Másfél évvel ezelőtt kikerültem Kanada egyik legjobb informatikai programjából. Elkezdtem létrehozni saját adattudományi mesterképzésemet online források felhasználásával. Rájöttem, hogy ehelyett mindent megtanulhatok az edX, a Coursera és az Udacity révén. És gyorsabban, hatékonyabban és a költségek töredékéért megtanulhatnám.
Most már majdnem kész vagyok. Számos adattudománnyal kapcsolatos tanfolyamot vettem igénybe, és még sok más részét auditáltam. Ismerem a lehetőségeket, és azt, hogy milyen képességekre van szükség a tanulók számára, akik adatelemzői vagy adatkutatói szerepre készülnek.Ezért elkezdtem egy áttekintés-alapú útmutató készítését, amely az adattudomány minden tantárgyához a legjobb tanfolyamokat ajánlja.
A sorozat első útmutatójához néhány kódolási osztályt ajánlottam a kezdő adattudós számára. Akkor statisztikai és valószínűségi osztályokról volt szó. Ezután az adattudomány bemutatkozása. Továbbá, az adatok vizualizálása.
Most a gépi tanulásra.
Ehhez az útmutatóhoz egy tucat órát próbáltam azonosítani minden online gépi tanfolyamot, amelyet felajánlottak 2017 májusától, kivonva a kulcsfontosságú információkat tananyagukból és áttekintéseikből, és összeállítva értékeléseiket. Végső célom az volt, hogy meghatározzam a rendelkezésre álló három legjobb tanfolyamot, és bemutatom neked az alábbiakban.
Ehhez a feladathoz nem máshoz fordultam, mint a nyílt forráskódú Class Central közösséghez, és annak adatbázisához, amely természetesen több ezer értékelést és értékelést tartalmaz.
2011 óta a Class Central alapítója, Dhawal Shah jobban figyelemmel kíséri az online tanfolyamokat, mint vitathatatlanul bárki más a világon. Dhawal személyesen segített nekem összeállítani az erőforrások listáját.
Hogyan választottuk meg a megfontolandó tanfolyamokat
Minden kurzusnak három kritériumnak kell megfelelnie:
- Jelentős mennyiségű gépi tanulási tartalommal kell rendelkeznie. Ideális esetben a gépi tanulás az elsődleges téma.Ne feledje, hogy kizárták a csak mélyreható tanfolyamokat. Erről később.
- Igény szerint igényelhető, vagy néhány havonta felajánlva.
- Interaktív online tanfolyamnak kell lennie, tehát nincsenek könyvek vagy csak olvasható oktatóanyagok . Bár ezek életképes módszerek a tanulásra, ez az útmutató a tanfolyamokra összpontosít. Azok a kurzusok, amelyek szigorúan videók (azaz nincsenek vetélkedők, feladatok stb.), Szintén kizárásra kerülnek.
Úgy gondoljuk, hogy minden figyelemre méltó tanfolyamot bejártunk, amely megfelel a fenti kritériumoknak. Mivel látszólag több száz tanfolyam létezik az Udemy-n, úgy döntöttünk, hogy csak a legértékeltebb és a legmagasabb besorolásúakat vesszük figyelembe.
Mindig van rá esély, hogy mégis elmulasztottunk valamit. Tehát kérjük, tudassa velünk a megjegyzés rovatban, ha jó tanfolyamot hagytunk.
Hogyan értékeltük a tanfolyamokat
Összeállítottuk az osztályzatok átlagos osztályzatait és a Class Central és más áttekintő oldalak véleményeinek számát, hogy kiszámítsuk az egyes tanfolyamok súlyozott átlagát. Szöveges áttekintéseket olvastunk, és ezeket a visszajelzéseket használtuk a numerikus értékelések kiegészítésére.
Három tényező alapján készítettünk szubjektív tantervi bírálatokat:
- A gépi tanulás munkafolyamatának magyarázata. A tanfolyam felvázolja a sikeres ML projekt végrehajtásához szükséges lépéseket? A tipikus munkafolyamatokról a következő szakaszban olvashat.
- A gépi tanulási technikák és algoritmusok lefedettsége. Különféle technikák (pl. Regresszió, osztályozás, klaszterezés stb.) És algoritmusok (pl. Osztályozáson belül: naiv Bayes-ek, döntési fák, támogató vektor-gépek stb.) Vannak-e lefedve, vagy csak néhány kiválasztott? Előnyben részesülnek azok a tanfolyamok, amelyek többet fednek le anélkül, hogy a részletekre spórolnának.
