速看！十大免費機器學習課程已經給你備好了
本文介紹了10門相關課程，涵蓋了機器學習入門、深度學習和自然語言處理等，希望對你的學習有所幫助。
圖片來源：pexels
本系列課程的提供者有：Delta Analytics、作家兼培訓師Aurélien Geron、威斯康星大學麥迪遜分校、AI研究員Goku Mohandas、滑鐵盧大學、新加坡國立大學和英屬哥倫比亞大學等。
來源： Deep Unsupervised Learning Spring(加州大學伯克利分校)
1. 機器學習的基礎
傳送門：http://www.deltanalytics.org/curriculum.html (Delta Analytics)
本課講解的是一些基本的建模理論，是成為一名合格的程序員所必備的知識。每個版塊的課程都側重于實用示例，旨在向讀者介紹實踐技巧以及用于模型數據的強大算法(其實非常簡單)。
2. 使用TensorFlow 2和Keras進行深度學習
傳送門：https://github.com/ageron/tf2_course (Aurélien Geron)
在這個課程里，包含用TensorFlow 2和Keras進行深度學習的訓練。而習題與詳解由Jupyter Notebooks呈現。
警告：TensorFlow 2.0預覽版會有bug，可能與最終的2.0版本不完全相同。但愿這段代碼在TF 2出來后可以正常運行。
3. 深度學習
傳送門：http：//pages.stat.wisc.edu/~sraschka/teaching/stat479-ss2019/(威斯康星大學麥迪遜分校)
本課程的重點是理解人工神經網絡和深度學習算法(在基本層面討論這些方法背后的數學原理)，并用代碼實現網絡模型，以及將這些模型應用于實際數據集。所涉及的主題包括——用于圖像分類和目標檢測的卷積神經網絡、用于建模文本的循環神經網絡、以及用于生成新數據的生成對抗網絡。
4. 實用AI
傳送門：https://github.com/GokuMohandas/practicalAI (Goku Mohandas)
該課會講解學習和使用機器學習的實用技巧，幫助程序員能夠利用機器學習從數據中獲取有價值的信息。
- 使用PyTorch實現基本的ML算法和深度神經網絡。
- 在瀏覽器上運行所有東西，不需要進行任何Google Colab設置。
- 學習面向對象的能為產品編碼的ML實用教程，而不僅僅是學習書面教程。
5. 深度無監督學習
傳送門：https://sites.google.com/view/berkeley-cs294-158-sp19/home (加州大學伯克利分校)
本課程涉及了兩個不需要標記數據的深度學習領域：深度生成模型和自我監督學習。生成模型領域的最新進展有助于對高維原始數據(如自然圖像、音頻波形和文本語料庫)進行逼真的建模。自我監督學習的發展縮小了監督表征學習與無監督表征學習在微調不可見任務方面的差距。本課程將介紹這些主題的理論基礎以及最新啟用的應用程序。
6. 深度學習簡介
傳送門：http://courses.d2l.ai/berkeley-stat-157/index.html (加州大學伯克利分校)
本課程介紹了深度學習的實際應用，包括理論動機以及實際操作方法。另外，還介紹了多層感知器、反向傳播、自動微分和隨機梯度下降。此外，本課程用卷積網絡來處理圖像，從簡單的LeNet到最新的ResNet高精度模型體系結構。其次，文中還討論了序列模型和循環網絡，如LSTMs，GRU和注意機制。本課程強調高效實踐、優化和可擴展性，例如擴展到多個GPU和多臺機器。本課程的目標是使學員獲得現代非參數估計所需的理解力和實踐能力。
7. 強化學習
傳送門：https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html(滑鐵盧大學)
本課程向學員們講解如何設計算法，使機器能進行強化學習。監督學習狀態下，機器從含有正確決策的示例中學習;非監督學習狀態下，機器從數據中發現模式來學習。而在強化學習狀態下，機器從部分、隱式和延遲反饋中學習，順序決策任務需要機器反復與環境或用戶交互，強化學習對執行這一任務起到很大幫助。強化學習的應用包括機器人控制、自動駕駛汽車、游戲、會話代理、輔助技術、計算金融、運籌學等。
8. 深度學習在自然語言處理中的應用
傳送門：https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/ (新加坡國立大學)
本課程參考于CS 224N《自然語言處理中的深度學習》——斯坦福大學的Richard Socher教授的課程。經Socher教授許可，本課照搬了他的課程模式和文獻選擇。
9. 自然語言處理的應用
傳送門：http://people.ischool.berkeley.edu/~dbamman/info256.html (加州大學伯克利分校)
本課程探討了將自然語言處理作為探索和推理數據化文本的方法，尤其側重于NLP的應用方面——創新使用Python中現有的NLP方法和庫，而不是探索其核心算法。
這是一門應用性課程，每個課程都包括簡短講解環節和用Jupyter Notebooks當堂實驗環節(大約各占50%)。學員將在課堂上進行大量編程，并與其他學員和教師進行小組合作。學員必須為每節課做好準備，并在課前提交準備材料，考勤有硬性要求。
10. 機器學習講座
傳送門：https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/ (英屬哥倫比亞大學)
這門課程資料是UBC大學一位教授整理的關于機器學習的資料合集，包括80多個講座的材料，涉及了大量與機器學習相關的話題。各個主題中的符號相當一致，這使得其關聯清晰可見，并且各主題按難度排序(難度遞增，并且所有概念都有明確定義)。
