Кожен окремий курс машинного навчання в Інтернеті за вашими відгуками

Півтора роки тому я кинув одну з найкращих програм інформатики в Канаді. Я почав створювати власну магістерську програму з даних, використовуючи Інтернет-ресурси. Я зрозумів, що можу навчитися всього, що мені потрібно, за допомогою edX, Coursera та Udacity. І я міг би навчитися цього швидше, ефективніше і за частку вартості.

Зараз я майже закінчив. Я пройшов багато курсів, пов'язаних з наукою про дані, та перевірив багато інших. Я знаю, які там варіанти, і які навички потрібні учням, які готуються до роботи аналітика даних або вченого.Тож я почав створювати оглядовий посібник, який рекомендує найкращі курси для кожного предмета в галузі науки про дані.

Для першого посібника з серії я порекомендував кілька класів кодування для початківця дослідника даних. Тоді це була статистика та класи ймовірності. Потім вступ до науки про дані. Також візуалізація даних.

Тепер на машинне навчання.

Для цього посібника я витратив десяток годин, намагаючись визначити кожен онлайн-курс машинного навчання, запропонований станом на травень 2017 року, витягнувши ключові фрагменти інформації з їхніх програм та оглядів, та склавши їх рейтинги. Моєю кінцевою метою було визначити три найкращі доступні курси та представити їх вам нижче.

Для цього я звернувся до нікого іншого, як спільноту Class Central із відкритим кодом та її базу даних про тисячі рейтингів та оглядів курсів.

З 2011 року засновник Class Central Дхавал Шах пильніше стежив за онлайн-курсами, ніж будь-хто інший у світі. Дхавал особисто допоміг мені скласти цей список ресурсів.

Як ми обирали курси для розгляду

Кожен курс повинен відповідати трьом критеріям:

  1. Він повинен мати значну кількість вмісту машинного навчання. В ідеалі машинне навчання є основною темою.Зверніть увагу, що курси для глибокого навчання виключені. Про це далі.
  2. Його потрібно замовляти на замовлення або пропонувати кожні кілька місяців.
  3. Це має бути інтерактивний онлайн-курс, тому жодних книг чи навчальних посібників лише для читання . Хоча це життєздатні способи навчання, цей посібник зосереджений на курсах. Курси, що мають суто відеофільми (тобто без вікторин, завдань тощо), також виключаються.

Ми вважаємо, що ми охопили кожен помітний курс, який відповідає вищезазначеним критеріям. Оскільки, здається, сотні курсів на Udemy, ми вирішили розглянути лише найбільш перевірені та найвищі рейтинги.

Однак завжди є шанс, що ми щось пропустили. Тож, будь ласка, повідомте нас у розділі коментарів, якщо ми залишили хороший курс.

Як ми оцінювали курси

Ми склали середні рейтинги та кількість оглядів від Class Central та інших сайтів оглядів, щоб розрахувати середньозважену оцінку для кожного курсу. Ми читали текстові огляди та використовували цей відгук, щоб доповнити числові рейтинги.

Ми зробили суб’єктивні навчальні програми на основі трьох факторів:

  1. Пояснення робочого процесу машинного навчання. Чи окреслює курс кроки, необхідні для реалізації успішного проекту ML? Дивіться наступний розділ, щоб дізнатися, що передбачає типовий робочий процес.
  2. Висвітлення прийомів машинного навчання та алгоритмів. Чи охоплюються різноманітні прийоми (наприклад, регресія, класифікація, кластеризація тощо) та алгоритми (наприклад, у межах класифікації: наївні Баєси, дерева рішень, машини векторної підтримки тощо) чи лише декілька вибраних? Перевага віддається курсам, які охоплюють більше, не економлячи на деталях.
  3. Використання загальної науки про дані та засобів машинного навчання. Чи викладається курс із використанням таких популярних мов програмування, як Python, R та / або Scala? Як щодо популярних бібліотек на цих мовах? Це не потрібно, але корисно, тому цим курсам надається незначна перевага.

Що таке машинне навчання? Що таке робочий процес?

Популярне визначення бере свій початок від Артура Семюеля в 1959 році: машинне навчання - це підполе інформатики, яке дає «комп’ютерам можливість вчитися без явного програмування». На практиці це означає розробку комп’ютерних програм, які можуть робити прогнози на основі даних. Як люди можуть вчитися на досвіді, так і комп’ютери, де дані = досвід.