- Általános adat- és gépi tanulási eszközök használata. A tanfolyam népszerű programozási nyelvek használatával történik, mint a Python, R és / vagy Scala? Mit szólnál a népszerű könyvtárakhoz ezeken a nyelveken? Ezek nem szükségesek, de hasznosak, ezért enyhe előnyben részesítik ezeket a tanfolyamokat.
Mi a gépi tanulás? Mi a munkafolyamat?
Egy népszerű definíció Arthur Samuel-től származik 1959-ben: a gépi tanulás a számítástechnika egyik olyan területe, amely „a számítógépeknek képesek tanulni anélkül, hogy kifejezetten programoznák őket”. A gyakorlatban ez olyan számítógépes programok kifejlesztését jelenti, amelyek adatok alapján jósolhatnak. Ahogy az emberek tanulhatnak a tapasztalatokból, ugyanúgy a számítógépek is, ahol az adatok = tapasztalatok.
A gépi tanulási munkafolyamat a gépi tanulási projekt végrehajtásához szükséges folyamat. Bár az egyes projektek különbözhetnek, a legtöbb munkafolyamatnak több közös feladata van: a problémák kiértékelése, az adatok feltárása, az adatok előfeldolgozása, a modell oktatása / tesztelése / telepítése stb. Az alábbiakban az alábbi alapvető lépések hasznos megjelenítését találja:
Az ideális tanfolyam bemutatja az egész folyamatot, és interaktív példákat, feladatokat és / vagy vetélkedőket tartalmaz, ahol a hallgatók az egyes feladatokat maguk is elvégezhetik.
Ezek a tanfolyamok kiterjednek a mély tanulásra?
Először is, határozzuk meg a mély tanulást. Itt van egy tömör leírás:
"A mély tanulás a gépi tanulás olyan részterülete, amelyet az agy struktúrája és működése ihlette mesterséges neurális hálózatoknak neveznek." - Jason Brownlee, a Machine Learning Mastery részérőlAhogy az várható volt, a gépi tanfolyamok egy része mély tanulási tartalmat tartalmaz. Úgy döntöttem, hogy nem veszek részt a csak tanulás céljából végzett tanfolyamokon. Ha kifejezetten a mély tanulás érdekli, a következő cikkel foglalkozunk:
Merüljön el a mély tanulásban 12 ingyenes online tanfolyammal
Minden nap új címsorokat hoz arról, hogy a mély tanulás mennyire megváltoztatja a körülöttünk lévő világot. Néhány példa: medium.freecodecamp.com
A lista első három ajánlása a következő lenne:
- A mély tanulás kreatív alkalmazásai a TensorFlow segítségévelírta Kadenze
- A Torontói Egyetem neurális hálózatai a gépi tanuláshoz (Geoffrey Hinton tanítja) a Coursera útján
- Mély tanulás AZ ™: gyakorlati mesterséges ideghálózatok
Kirill Eremenko, Hadelin de Ponteves és a SuperDataScience Team az Udemy-n keresztül
Ajánlott előfeltételek
Az alább felsorolt több tanfolyam arra kéri a hallgatókat, hogy előzetes programozási, számítási, lineáris algebrai és statisztikai tapasztalatokkal rendelkezzenek. Ezek az előfeltételek érthetőek, tekintettel arra, hogy a gépi tanulás fejlett tudományág.
Hiányzik néhány téma? Jó hírek! E tapasztalatok egy részét a Data Science Karrier Útmutató első két cikkében (programozás, statisztika) szereplő ajánlásaink révén sajátíthatjuk el. Az alábbiakban számos legmagasabb rangú tanfolyam kíméletes számításokat és lineáris algebrai frissítéseket kínál, és kiemeli azokat a szempontokat, amelyek a kevésbé ismerősek számára a gépi tanulás szempontjából a legfontosabbak.
A legjobb gépi tanulási tanfolyam választása:
- Gépi tanulás (Stanford Egyetem a Coursera-n keresztül)
A Stanford Egyetem gépi tanulása a Coursera-n az egyértelmű nyertes a minősítések, vélemények és a tanterv illesztése szempontjából. A híres Andrew Ng, a Google Brain alapítója és a Baidu korábbi vezető tudósa tanította, ez volt az az osztály, amely elindította a Coursera megalapítását. 4,7 csillagos súlyozott átlagos besorolással rendelkezik, több mint 422 értékelés.
