jeremy Howard 在 2017 年創(chuàng)立的，免費(fèi)提供關(guān)于深度學(xué)習(xí)技術(shù)的系列實(shí)戰(zhàn)性視頻教程。該教程注重講解在工程實(shí)踐中真正行之有效的方法，這些方法都是 Jeremy Howard 本人親身經(jīng)歷并總結(jié)出來的，是深度學(xué)習(xí)領(lǐng)域非常實(shí)用的教程。
5、《CS224N: Natural Language Processing with Deep Learning(斯坦福深度學(xué)習(xí)自然語言處理)》
課程地址：https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_
相關(guān)課件：https://ai.yanxishe.com/page/resourceDetail/770
課程簡介：
課程的領(lǐng)銜主講是自然語言處理領(lǐng)域著名學(xué)者，著有《統(tǒng)計(jì)自然語言處理基礎(chǔ)》、《信息檢索導(dǎo)論》等自然語言處理著名教材的 Christopher Manning 和 Salesforce 的首席科學(xué)家 Richard Socher。
自然語言處理（NLP）是信息時代最重要的技術(shù)之一。理解復(fù)雜的語言話語也是人工智能的重要組成部分。NLP 的應(yīng)用無處不在，NLP 應(yīng)用程序背后有大量的基礎(chǔ)任務(wù)和機(jī)器學(xué)習(xí)模型，這些模型通?？梢酝ㄟ^單一的端到端模型進(jìn)行訓(xùn)練，而不需要傳統(tǒng)的、特定任務(wù)特征的工程。
在這個冬季課程中，學(xué)生將學(xué)習(xí)執(zhí)行、訓(xùn)練、調(diào)試、可視化和創(chuàng)造他們自己的神經(jīng)網(wǎng)絡(luò)模型。該課程全面介紹了應(yīng)用于 NLP 的深度學(xué)習(xí)尖端研究。在模型方面，我們將介紹詞向量表示、基于窗口的神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、長期短期記憶模型、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)以及一些涉及存儲器組件的最新模型。
通過講座和編程作業(yè)，學(xué)生將學(xué)會運(yùn)用神經(jīng)網(wǎng)絡(luò)到實(shí)際問題中的必備技巧。
6、《Machine Learning(Coursera 斯坦福機(jī)器學(xué)習(xí)課程)》
課程地址：https://www.coursera.org/learn/machine-learning
課程簡介：
該課程的講師是大家都非常熟悉的 Andrew Ng。在本課程中，你將學(xué)習(xí)最有效的機(jī)器學(xué)習(xí)技術(shù)，你不僅會學(xué)到理論基礎(chǔ)，還將獲得快速地將這些技術(shù)應(yīng)用于新問題所需的實(shí)踐知識。最后，你還會了解硅谷在創(chuàng)新方面和機(jī)器學(xué)習(xí)、人工智能有關(guān)的一些最佳實(shí)踐。
本課程對機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和統(tǒng)計(jì)模式識別進(jìn)行了介紹。課程包括：
（i）監(jiān)督學(xué)習(xí)（參數(shù)/非參數(shù)算法、支持向量機(jī)、內(nèi)核、神經(jīng)網(wǎng)絡(luò)）；
（ii）無監(jiān)督學(xué)習(xí)（聚類、降維、推薦系統(tǒng)、深度學(xué)習(xí)）；
（iii）機(jī)器學(xué)習(xí)的最佳實(shí)踐（偏差/方差理論；機(jī)器學(xué)習(xí)的創(chuàng)新過程和人工智能）；
本課程還將通過大量的案例研究和應(yīng)用程序，讓學(xué)生學(xué)習(xí)如何將學(xué)習(xí)算法應(yīng)用于構(gòu)建智能機(jī)器人（感知、控制）、文本理解（網(wǎng)絡(luò)搜索、反垃圾郵件）、計(jì)算機(jī)視覺、醫(yī)療信息學(xué)、音頻、數(shù)據(jù)挖掘和其他領(lǐng)域。
7、《Probabilistic Graphical Models Specialization(Coursera 斯坦福概率圖模型專項(xiàng)課程)》
課程地址：https://www.coursera.org/specializations/probabilistic-graphical-models
課程簡介：
該課程包含 3 個專項(xiàng)課程：
概率圖模型 1：表示
概率圖形模型（PGMS）是一個豐富的框架，用于編碼復(fù)雜域上的概率分布：在大量相互作用的隨機(jī)變量上的聯(lián)合（多變量）分布。本課程描述了兩種基本的 PGM 表示：基于有向圖的貝葉斯網(wǎng)絡(luò)和使用無向圖的馬爾可夫網(wǎng)絡(luò)。
本課程討論了這些表示的理論性質(zhì)以及它們在實(shí)踐中的應(yīng)用。除了基本的 PGM 表示，本課程還提供了一些重要的擴(kuò)展，這些擴(kuò)展允許更復(fù)雜的模型被緊湊地編碼。
概率圖模型 2：推理
在第一門側(cè)重于表示的課程之后，本課程將討論概率推理的問題：如何使用 PGM 來回答問題。
盡管 PGM 通常描述一個非常高維度的分布，但它的結(jié)構(gòu)設(shè)計(jì)是為了有效地回答問題。本課程針對不同類型的推理任務(wù)提出了精確和近似的算法，并討論了每種算法的最佳應(yīng)用場合。課程包含兩個實(shí)踐編程任務(wù)，實(shí)現(xiàn)了最常用的精確和近似算法，并應(yīng)用于實(shí)際問題。
概率圖模型 3：學(xué)習(xí)