Робочий процес машинного навчання - це процес, необхідний для реалізації проекту машинного навчання. Хоча окремі проекти можуть відрізнятися, більшість робочих процесів мають кілька спільних завдань: оцінка проблем, дослідження даних, попередня обробка даних, навчання моделей / тестування / розгортання тощо. Нижче ви знайдете корисну візуалізацію цих основних кроків:

Ідеальний курс вводить весь процес і пропонує інтерактивні приклади, завдання та / або вікторини, де студенти можуть виконувати кожне завдання самостійно.

Чи охоплюють ці курси глибоке навчання?

Спочатку давайте визначимо глибоке навчання. Ось короткий опис:

"Глибоке навчання - це підполе машинного навчання, яке стосується алгоритмів, натхнених структурою та функцією мозку, які називаються штучними нейронними мережами". - Джейсон Браунлі з Майстерності машинного навчання

Як і слід було очікувати, частини деяких курсів машинного навчання містять глибокий навчальний зміст. Однак я вирішив не включати курси глибокого навчання. Якщо ви зацікавлені в глибокому навчанні конкретно, ми пропонуємо вам наступну статтю:

Пориньте в глибоке навчання за допомогою 12 безкоштовних онлайн-курсів

Кожен день приносить нові заголовки про те, як глибоке навчання змінює світ навколо нас. Кілька прикладів: medium.freecodecamp.com

Моїми трьома найкращими рекомендаціями з цього списку будуть:

  • Творчі програми глибокого навчання за допомогою TensorFlowКаденце
  • Нейронні мережі для машинного навчання Університетом Торонто (викладач Джеффрі Хінтон) через Coursera
  • Поглиблене навчання AZ ™: практичні штучні нейронні мережі

    Кирила Єременка, Хаделіна де Понтевеса та команди SuperDataScience через Udemy

Рекомендовані передумови

Кілька перелічених нижче курсів вимагають від студентів попереднього досвіду програмування, обчислення, лінійної алгебри та статистики. Ці передумови зрозумілі, враховуючи, що машинне навчання є вдосконаленою дисципліною.

Бракує кількох предметів? Хороші новини! Частину цього досвіду можна отримати завдяки нашим рекомендаціям у перших двох статтях (програмування, статистика) цього Посібника з кар’єри Data Science. Нижче наведено декілька найкращих курсів, які також пропонують оновлення числення та лінійної алгебри та висвітлюють аспекти, що найважливіші для машинного навчання для менш знайомих.

Наш вибір найкращого курсу машинного навчання - це ...

  • Машинне навчання (Стенфордський університет через Coursera)

Машинне навчання Стенфордського університету на Coursera є безперечним поточним переможцем з точки зору рейтингів, оглядів та відповідності навчальної програми. Навчений відомим Ендрю Нг, засновником Google Brain і колишнім головним науковцем в Baidu, саме цей клас спричинив заснування Coursera. Він має 4,7-зірковий середньозважений рейтинг за 422 відгуки.

Випущений в 2011 році, він охоплює всі аспекти робочого процесу машинного навчання. Незважаючи на те, що він має менший обсяг, ніж оригінальний клас Стенфорда, на якому він базується, йому все ж вдається охопити велику кількість методів та алгоритмів. Орієнтовний графік - одинадцять тижнів, два тижні присвячені нейромережам та глибокому навчанню. Доступні безкоштовні та платні варіанти.

Нг - динамічний, але ніжний інструктор із відчутним досвідом. Він вселяє впевненість, особливо коли ділиться практичними порадами щодо впровадження та попередженнями про загальні підводні камені. Запропоновано оновлення лінійної алгебри, і Ng висвітлює аспекти числення, найбільш актуальні для машинного навчання.

Оцінка здійснюється автоматично і проводиться за допомогою вікторин з декількома варіантами, які слідують за кожним уроком та завданнями програмування. Завдання (їх вісім) можуть бути виконані в MATLAB або Octave, що є відкритою версією MATLAB. Нг пояснює свій вибір мови:

У минулому я намагався викладати машинне навчання, використовуючи велику кількість різних мов програмування, включаючи C ++, Java, Python, NumPy, а також Octave ... І те, що я бачив, викладаючи машинне навчання майже десять років, це те, що ви вчитеся набагато швидше, якщо використовуєте Octave як середовище програмування.

