學習機器學習和資料科學必看的十個資源
秋招已進入尾聲，網際網路行業也逐漸進入冬天，很多大廠都傳來了縮招或停止招聘的訊息。但由一些崗位仍然是求賢若渴，即人工智慧、大資料行業。在近日的世界網際網路大會上，這兩個也是熱門話題，可以預見到，這些行業在未來的十年裡都是比較熱門的。可以說，誰掌握了資料和人工智慧，它就掌握了未來。因此，對於那些還在猶豫是否進入這一領域的人來說，在掌握一門傍身技能的同時，如果不想在之後的時代裡落伍，那就趕緊補充這方面的技能吧。網上關於這方面的學習資源有很多，讓人無從下手。本文總結了一系列免費的機器學習和資料科學課程，方便讀者在這個冬天及行業冬天裡補充和提升自己。課程範圍涵蓋入門機器學習（Machine Learning）、深度學習（Deep Learning）及自然語言處理（NLP）等。如果在閱讀此列表後，你還有些其它好的學習資料，可以在下面的留言欄給出相關的學習連結。
ofollow,noindex" target="_blank">1. 計算思維和資料科學簡介|MIT
6.0002是6.0001電腦科學和Python程式設計簡介的延續，適用於程式設計經驗很少或沒有程式設計經驗的學生。它旨在讓學生了解計算在解決問題方面可以發揮的作用，並讓其對自己有所幫助。無論屬於什麼專業，他們都有理由相信他們能夠編寫出一些小程式，使其能夠實現一些有用的目標。本教程使用Python3.5。
2. 機器學習|Stanford
本課程提供機器學習和統計模式識別的基礎介紹。主要主題包括：監督學習（生成/判別學習、引數/非引數學習、神經網路、支援向量機）; 無監督學習（聚類、降維、核方法）; 學習理論（偏差/方差權衡、VC理論、最大邊緣）; 強化學習和自適應控制。本課程還將討論機器學習的最新應用，例如機器人控制、資料探勘、自主導航、生物資訊學、語音識別以及文字和網頁資料處理。
3. 針對程式設計者的機器學習簡介|fast.ai
本課程有大約24小時學時，但如果你想完成所有的學習素材，你應該計劃每週花大約8小時，為期12周。該課程是以 舊金山大學資料科學碩士課程 記錄的筆記為基礎。學習之前，本教程假設學習者具備至少一年的編碼經驗，如果你沒有達到這個要求，那麼需要複習一些高數中學到的知識，以及做一些額外的學習來更新掌握的知識。
4. 機器學習速成課程|Google
準備好開始實戰機器學習了嗎？通過速成課程的學習和應用一些基本的機器學習概念，以及在Kaggle競賽中獲得的真實的體驗，或者訪問Google AI學習來主頁探索完整的學習資源庫來進行機器學習實戰。
5. 深度學習簡介|MIT
本課程是一門深度學習方法入門課程，教程中涵蓋機器翻譯、影象識別、遊戲、影象生成等應用場景。此外，本教程也是一個TensorFlow實驗室和同行合作的課程，課程結束時可以提供一些專案建議，你回得到工作人員和行業贊助商小組的反饋。
6. 針對程式設計者的深度學習實戰（part I）|fast.ai
歡迎閱讀2018年版fast.ai的為期7周的課程，深度學習實戰第1部分。該教程是由Enlitic的創始人傑裡米·霍華德（Jeremy Howard）講授。學習如何在不需要研究生水平數學知識的情況下建立最先進的模型，同時也不會疏忽任何事情，並且該學習社群有成千上萬的其他學習者，在整個學習過程中，如果你有任何學習的問題需要幫助時，請前往forums.fast.ai，相信你的小夥伴們能夠給予及時且準確的回答。請注意，本課程還有第二部分： 針對程式設計者的深度學習實戰（part II） 。
7. 自然語言處理 |Yandex
該課程為期七週，分別講述詞嵌入、文字分類、語言模型、注意機制、最大期望以及機器翻譯。
8. 從語言到資訊|Stanford
線上世界以語言和社交網路的形式提供大量非結構化資訊。本課程將教你學習如何理解它以及如何通過語言與人類互動，互動的形式不侷限於回答，還包括提供建議等。
9. 實用強化學習|Yandex
- 出於好奇心：對於未詳細介紹的所有材料，可以連結到更多相關資訊和材料（D.Silver / Sutton / blogs / whatever）。如果你想深入挖掘，完成作業將將會有部分獎勵。
- 出於實用性：解決強化學習問題所必需的知識都是值得一提。本課程不會避免涉及技巧和啟發式。對於每個主要的想法，都應該有一次試驗，通過實踐讓你在實際問題上“感受”它。
10. 針對程式設計者的計算線性代數| fast.ai
本課程的重點是以下問題： 如何以可接受的速度和可接受的準確度進行矩陣計算？
本課程於2017年夏季在舊金山大學的分析科學碩士課程中講授。本課程使用Jupyter筆記本進行Python教學，使用Scikit-Learn和Numpy等大多數擴充套件庫，以及Numba（將Python編譯為C以獲得更快效能的庫）和PyTorch（GPU替代Numpy）。
作者資訊
Matthew Mayo，機器學習和資料科學
本文由阿里云云棲社群組織翻譯。
文章原標題《10 Free Must-See Courses for Machine Learning and Data Science》，譯者：海棠，審校：Uncle_LLD。
文章為簡譯，更為詳細的內容， 請檢視原文 。