Имея прочные корни в статистике, Машинное обучение становится одной из самых захватывающих и быстро развивающихся областей информатики. Существует бесконечное количество отраслей и приложений, которые машинное обучение может сделать более эффективными и интеллектуальными.

Чат-боты, фильтрация спама, показ рекламы, поисковые системы и обнаружение мошенничества — вот лишь несколько примеров того, как модели машинного обучения лежат в основе повседневной жизни. Машинное обучение позволяет нам находить закономерности и создавать математические модели для вещей, которые люди иногда не могут сделать.

В отличие от курсов по науке о данных, которые содержат такие темы, как исследовательский анализ данных, статистика, коммуникация и методы визуализации, курсы машинного обучения сосредоточены на обучении только алгоритмам машинного обучения, тому, как они работают математически, и тому, как использовать их в языке программирования.

Теперь пришло время начать. Вот TL;DR пяти лучших курсов по машинному обучению в этом году.

7 лучших курсов по машинному обучению в 2022 году:

  1. Машинное обучение — Вепсун
  2. Специализация глубокого обучения — Вепсун
  3. Ускоренный курс машинного обучения — Google AI
  4. Машинное обучение с Python — Вепсун
  5. Специализация Advanced Machine Learning — Vepsun
  6. Машинное обучение — Вепсун
  7. Введение в машинное обучение для программистов — Fast.ai

Что делает курс машинного обучения отличным?

После нескольких лет наблюдения за ситуацией в сфере электронного обучения и участия в бесчисленных курсах по машинному обучению на различных платформах, таких как Coursera, Edx, Udemy, Vepsun, Udacity и DataCamp, я собрал лучшие доступные курсы по машинному обучению.

Критерии

Каждый курс в списке соответствует следующим критериям.
Курс должен:

  • Строго сосредоточьтесь на машинном обучении.
  • Используйте бесплатные языки программирования с открытым исходным кодом, такие как Python или R.
  • Используйте бесплатные библиотеки с открытым исходным кодом для этих языков. Некоторые инструкторы и провайдеры используют коммерческие пакеты, поэтому такие курсы исключаются из рассмотрения.
  • Содержит задания по программированию для практики и практического опыта
  • Объясните, как алгоритмы работают математически
  • Будьте в самостоятельном темпе, по требованию или доступны каждый месяц или около того
  • Увлекательные преподаватели и интересные лекции
  • Иметь рейтинг выше среднего и отзывы на различных агрегаторах и форумах

При этом общий набор курсов быстро сокращается, но цель состоит в том, чтобы помочь вам выбрать курс, который стоит вашего времени и энергии.

Чтобы погрузиться и изучить машинное обучение как можно быстрее и всесторонне, я считаю, что вам также следует искать различные книги в дополнение к онлайн-обучению. Ниже приведены две книги, которые значительно повлияли на мой опыт обучения и всегда оставались на расстоянии вытянутой руки.

Два превосходных компаньона книги

В дополнение к прохождению любого из приведенных ниже видеокурсов, если вы относительно новичок в машинном обучении, вам следует подумать о прочтении следующих книг:

В этой книге есть подробные, простые объяснения и примеры, которые помогут улучшить вашу общую математическую интуицию в отношении многих фундаментальных методов машинного обучения. Эта книга больше посвящена теории, но содержит много упражнений и примеров с использованием языка программирования R.

Хорошее дополнение к предыдущей книге, так как этот текст больше фокусируется на применении машинного обучения с использованием Python. Вместе с любым из приведенных ниже курсов эта книга укрепит ваши навыки программирования и покажет, как сразу же применять машинное обучение к проектам.

Руководство по обучению

Теперь, когда вы ознакомились с рекомендациями по курсу, вот краткое руководство по обучению машинному обучению. Во-первых, мы коснемся предварительных условий для большинства курсов машинного обучения.

Предпосылки курса

Перед началом более продвинутых курсов потребуются следующие знания:

  • Линейная алгебра
  • Вероятность
  • Исчисление
  • Программирование

Это общие компоненты, позволяющие понять, как машинное обучение работает внутри. Многие курсы для начинающих обычно требуют хотя бы некоторого программирования и знакомства с основами линейной алгебры, такими как векторы, матрицы и их обозначения.

Первый курс в этом списке, Машинное обучение Эндрю Нг, содержит повторение большей части необходимой вам математики, но изучение машинного обучения и линейной алгебры может оказаться сложным, если у вас нет t взял линейную алгебру раньше в то же время.