Незважаючи на те, що Python та R, ймовірно, є більш вагомим вибором у 2017 році з ростом популярності цих мов, рецензенти зазначають, що це не повинно заважати вам брати курс.

Кілька відомих рецензентів відзначили наступне:

Курс машинного навчання Стенфорда, який давно відомий у світі MOOC, справді є остаточним вступом до цієї теми. Курс широко охоплює всі основні галузі машинного навчання ... Професор Нг передує кожному сегменту мотиваційною дискусією та прикладами.

Ендрю Нг - талановитий вчитель і здатний дуже інтуїтивно і зрозуміло пояснити складні предмети, включаючи математику, що стоїть за всіма поняттями. Настійно рекомендується.

Єдина проблема, яку я бачу в цьому курсі, якщо вона встановлює дуже високий рівень очікування для інших курсів.

Нова презентація Ліги Плюща з блискучим професором

  • Машинне навчання (Колумбійський університет через edX)

Машинне навчання Колумбійського університету - це порівняно нова пропозиція, яка є частиною їхнього MicroMasters щодо штучного інтелекту на edX. Хоча він новіший і не має великої кількості відгуків, у нього є надзвичайно сильні. Професор Джон Пейслі відзначається блискучим, чітким та кмітливим. Він має 4,8-зірковий середньозважений рейтинг за 10 відгуків.

Курс також охоплює всі аспекти робочого процесу машинного навчання та більше алгоритмів, ніж вищезазначена пропозиція Стенфорда. Колумбія - це більш просунутий вступ, в якому рецензенти зазначають, що студенти повинні відповідати рекомендованим передумовам (числення, лінійна алгебра, статистика, ймовірність та кодування).

Вікторини (11), завдання з програмування (4) та підсумковий іспит - це способи оцінювання. Студенти можуть використовувати Python, Octave або MATLAB для виконання завдань. Загальний розрахований графік курсу становить від восьми до десяти годин на тиждень протягом дванадцяти тижнів. Це безкоштовно, якщо для перевірки доступний сертифікат, який можна придбати.

Нижче наведено кілька вищезазначених блискучих відгуків:

Протягом усіх своїх років студентства я стикався з професорами, які не є блискучими, з професорами, які є блискучими, але вони не знають, як чітко пояснити речі, і з професорами, які є блискучими і знають, як це пояснити чітко. Доктор Пейслі належить до третьої групи.

Це чудовий курс ... Мова викладача точна, і це, на мій погляд, одна з найсильніших сторін курсу. Лекції якісні, слайди теж чудові.

Доктор Пейслі та його керівник ... студенти Майкла Джордана, батька машинного навчання. [Лікар. Пейслі] - найкращий професор ML у Колумбії завдяки його здатності чітко пояснювати речі. Цього семестру його курс обрали до 240 студентів, найбільша кількість серед усіх викладачів [викладання] машинного навчання в Колумбії.

Практичне введення в Python & R від експертів галузі

  • Машинне навчання AZ ™: практичний Python & R в науці даних (Кирило Єременко, Хаделін де Понтевес та команда SuperDataScience через Udemy)

Машинне навчання AZ ™ на Udemy - вражаюче детальна пропозиція, яка містить інструкції як на Python, так і на R, що є рідкістю і не можна сказати про будь-який інший найкращий курс. Він має 4,5-зірковий середньозважений рейтинг, який перевищує 8 119 відгуків, що робить його найбільш перевіреним курсом серед розглянутих.

Він охоплює весь робочий процес машинного навчання та майже смішну (в хорошому сенсі) кількість алгоритмів через 40,5 годин відеозаписів на вимогу. Курс має більш застосований підхід і є легшим з математичної точки зору, ніж попередні два курси. Кожен розділ починається з відео про "інтуїцію" від Єременка, яке узагальнює основну теорію концепції, яку викладають. Потім де Понтевес розглядає реалізацію з окремими відеороликами для Python та R.

Як «бонус» курс включає шаблони коду Python та R, які студенти можуть завантажувати та використовувати у власних проектах. Є вікторини та випробування домашніх завдань, хоча це не сильні сторони курсу.

Єременко та команда SuperDataScience шануються за їх здатність "зробити комплекс простим". Крім того, переліченими передумовами є "лише деякі математики середньої школи", тому цей курс може бути кращим варіантом для тих, кого лякають пропозиції Стенфорда та Колумбії.