本課程解決了學(xué)習(xí)問題：如何從一組示例數(shù)據(jù)中學(xué)習(xí) PGM。課程討論了有向和無向模型中參數(shù)估計(jì)的關(guān)鍵問題，以及有向模型的結(jié)構(gòu)學(xué)習(xí)任務(wù)。課程包含兩個實(shí)踐編程任務(wù)，實(shí)現(xiàn)了兩個常用學(xué)習(xí)算法，并將其應(yīng)用于實(shí)際問題。
8、《Introduction to Reinforcement Learning(DeepMind 強(qiáng)化學(xué)習(xí)導(dǎo)論)》
課程地址：https://www.youtube.com/playlist?list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ
不能翻墻的同學(xué)可以在 bilibili 上學(xué)習(xí)這個課程：https://www.bilibili.com/video/av24060851/
課程簡介：
該課程是由 DeepMind 發(fā)布的，課程共有 10 個視頻，分別是：
強(qiáng)化學(xué)習(xí)入門
馬爾科夫決策過程
動態(tài)規(guī)劃
無模型預(yù)測
無模型控制
值函數(shù)逼近
策略梯度法
整合學(xué)習(xí)規(guī)劃
探索與利用
案例研究：經(jīng)典游戲中的強(qiáng)化學(xué)習(xí)
9、《Full Stack Deep Learning Bootcamp(全棧深度學(xué)習(xí)訓(xùn)練營)》
課程地址：https://fullstackdeeplearning.com/march2019
課程簡介：
這是一個為熟悉深度學(xué)習(xí)基礎(chǔ)知識的開發(fā)人員提供實(shí)踐課程。在這個課程中，開發(fā)人員將完成項(xiàng)目：如何部署端到端的深度學(xué)習(xí)系統(tǒng)。
當(dāng)然，開發(fā)人員還會學(xué)到有關(guān)生產(chǎn)實(shí)踐的深度學(xué)習(xí)知識，包括
闡述問題并估算項(xiàng)目成本
查找、清洗、標(biāo)記和擴(kuò)充數(shù)據(jù)
選擇正確的框架和計(jì)算基礎(chǔ)架構(gòu)
故障排除訓(xùn)練，確?？芍噩F(xiàn)性
大規(guī)模模型部署
學(xué)生們將完成一個最終將計(jì)算機(jī)視覺和自然語言處理系統(tǒng)部署到生產(chǎn)中的項(xiàng)目。也有機(jī)會測試你的知識，并準(zhǔn)備參加可選的筆試面試。
兩天的課程包含的具體內(nèi)容如下圖所示：
在課程完成之后，還可以參加筆試和面試來測試自己的水平。
10、《How to Win a Data Science Competition: Learn from Top Kagglers(Coursera 跟頂級 Kagglers 學(xué)習(xí)如何贏取數(shù)據(jù)科學(xué)競賽)》
課程地址：https://www.coursera.org/learn/competitive-data-science/home/welcome
如果你想開始學(xué)習(xí)數(shù)據(jù)科學(xué)，那么這門課程就是為你準(zhǔn)備的！
參加建模預(yù)測競賽可以幫助你獲得實(shí)踐經(jīng)驗(yàn)，提高在信貸、保險、營銷、自然語言處理、銷售預(yù)測和計(jì)算機(jī)視覺等各個領(lǐng)域的數(shù)據(jù)建模技能。在本課程中，您將學(xué)習(xí)如何分析和完成具此類有難度的預(yù)測建模任務(wù)。
當(dāng)你完成這門課，你將：
了解如何有效地完成預(yù)測性建模競賽，并將學(xué)會的技能用于實(shí)際任務(wù)
了解如何預(yù)處理數(shù)據(jù)并通過各種數(shù)據(jù)（如文本和圖像）生成新特征
學(xué)習(xí)高級的特征工程技術(shù)
能夠形成可靠的交叉驗(yàn)證方法
獲得分析和解析數(shù)據(jù)的經(jīng)驗(yàn)
掌握不同算法的知識，學(xué)習(xí)如何有效地調(diào)整超參數(shù)并獲得最佳性能
了解過去的冠軍方案和代碼，并學(xué)習(xí)如何閱讀它們
本課程將教你如何獲得高級別的解決方案，重點(diǎn)是機(jī)器學(xué)習(xí)方法的實(shí)際使用，而不是背后的理論基礎(chǔ)。因此，學(xué)習(xí)這門課的先決條件是你必須具備機(jī)器學(xué)習(xí)的基礎(chǔ)知識。
11.《BerkeleyX: CS188.1x Artificial Intelligence(伯克利 AI)》
課程地址：https://courses.edx.org/courses/BerkeleyX/CS188.1x-4/1T2015/course/
課程簡介：
該課程歷時 11 周，從最基本的 AI 概念講起，再過渡到搜索規(guī)劃、博弈論、強(qiáng)化學(xué)習(xí)等等內(nèi)容。課程中間穿插了 3 個實(shí)踐項(xiàng)目，分別是搜索規(guī)劃、游戲樹和決策理論和強(qiáng)化學(xué)習(xí)。在完成課程的學(xué)習(xí)之后，可以參加期末考試，考試通過的同學(xué)可以獲得證書。
學(xué)習(xí)該課程需要的知識儲備：
程序設(shè)計(jì)：面向?qū)ο缶幊?、遞歸、Python 或快速學(xué)習(xí) Python 的能力
數(shù)據(jù)結(jié)構(gòu)：列表與集合（數(shù)組，哈希表）、隊(duì)列（堆棧，隊(duì)列，優(yōu)先級隊(duì)列）、樹與圖（遍歷，背景）
數(shù)學(xué)：概率，隨機(jī)變量和期望（離散）、基本漸近復(fù)雜度（Big-O）、基本計(jì)數(shù)（排列組合）
雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