A 2011-ben megjelent, a gépi tanulás munkafolyamatának minden aspektusát lefedi. Bár kisebb hatókörű, mint az eredeti Stanford osztály, amelyre épül, mégis számos technikát és algoritmust képes lefedni. A becsült idővonal tizenegy hét, két hét az ideghálózatokkal és a mély tanulással foglalkozik. Ingyenes és fizetett lehetőségek állnak rendelkezésre.
Ng dinamikus, ugyanakkor szelíd oktató, érezhető tapasztalattal. Bizalmat ébreszt, különösen akkor, ha gyakorlati megvalósítási tippeket és figyelmeztetéseket oszt meg a közös csapdákkal kapcsolatban. Lineáris algebrai frissítést biztosítunk, és Ng kiemeli a számítás szempontjait, amelyek a gépi tanulás szempontjából a legrelevánsabbak.
Az értékelés automatikus, és feleletválasztós vetélkedőkön keresztül történik, amelyek követik az egyes leckéket és a programozási feladatokat. A hozzárendeléseket (nyolc van belőlük) a MATLAB-ban vagy az Octave-ben lehet elvégezni, amely a MATLAB nyílt forráskódú változata. Ng elmagyarázza a nyelvválasztását:
Korábban megpróbáltam gépi tanulást tanítani sokféle programozási nyelv felhasználásával, beleértve a C ++, a Java, a Python, a NumPy és az Octave… És amit láttam, miután majdnem egy évtizede tanítottam a gépi tanulást: sokkal gyorsabban tanul, ha az Octave-t használja programozási környezetként.Bár a Python és az R valószínűleg 2017-ben vonzóbb döntéseket hoznak e nyelvek növekvő népszerűségével, a bírálók megjegyzik, hogy ez nem akadályozhatja meg a tanfolyamot.
Néhány prominens lektor megjegyezte a következőket:
A MOOC világában régóta elismert Stanford gépi tanulási tanfolyama valóban a végleges bevezető ebbe a témába. A tanfolyam nagyjából lefedi a gépi tanulás összes fő területét ... Prof. Ng motiváló beszélgetéssel és példákkal megelőzi az egyes szegmenseket.Andrew Ng tehetséges tanár, aki képes intuitív és világos módon megmagyarázni a bonyolult tárgyakat, beleértve az összes fogalom mögött álló matematikát. Nagyon ajánlott.
Az egyetlen problémát látom ezzel a tanfolyammal, ha ez nagyon magasra teszi az elvárási sávot más tanfolyamok esetében.
Új Ivy Liga bemutatkozás egy zseniális professzorral
- Gépi tanulás (Columbia University via edX)
A Columbia Egyetem Gépi Tanulása egy viszonylag új kínálat, amely része az edX Mesterséges Intelligencia MicroMastereinek. Annak ellenére, hogy újabb, és nincs sok véleménye, kivételesen erősek. John Paisley professzort zseniálisnak, világosnak és okosnak nevezik. 4,8 csillagos súlyozott átlaggal rendelkezik, több mint 10 értékelés.
A tanfolyam kiterjed a gépi tanulás munkafolyamatának minden aspektusára és több algoritmusra, mint a fenti Stanford-ajánlat. A Columbia's egy fejlettebb bevezetés, a bírálók megjegyzik, hogy a hallgatóknak meg kell felelniük az ajánlott előfeltételeknek (számítás, lineáris algebra, statisztika, valószínűség és kódolás).
Kvízek (11), programozási feladatok (4) és egy záróvizsga az értékelés módja. A hallgatók a Python, az Octave vagy a MATLAB használatával elvégezhetik a feladatokat. A tanfolyam teljes becsült ütemterve hetente nyolc-tíz óra, tizenkét hét alatt. Ingyenes, megvásárolható igazolt tanúsítvánnyal.
Az alábbiakban bemutatunk néhány fent említett csillogó véleményt:
A hallgatói létem során töltött évek alatt olyan professzorokkal találkoztam, akik nem zseniálisak, professzorokkal, akik zseniálisak, de nem tudják, hogyan magyarázzák el világosan, és olyan professzorokkal, akik zseniálisak és tudják, hogyan magyarázzák meg a dolgokat tisztán. Dr. Paisley a harmadik csoportba tartozik.Ez egy nagyszerű tanfolyam ... Az oktató nyelve pontos, és véleményem szerint ez a tanfolyam egyik legerősebb pontja. Az előadások kiváló minőségűek és a diák is remekek.