Кілька відомих рецензентів відзначили наступне:

Курс виготовлений професійно, якість звуку відмінна, а пояснення чіткі та короткі ... Це неймовірна цінність для ваших фінансових та часових вкладень.

Було вражаюче мати можливість одночасно слухати курс на двох різних мовах програмування.

Кирило - один із найкращих інструкторів з Udemy (якщо не Інтернет), і я рекомендую відвідувати будь-який клас, який він викладає. ... Цей курс має тонну вмісту, як тонна!

Змагання

Наш вибір №1 мав середньозважений рейтинг 4,7 із 5 зірок за 422 відгуки. Давайте розглянемо інші варіанти, відсортовані за спаданням. Нагадування про те, що курси для глибокого навчання не включені в цей посібник - ви можете знайти їх тут.

Аналітичний край (Массачусетський технологічний інститут / edX): більше зосереджений на аналітиці загалом, хоча він охоплює кілька тем машинного навчання. Використовує Р. Сильний наратив, який використовує знайомі приклади з реального світу. Виклик. Десять-п’ятнадцять годин на тиждень протягом дванадцяти тижнів. Безкоштовно із підтвердженим сертифікатом, який можна придбати. Він має 4,9-зірковий середньозважений рейтинг за 214 відгуків.

Python для Bootcamp для науки про дані та машинного навчання (Jose Portilla / Udemy): Має великі частини вмісту машинного навчання, але охоплює весь процес науки про дані. Більш детальний вступ до Python. Дивовижний курс, хоча і не ідеальний для обсягу цього посібника. 21,5 години відео на вимогу. Вартість варіюється залежно від частих знижок Udemy. Він має 4,6-зірковий середньозважений рейтинг за 3316 відгуків.

Bootcamp з науки про дані та машинного навчання з R (Хосе Портілла / Удемі): Коментарі до вищезазначеного курсу Portilla застосовуються і тут, за винятком R. 17,5 годин відео на вимогу. Вартість варіюється залежно від частих знижок Udemy. Він має 4,6-зірковий середньозважений рейтинг за 1317 відгуків.

Серія машинного навчання (Lazy Programmer Inc./Udemy): викладач даних / інженер великих даних / інженер програмного забезпечення з повним стеком із вражаючим резюме, в даний час Lazy Programmer має серію з 16 курсів машинного навчання, присвячених Udemy. Загалом курси мають понад 5000 оцінок, і майже всі вони мають 4,6 зірки. Корисне замовлення курсу подається в описі кожного окремого курсу. Використовує Python. Вартість варіюється залежно від частих знижок Udemy.

Машинне навчання (Georgia Tech / Udacity): збірка з трьох окремих курсів: Наглядове, Безконтрольне та Підсилювальне навчання. Входить до наноградусу інженера машинного навчання Udacity та Інтернет-магістратури штату Джорджія Тех (OMS). Відео розміром до укусу, як це стиль Udacity. Доброзичливі професори. Орієнтовний графік - чотири місяці. Безкоштовно Він має 4,56-зірковий середньозважений рейтинг за 9 відгуків.

Впровадження передбачувальної аналітики за допомогою Spark в Azure HDInsight (Microsoft / edX): представляє основні концепції машинного навчання та різноманітні алгоритми. Використовує кілька зручних інструментів для обробки даних, зокрема Apache Spark, Scala та Hadoop. Використовує і Python, і R. Чотири години на тиждень протягом шести тижнів. Безкоштовно із підтвердженим сертифікатом, який можна придбати. Він має 4,5-зірковий середньозважений рейтинг за 6 відгуків.

Наука про дані та машинне навчання за допомогою Python - Hands On! (Френк Кейн / Удемі): Використовує Python. Кейн має дев'ятирічний досвід роботи в Amazon та IMDb. Дев'ять годин відео на вимогу. Вартість варіюється залежно від частих знижок Udemy. Він має 4,5-зірковий середньозважений рейтинг за 4139 відгуків.

Scala та Spark для великих даних та машинного навчання (Jose Portilla / Udemy): «Великі дані» зосереджені, зокрема, на впровадженні в Scala та Spark. Десять годин відео на вимогу. Вартість варіюється залежно від частих знижок Udemy. Він має 4,5-зірковий середньозважений рейтинг за 607 відгуків.

