pixabay.com

课程列表

1.斯坦福在线自学课程《概率与统计》^[1]：该课程涉及概率统计的基本概念，涵盖机器学习4个基本方面：探索性数据分析，产生数据，概率和推理。

2.MIT的《线性代数》^[2]：这是我见过的最好的线性代数课程，由传奇教授Gilbert Strang（吉尔伯特斯特朗）教授。

3.斯坦福的CS231N：用于视觉识别的卷积神经网络^[3]：平衡理论与实践。课堂笔记写得很好，解释了不同的概念，例如反向传播、损失、正规化。

4.FastAI的《面向开发者的深度学习实践》^[4]：这门实践课程专注于搭建和运行。他有一个论坛，里面有很多最新的关于机器学习最佳实践的讨论。

5.斯坦福的《CS224N：自然语言处理与深度学习》^[5]：任何对NLP感兴趣的人必学课程，该课程教得好、组织良好且教授最新的研究，老师是chrmanning^[6]。

6.Coursera的《机器学习》^[7]：最初由斯坦福吴恩达教课，可能是世界上最受欢迎地机器学习课程。其Coursera版本在撰写时已被250万人注册。

7.Coursera的《该率图形模型系列》^[8]：和大多数AI课程逐一引入小概念不同，这门课自上而下介绍概念，当你提到ML时，它会强迫你思考你究竟想学什么。

8.DeepMind出品地《强化学习导论》^[9]：RL很难，但是David Silver（大卫·西尔弗）会从中解救你。本课程通过直观的解释和有趣的例子为RL提供了一个很好的介绍，由世界领先的专家之一讲授。

9.Bootcamp出品的《全栈深度学习》^[10]：大多数课程只教你如何训练和优化模型，这是我唯一见到的一步步教你设计、训练、部署模型地课程。

10.Coursera的《如何赢得数据科学竞赛：向顶级Kaggers学习》^[11]：学习完上面地课程后，是时候去Kaggle为你的简历积累一些机器学习的经验了。

References

[1] 《概率与统计》: https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics

[2] 《线性代数》: https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

[3] CS231N：用于视觉识别的卷积神经网络: https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq

[4] 《面向开发者的深度学习实践》: https://course.fast.ai/

[5] 《CS224N：自然语言处理与深度学习》: https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_

[6] chrmanning: https://twitter.com/chrmanning

[7] 《机器学习》: https://www.coursera.org/learn/machine-learning

[8] 《该率图形模型系列》: https://www.coursera.org/specializations/probabilistic-graphical-models

[9] 《强化学习导论》: https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ

[10] 《全栈深度学习》: https://fullstackdeeplearning.com/march2019

[11] 《如何赢得数据科学竞赛：向顶级Kaggers学习》: https://www.coursera.org/learn/competitive-data-science/home/welcome