Dr. Paisley és témavezetője… Michael Jordan tanítványa, a gépi tanulás atyja. [Dr. Paisley] a legjobb ML professzor Columbia-ban, mivel képes világosan megmagyarázni a dolgokat. Ebben a félévben legfeljebb 240 hallgató választotta ki tanfolyamát, ez a legnagyobb szám a Columbia gépi tanulást tanító professzorai közül.
Praktikus bemutatkozás a Python & R-ben az ipar szakértőitől
- Gépi tanulás AZ ™: gyakorlati Python és R az adattudományban (Kirill Eremenko, Hadelin de Ponteves és a SuperDataScience csapat az Udemy-n keresztül)
A gépi tanulás AZ ™ az Udemy-n egy lenyűgözően részletes ajánlat, amely mind a Pythonban , mind pedig az R-ben oktatást nyújt , ami ritka és nem mondható el a többi felső tanfolyamról. 4,5 csillagos súlyozott átlagos besorolása meghaladja a 8119 véleményt, ami a vizsgáltak közül a leginkább felülvizsgált tanfolyam.
A teljes gépi tanulási munkafolyamatot és szinte nevetséges (jó értelemben vett) algoritmusokat fedi le 40,5 órás on-demand videó segítségével. A tanfolyam alkalmazottabb megközelítést alkalmaz és könnyebb matematikailag, mint a fenti két tanfolyam. Minden szakasz egy Eremenko „intuíciós” videóval kezdődik, amely összefoglalja a tanított koncepció mögöttes elméletét. de Ponteves ezután végigmegy a megvalósításon, külön videókkal mind a Python, mind az R számára.
„Bónuszként” a tanfolyam Python és R kódsablonokat tartalmaz, amelyekkel a hallgatók letölthetik és felhasználhatják saját projektjeiket. Vannak vetélkedők és házi feladatok, bár ezek nem a tanfolyam erős pontjai.
Eremenkót és a SuperDataScience csapatát tisztelik azért, mert képesek „egyszerűvé tenni a komplexumot”. Ezenkívül a felsorolt előfeltételek „csak néhány középiskolai matematika”, így ez a tanfolyam jobb választás lehet azok számára, akiket a Stanford és Columbia kínálata elrettent.
Néhány prominens lektor megjegyezte a következőket:
A tanfolyam professzionálisan készül, a hangminőség kiváló, a magyarázatok pedig világosak és tömörek ... Hihetetlen érték a pénzügyi és időbeli befektetés szempontjából.Látványos volt, hogy két különböző programozási nyelven egyszerre tudtam követni a tanfolyamot.
Kirill az Udemy egyik legjobb oktatója (ha nem az internet), és azt javaslom, hogy vegyen részt bármelyik órában, amelyet tanít. ... Ez a tanfolyam rengeteg tartalommal bír, mint egy csomó!
A verseny
Az 1. számú választottunk súlyozott átlagos értékelése az 5 csillagból 4,7 volt, több mint 422 értékelésen. Nézzük meg a többi alternatívát, csökkenő besorolás szerint rendezve. Emlékeztető arra, hogy ez az útmutató nem tartalmazza a csak tanuláshoz szükséges tanfolyamokat - ezeket itt találja.
Az Analytics Edge (Massachusetts Institute of Technology / edX): jobban összpontosítva általában az elemzésre, bár több gépi tanulási témát is lefed. R. Erős elbeszélést használ, amely ismerős valós példákat használ fel. Kihívást jelentő. Heti tíz-tizenöt óra tizenkét hét alatt. Ingyenes, megvásárolható igazolt tanúsítvánnyal. 4,9 csillagos súlyozott átlagos besorolással rendelkezik, 214 értékelés felett.
Python az adattudományhoz és a gépi tanuláshoz Bootcamp (Jose Portilla / Udemy): Nagy darabjai vannak a gépi tanulási tartalomnak, de lefedi az egész adattudományi folyamatot. Inkább egy nagyon részletes bevezető a Pythonhoz. Csodálatos tanfolyam, bár nem ideális az útmutató terjedelméhez. 21,5 óra igény szerinti videó. A költségek a gyakori Udemy-kedvezmények függvényében változnak. 4,6 csillagos súlyozott átlagos besorolással rendelkezik, több mint 3316 értékelés.