Наноградус машинного навчання (Udacity): флагманська програма машинного навчання Udacity, яка пропонує найкращу в своєму класі систему перегляду проектів та підтримку кар’єри. Програма являє собою збірку кількох індивідуальних курсів Udacity, які є безкоштовними. Створено Каглом. Приблизний термін - шість місяців. В даний час коштує 199 доларів США на місяць із 50% відшкодування вартості навчання для тих, хто закінчує навчання протягом 12 місяців. Він має 4,5-зірковий середньозважений рейтинг за 2 відгуки.

Навчання на даних (вступне машинне навчання) (Каліфорнійський технологічний інститут / edX): Наразі реєстрація закрита на edX, але також доступна через незалежну платформу CalTech (див. Нижче). Він має середньозважений рейтинг 4,49 зірки за 42 відгуки.

Навчання на даних (вступне машинне навчання) (Yaser Abu-Mostafa / Каліфорнійський технологічний інститут): «Справжній курс Caltech, а не розводнена версія». Відгуки відзначають, що він чудово підходить для розуміння теорії машинного навчання. Професор Ясер Абу-Мостафа користується популярністю серед студентів, а також написав підручник, на якому базується цей курс. Відеозаписи - це лекції, записані на плівку (із лекціями зі слайдами «картинка в картинці»), завантажені на YouTube. Домашні завдання - це файли .pdf. Досвід курсів для онлайн-студентів не такий відшліфований, як три найкращі рекомендації. Він має 4,43-зірковий середньозважений рейтинг за 7 відгуків.

Видобуток масивних наборів даних (Стенфордський університет): машинне навчання з акцентом на “великих даних”. Представляє сучасні розподілені файлові системи та MapReduce. Десять годин на тиждень протягом семи тижнів. Безкоштовно Він має 4,4-зірковий середньозважений рейтинг за 30 відгуків.

AWS Machine Learning: Повне керівництво з Python (Chandra Lingam / Udemy): унікальний фокус на хмарному машинному навчанні та, зокрема, веб-сервісах Amazon. Використовує Python. Дев'ять годин відео на вимогу. Вартість варіюється залежно від частих знижок Udemy. Він має 4,4-зірковий середньозважений рейтинг за 62 відгуки.

Вступ до машинного навчання та виявлення обличчя в Python (Holczer Balazs / Udemy): Використовує Python. Вісім годин відео на вимогу. Вартість варіюється залежно від частих знижок Udemy. Він має 4,4-зірковий середньозважений рейтинг за 162 відгуки.

StatLearning: Статистичне навчання (Стенфордський університет): На основі чудового підручника „Вступ до статистичного навчання з додатками на R”, викладається професорами, які його написали. Рецензенти зазначають, що MOOC не такий хороший, як книга, посилаючись на "тонкі" вправи та посередні відео. П’ять годин на тиждень протягом дев’яти тижнів. Безкоштовно Він має середньозважений рейтинг 4,35 зірки за 84 відгуки.

Спеціалізація машинного навчання (Університет Вашингтона / Курсра): Відмінні курси, але два останні класи (включаючи проект головного каменю) були скасовані. Рецензенти зазначають, що ця серія є більш засвоюваною (читайте: простіша для тих, хто не має технічного досвіду), ніж інші провідні курси машинного навчання (наприклад, Стенфордські чи Калтехські). Майте на увазі, що серія є неповною із системами, що рекомендують, глибоким навчанням та відсутнім резюме. Доступні безкоштовні та платні варіанти. Він має 4,31-зірковий середньозважений рейтинг за 80 відгуків.

Від 0 до 1: машинне навчання, NLP і Python-Cut to the Chase (Loony Corn / Udemy): «Приземлений, сором’язливий, але впевнений у собі застосовує методи машинного навчання». Викладає команда з чотирьох осіб, що мають десятиліття спільного досвіду в галузі. Використовує Python. Вартість варіюється залежно від частих знижок Udemy. Він має 4,2-зірковий середньозважений рейтинг за 494 відгуки.

Принципи машинного навчання (Microsoft / edX): використовує R, Python та Microsoft Azure Machine Learning. Частина сертифікату Microsoft Professional Program в галузі науки про дані. Три-чотири години на тиждень протягом шести тижнів. Безкоштовно із підтвердженим сертифікатом, який можна придбати. Він має середньозважений рейтинг 4,09 зірки за 11 відгуків.