Если вам нужно освежить знания по математике, проверьте:

Я бы рекомендовал изучать Python, так как большинство хороших курсов ML используют Python. Если вы посещаете курс машинного обучения Эндрю Нг, в котором используется Octave, вам следует изучать Python либо во время курса, либо после него, так как в конечном итоге он вам понадобится. Кроме того, еще одним отличным ресурсом Python является dataquest.io, на котором есть много бесплатных уроков Python в интерактивной среде браузера.

Изучив необходимые предварительные условия, вы сможете начать понимать, как работают алгоритмы.

Фундаментальные алгоритмы

В машинном обучении существует базовый набор алгоритмов, с которыми каждый должен быть знаком и иметь опыт использования. Это:

  • Линейная регрессия
  • Логистическая регрессия
  • Кластеризация k-средних
  • k-ближайшие соседи
  • Методы опорных векторов (SVM)
  • Деревья решений
  • Случайные леса
  • Наивный Байес

Это самое необходимое, но есть и многое другое. Перечисленные выше курсы содержат в основном все это с некоторыми вариациями. Понимание того, как работают эти методы и когда их использовать, будет иметь решающее значение при работе над новыми проектами.

После основ, некоторые более продвинутые методы для изучения:

  • Ансамбли
  • Повышение
  • Уменьшение размерности
  • Обучение с подкреплением
  • Нейронные сети и глубокое обучение

Это только начало, но эти алгоритмы — это то, что вы видите в некоторых из самых интересных решений для машинного обучения, и они являются практичным дополнением к вашему набору инструментов.

И так же, как и с основными методами, с каждым новым инструментом вы учитесь, что должны взять за привычку немедленно применять его к проекту, чтобы укрепить свое понимание и иметь что-то, к чему можно вернуться, когда вам нужно освежить знания.

Займитесь проектом

Изучать машинное обучение онлайн сложно и очень полезно. Важно помнить, что просто просмотр видео и прохождение тестов не означает, что вы действительно изучаете материал. Вы узнаете еще больше, если у вас есть побочный проект, над которым вы работаете, который использует другие данные и имеет другие цели, чем сам курс.

Как только вы начнете изучать основы, вам следует искать интересные данные, которые вы можете использовать, экспериментируя со своими новыми навыками. Приведенные выше курсы дадут вам некоторое представление о том, когда применять определенные алгоритмы, поэтому рекомендуется сразу же использовать их в собственном проекте.

Путем проб и ошибок, исследования и обратной связи вы узнаете, как экспериментировать с различными методами, как измерять результаты и как классифицировать или делать прогнозы. Чтобы получить некоторое представление о том, какой проект машинного обучения взять на себя, см. этот список примеров.

Работа над проектами дает вам более глубокое понимание ландшафта машинного обучения. По мере того, как вы углубляетесь в более продвинутые концепции, такие как глубокое обучение, появляется практически неограниченное количество техник и методов для понимания.

Читать новое исследование

Машинное обучение — это быстро развивающаяся область, в которой ежедневно появляются новые методы и приложения. После того, как вы прошли основы, вы должны быть готовы работать с некоторыми исследовательскими работами по теме, которая вызывает у вас интерес.

Есть несколько веб-сайтов, на которых можно получать уведомления о новых документах, соответствующих вашим критериям. Академия Google — всегда хорошее место для начала. Введите ключевые слова, такие как машинное обучение и Twitter или что-то еще, что вас интересует, и нажмите маленькую ссылку Создать оповещение слева, чтобы получать электронные письма.

Сделайте еженедельной привычкой читать эти предупреждения, просматривайте документы, чтобы понять, стоит ли их читать, а затем постарайтесь понять, что происходит. Если это связано с проектом, над которым вы работаете, посмотрите, можете ли вы применить эти методы к своей собственной проблеме.

Подведение итогов

Машинное обучение невероятно приятное и увлекательное занятие и эксперименты, и я надеюсь, что вы нашли курс выше, который соответствует вашему путешествию в эту захватывающую область.

Машинное обучение составляет один из компонентов Науки о данных. Если вы также заинтересованы в изучении статистики, визуализации, анализа данных и многого другого, обязательно ознакомьтесь с лучшими курсами по науке о данных, которые представляют собой руководство, аналогичное формату этого.

Наконец, если у вас есть какие-либо вопросы или предложения, не стесняйтесь оставлять их в комментариях ниже.

Спасибо за чтение, и приятного обучения!

Пройдите лучшие в Интернете курсы по науке о данных Подробнее