Adattudomány és gépi tanulás Bootcamp R-vel (Jose Portilla / Udemy): A Portilla fenti tanfolyamának megjegyzései itt is érvényesek, kivéve az R. 17,5 órás igény szerinti videót. A költségek a gyakori Udemy-kedvezmények függvényében változnak. 4,6 csillagos súlyozott átlagos besorolással rendelkezik, több mint 1317 értékelés.
Gépi tanulási sorozat (Lazy Programmer Inc./Udemy): Látványos folytatással egy tudós / nagy adatmérnök / teljes verem szoftvermérnök oktatja, a Lazy Programmer jelenleg 16 gépi tanulásra összpontosító tanfolyamot tart az Udemy-ről. Összesen a tanfolyamok 5000+ minősítéssel rendelkeznek, és szinte mindegyik 4,6 csillagos. Az egyes tanfolyamok leírása hasznos tanfolyam-sorrendet tartalmaz. Python-t használ. A költségek a gyakori Udemy-kedvezmények függvényében változnak.
Gépi tanulás (Georgia Tech / Udacity): Három különálló tanfolyam összeállítása: felügyelt, felügyelet nélküli és megerősítő tanulás. Az Udacity gépi tanulási mérnöke Nanodegree és a Georgia Tech Online Master's Degree (OMS) része. Harapásméretű videók, akárcsak az Udacity stílusa. Barátságos professzorok. Becsült ütemterv négy hónap. Ingyenes. 4.56 csillagos súlyozott átlaggal rendelkezik, 9 értékelés felett.
A prediktív elemzés a Spark alkalmazással az Azure HDInsight-ban (Microsoft / edX): Bemutatja a gépi tanulás alapfogalmait és számos algoritmust. Számos nagy adatbarát eszközt alkalmaz, köztük az Apache Sparkot, a Scalát és a Hadoopot. A Python-t és az R-t is használja, hetente négy órát, hat hét alatt. Ingyenes, megvásárolható igazolt tanúsítvánnyal. 4,5 csillagos súlyozott átlaggal rendelkezik, több mint 6 értékelés.
Adattudomány és gépi tanulás a Python-nal - kézzel! (Frank Kane / Udemy): Python-t használ. Kane kilenc éves tapasztalattal rendelkezik az Amazon és az IMDb területén. Kilenc óra igény szerinti videó. A költségek a gyakori Udemy-kedvezmények függvényében változnak. 4,5 csillagos súlyozott átlagos besorolással rendelkezik, több mint 4139 értékelésen.
Scala és a Spark a nagy adat- és gépi tanuláshoz (Jose Portilla / Udemy): A „nagy adatok” összpontosítanak, különös tekintettel a Scala és a Spark megvalósítására. Tíz óra igény szerinti videó. A költségek a gyakori Udemy-kedvezmények függvényében változnak. 4,5 csillagos súlyozott átlagos besorolással rendelkezik, 607 értékelés felett.
Machine Learning Engineer Nanodegree (Udacity): Az Udacity zászlóshajó Machine Learning programja, amely a kategóriájában legjobb projekt-felülvizsgálati rendszert és karrier-támogatást tartalmaz. A program több ingyenes Udacity tanfolyam összeállítása. Kaggle készítette. Becsült időtartam hat hónap. Jelenleg havi 199 USD dollárba kerül, 50% -os tandíj-visszatérítés áll rendelkezésre azok számára, akik 12 hónapon belül diplomát szereznek. 4,5 csillagos súlyozott átlaggal rendelkezik, 2 értékelés felett.
Tanulás adatból (bevezető gépi tanulás) (Kaliforniai Műszaki Intézet / edX): A regisztráció jelenleg le van zárva az edX-en, de elérhető a CalTech független platformján keresztül is (lásd alább). 4,49 csillagos súlyozott átlagértékeléssel rendelkezik, több mint 42 értékelés.