Великі дані: статистичний висновок та машинне навчання (Квінслендський технологічний університет / FutureLearn): приємний, короткий дослідницький курс машинного навчання з акцентом на великих даних. Охоплює декілька інструментів, таких як R, H2O Flow та WEKA. Тривалість лише три тижні при рекомендованих двох годинах на тиждень, але один рецензент зазначив, що шість годин на тиждень були б більш доречними. Доступні безкоштовні та платні варіанти. Він має 4-зірковий середньозважений рейтинг за 4 відгуки.

Наука про геномні дані та кластеризація (Біоінформатика V) (Каліфорнійський університет, Сан-Дієго / Курсра): Для тих, хто зацікавлений у стику інформатики та біології та про те, як це представляє важливу межу в сучасній науці. Зосереджується на кластеризації та зменшенні розмірності. Частина спеціалізації з біоінформатики UCSD. Доступні безкоштовні та платні варіанти. Він має 4-зірковий середньозважений рейтинг за 3 відгуки.

Вступ до машинного навчання (Udacity): надає перевагу широті теми та практичним інструментам (на Python) над глибиною та теорією. Викладачі, Себастьян Трен та Кеті Малоун, роблять цей клас таким веселим. Складається з відеозаписів та вікторин розміром до укусу, а потім міні-проект для кожного уроку. В даний час входить до складу Udacity's Data Analyst Nanodegree. Орієнтовний графік - десять тижнів. Безкоштовно Він має 3,95-зірковий середньозважений рейтинг за 19 відгуків.

Машинне навчання для аналізу даних (Університет Весліана / Курсра): короткий вступ до машинного навчання та декілька вибраних алгоритмів. Охоплює дерева рішень, випадкові ліси, лассо-регресію та k-означає кластеризацію. Частина спеціалізації Весліана з аналізу та інтерпретації даних. Орієнтовний графік - чотири тижні. Доступні безкоштовні та платні варіанти. Він має 3,6-зірковий середньозважений рейтинг за 5 відгуків.

Програмування на Python для обробки даних (Microsoft / edX): Вироблено корпорацією Microsoft у партнерстві з Coding Dojo. Використовує Python. Вісім годин на тиждень протягом шести тижнів. Доступні безкоштовні та платні варіанти. Він має 3,46-зірковий середньозважений рейтинг за 37 відгуків.

Машинне навчання для торгівлі (Georgia Tech / Udacity): зосереджується на застосуванні ймовірнісних підходів машинного навчання до торгових рішень. Використовує Python. Входить до наноградусу інженера машинного навчання Udacity та Інтернет-магістратури штату Джорджія Тех (OMS). Орієнтовний графік - чотири місяці. Безкоштовно Він має 3,29-зірковий середньозважений рейтинг за 14 відгуків.

Практичне машинне навчання (Університет Джона Хопкінса / Coursera): Короткий практичний вступ до ряду алгоритмів машинного навчання. Кілька оглядів з однією / двома зірками, що виражають різноманітні занепокоєння. Частина спеціалізації JHU з науки про дані. Чотири-дев'ять годин на тиждень протягом чотирьох тижнів. Доступні безкоштовні та платні варіанти. Він має 3,11-зірковий середньозважений рейтинг за 37 відгуків.

Машинне навчання для науки про дані та аналітики (Колумбійський університет / edX): представляє широкий спектр тем машинного навчання. Деякі пристрасні негативні відгуки з проблемами, включаючи вибір вмісту, відсутність програмних завдань та непривабливу презентацію. Сім-десять годин на тиждень протягом п’яти тижнів. Безкоштовно із підтвердженим сертифікатом, який можна придбати. Він має середньозважений рейтинг 2,74 зірки за 36 відгуків.

Спеціалізація систем рекомендувачів (Університет Міннесоти / Курсер): Сильна увага до одного конкретного типу машинного навчання - систем рекомендування. Спеціалізація з чотирьох курсів плюс головний проект, який є практичним прикладом. Викладає LensKit (набір інструментів з відкритим кодом для систем, що рекомендують). Доступні безкоштовні та платні варіанти. Він має 2-зірковий середньозважений рейтинг за 2 відгуки.

Машинне навчання з великими даними (Каліфорнійський університет, Сан-Дієго / Курсра): жахливі огляди, які підкреслюють погану підготовку та оцінку. Деякі відзначали, що для проходження всього курсу їм знадобилися години. Частина спеціалізації UCSD з великих даних. Доступні безкоштовні та платні варіанти. Він має 1,86-зірковий середньозважений рейтинг за 14 відгуків.

Практична прогнозована аналітика: моделі та методи (Університет Вашингтона / Курсер): Короткий вступ до основних концепцій машинного навчання. Один рецензент зауважив, що вікторин бракувало і завдання не були складними. Частина наукових досліджень UW у масштабній спеціалізації. Шість-вісім годин на тиждень протягом чотирьох тижнів. Доступні безкоштовні та платні варіанти. Він має середньозважений рейтинг 1,75 зірки за 4 відгуки.

Наступні курси мали один або жоден відгук станом на травень 2017 року.

Машинне навчання для музикантів та художників (Голдсмітс, Лондонський університет / Каденце): Унікальний. Студенти вивчають алгоритми, програмні засоби та найкращі практики машинного навчання, щоб зрозуміти людські жести, музичний звук та інші дані в режимі реального часу. Тривалість семінарів. Доступні варіанти аудиту (безкоштовно) та премії ($ 10 USD на місяць). Він має один 5-зірковий огляд.

Прикладне машинне навчання на Python (Університет Мічигану / Coursera): Навчання за допомогою Python та інструментарію scikit learn. Частина прикладної науки про дані зі спеціалізацією на Python. Початок роботи запланований на 29 травня. Доступні безкоштовні та платні варіанти.

Прикладне машинне навчання (Microsoft / edX): Викладає з використанням різних інструментів, включаючи Python, R та Microsoft Azure Machine Learning (примітка: Microsoft виробляє курс). Включає практичні лабораторії для посилення змісту лекції. Три-чотири години на тиждень протягом шести тижнів. Безкоштовно із підтвердженим сертифікатом, який можна придбати.

Машинне навчання за допомогою Python (Університет великих даних): Викладає Python. Орієнтована на початківців. Приблизний час завершення - чотири години. Університет великих даних пов'язаний з IBM. Безкоштовно

Машинне навчання за допомогою Apache SystemML (Університет великих даних): Навчання за допомогою Apache SystemML, що є декларативною мовою стилю, призначеною для широкомасштабного машинного навчання. Приблизний час завершення восьми годин. Університет великих даних пов'язаний з IBM. Безкоштовно

Машинне навчання для науки про дані (Каліфорнійський університет, Сан-Дієго / edX): запускається лише до січня 2018 р. Приклади програмування та завдання виконуються на Python із використанням блокнотів Jupyter. Вісім годин на тиждень протягом десяти тижнів. Безкоштовно із підтвердженим сертифікатом, який можна придбати.

Вступ до моделювання Analytics (Georgia Tech / edX): Курс рекламує R як основний інструмент програмування. П’ять-десять годин на тиждень протягом десяти тижнів. Безкоштовно із підтвердженим сертифікатом, який можна придбати.

Прогностична аналітика: Отримати уявлення про великі дані (Квінслендський технологічний університет / FutureLearn): Короткий огляд кількох алгоритмів. Використовує платформу Hewlett Packard Enterprise Vertica Analytics як застосований інструмент. Дата початку буде оголошена. Дві години на тиждень протягом чотирьох тижнів. Безкоштовно із сертифікатом про досягнення, який можна придбати.

Вступ до машинного навчання (Universitas Telefónica / Miríada X): Викладає іспанською мовою. Вступ до машинного навчання, який охоплює навчання під наглядом та без нагляду. Загалом двадцять передбачуваних годин протягом чотирьох тижнів.

Крок шляху машинного навчання (Dataquest): Викладання на Python за допомогою інтерактивної платформи в браузері Dataquest. Багато проектів з керівництвом та проект “плюс”, коли ви створюєте власну систему машинного навчання, використовуючи власні дані. Потрібна передплата.

Наступні шість курсів пропонує DataCamp. Гібридний стиль викладання DataCamp використовує відео та текстові інструкції з безліччю прикладів через редактор коду в браузері. Для повного доступу до кожного курсу потрібна передплата.

Вступ до машинного навчання (DataCamp): охоплює алгоритми класифікації, регресії та кластеризації. Використовує Р. П’ятнадцять відеозаписів та 81 вправу, розрахований графік - шість годин.

Контрольоване навчання за допомогою scikit-learn (DataCamp): використовує Python та scikit-learn. Охоплює алгоритми класифікації та регресії. Сімнадцять відео та 54 вправи з розрахунковим терміном у чотири години.

Навчання без нагляду в R (DataCamp): Надає базовий вступ до кластеризації та зменшення розмірності в R. Шістнадцять відео та 49 вправ із розрахунковим терміном у чотири години.

Набір інструментів машинного навчання (DataCamp): навчає „великим ідеям” машинного навчання. Використовує R. 24 відео та 88 вправ із розрахунковим терміном у чотири години.

Машинне навчання з експертами: Шкільний бюджет (DataCamp): Тематичне дослідження на змаганнях з машинного навчання на DrivenData. Передбачає побудову моделі для автоматичної класифікації статей у бюджеті школи. Обов’язковою умовою “Навчане навчання за допомогою scikit-learn” від DataCamp. П’ятнадцять відео та 51 вправа з розрахунковим терміном у чотири години.

Неконтрольоване навчання в Python (DataCamp): охоплює різноманітні алгоритми некерованого навчання з використанням Python, scikit-learn та scipy. Курс закінчується тим, що студенти складають рекомендаційну систему, щоб рекомендувати популярних музичних виконавців. Тринадцять відеозаписів та 52 вправи з розрахунковим терміном у чотири години.

Машинне навчання (Том Мітчелл / Університет Карнегі Меллона): вступний курс машинного навчання випускника Карнегі Меллона. Обов’язкова умова їхнього другого курсу вищого курсу „Статистичне машинне навчання”. Записані університетські лекції з практичними проблемами, домашніми завданнями та середньостроковим курсом (усі з рішеннями), розміщені в мережі. Також існує версія курсу 2011 року. КМУ є однією з найкращих аспірантур для вивчення машинного навчання і має цілий відділ, присвячений ML. Безкоштовно

Статистичне машинне навчання (Ларрі Вассерман / Університет Карнегі Меллона): Можливо, найдосконаліший курс у цьому посібнику. Продовження курсу машинного навчання Карнегі Меллона. Записані в університетські лекції з практичними проблемами, домашніми завданнями та середньостроковою програмою (усі з рішеннями) розміщені в мережі. Безкоштовно

Бакалаврат машинного навчання (Nando de Freitas / Університет Британської Колумбії): Курс машинного навчання бакалавра. Лекції знімаються та розміщуються на YouTube із слайдами, розміщеними на веб-сайті курсу. Також оприлюднюються завдання курсу (правда, жодних рішень). де Фрейтас зараз штатний професор Оксфордського університету і отримує похвалу за свої педагогічні здібності на різних форумах. Доступна версія для випускників (див. Нижче).

Машинне навчання (Nando de Freitas / Університет Британської Колумбії): Випускник курсу машинного навчання. Коментарі до бакалаврського курсу де Фрейтаса (вище) застосовуються і тут.

Обгортання

Це п’ята з шести частин серії, яка охоплює найкращі онлайн-курси для початку роботи в галузі науки про дані. Ми розглянули програмування в першій статті, статистику та ймовірність у другій статті, вступ до науки про дані в третій статті та візуалізацію даних у четвертій.

Я класифікував кожен курс "Введення в науку даних" в Інтернеті на основі тисяч точок даних

Рік тому я кинув одну з найкращих програм інформатики в Канаді. Я почав створювати власні дані ...

Останній підсумок буде підсумком цих статей, а також найкращими онлайн-курсами з інших ключових тем, таких як переміщення даних, бази даних та навіть програмна інженерія.

Якщо ви шукаєте повний перелік онлайн-курсів Data Science, ви можете знайти їх на сторінці предмету Data Science та Big Data Class Central.

Якщо вам сподобалось читати це, перегляньте деякі інші твори Class Central:

Ось 250 курсів Ліги Плюща, які Ви можете пройти онлайн прямо зараз безкоштовно

250 MOOC з Брауна, Колумбії, Корнелла, Дартмута, Гарварда, Пенсільванії, Прінстона та Єлу.

50 найкращих безкоштовних онлайн-курсів університету за даними

Коли я запустив Class Central ще в листопаді 2011 року, було близько 18-ти безкоштовних онлайн-курсів, і майже всі…

Якщо у вас є пропозиції щодо пропущених курсів, повідомте мені про це у відповідях!

Якщо ви знайшли це корисним, натисніть на? тому більше людей побачать це тут, на Середньому.

Це стисла версія моєї оригінальної статті, опублікованої на Class Central, де я включив докладні програми курсів.