Tanulás az adatokból (Bevezető gépi tanulás) (Yaser Abu-Mostafa / Kaliforniai Műszaki Intézet): „Valódi Caltech tanfolyam, nem leöntött változat.” A vélemények szerint kiválóan alkalmas a gépi tanulás elméletének megértésére. A professzor, Yaser Abu-Mostafa, népszerű a hallgatók körében, és megírta a tanfolyam alapjául szolgáló tankönyvet is. A videók szalagra rögzített előadások (előadásokkal di-kép a képben), amelyeket feltöltenek a YouTube-ra. A házi feladatok .pdf fájlok. Az online hallgatók számára a tanfolyam tapasztalata nem annyira csiszolt, mint az első három ajánlás. 4,43 csillagos súlyozott átlaggal rendelkezik, több mint 7 értékelés.
Bányászati tömeges adatkészletek (Stanfordi Egyetem): Gépi tanulás, a „big data” -ra összpontosítva. Bemutatja a modern elosztott fájlrendszereket és a MapReduce programot. Heti tíz óra hét hét alatt. Ingyenes. 4,4 csillagos súlyozott átlagértékeléssel rendelkezik, 30 értékelés felett.
AWS gépi tanulás: Teljes útmutató a Pythonnal (Chandra Lingam / Udemy): A felhő alapú gépi tanulásra és kifejezetten az Amazon Web Servicesre összpontosít. Python-t használ. Kilenc óra igény szerinti videó. A költségek a gyakori Udemy-kedvezmények függvényében változnak. 4,4 csillagos súlyozott átlagos besorolással rendelkezik, 62 értékelés felett.
Bevezetés a gépi tanulásba és az arcfelismerésbe a Pythonban (Holczer Balazs / Udemy): Python-t használ. Nyolc óra igény szerinti videó. A költségek a gyakori Udemy-kedvezmények függvényében változnak. 4,4 csillagos súlyozott átlagos besorolással rendelkezik, több mint 162 értékelésen.
StatLearning: Statisztikai tanulás (Stanfordi Egyetem): A „Bevezetés a statisztikai tanulásba, R alkalmazásokkal” című kiváló tankönyv alapján, amelyet az író professzorok tanítottak. A bírálók megjegyzik, hogy a MOOC „vékony” gyakorlatokra és közepes videókra hivatkozva nem olyan jó, mint a könyv. Heti öt óra, kilenc hét alatt. Ingyenes. 4,35 csillagos súlyozott átlaggal rendelkezik, több mint 84 értékelés.
Gépi tanulás specializáció (Washingtoni Egyetem / Coursera): Remek tanfolyamok, de az utolsó két osztályt (beleértve a capstone projektet) törölték. A bírálók megjegyzik, hogy ez a sorozat jobban emészthető (olvasható: könnyebb az erős technikai háttérrel rendelkezők számára), mint más csúcsgépes tanfolyamok (pl. Stanford vagy Caltech tanfolyamai). Ne feledje, hogy a sorozat hiányos az ajánló rendszerekkel, a mély tanulással és az összefoglaló hiányával. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 4,31 csillagos súlyozott átlagos besorolással rendelkezik, 80 értékelés felett.
0-tól 1-ig: Gépi tanulás, NLP és Python-vágás az üldözésig (Loony Corn / Udemy): „Egy földhözragadt, félénk, de magabiztosan veszi át a gépi tanulási technikákat.” Négyfős csapat tanítja, több évtizedes ipari tapasztalattal. Python-t használ. A költségek a gyakori Udemy-kedvezmények függvényében változnak. 4,2 csillagos súlyozott átlagos besorolással rendelkezik, mint 494 értékelés.
A gépi tanulás alapelvei (Microsoft / edX): R, Python és Microsoft Azure Machine Learning használatát használja. Része a Microsoft Professional Data tanúsítványnak. Heti három-négy óra hat hét alatt. Ingyenes, megvásárolható igazolt tanúsítvánnyal. 4,09 csillagos súlyozott átlaggal rendelkezik, több mint 11 vélemény.
Big Data: Statisztikai következtetések és gépi tanulás (Queenslandi Műszaki Egyetem / FutureLearn): Szép, rövid feltáró gépi tanulási tanfolyam, amelynek középpontjában a big data áll. Néhány olyan eszközt tartalmaz, mint az R, a H2O Flow és a WEKA. Csak három hét, ajánlott heti két órával, de egy véleményező megjegyezte, hogy heti hat óra lenne megfelelőbb. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 4 csillagos súlyozott átlaggal rendelkezik, több mint 4 értékelés.
Genomikus adattudomány és klaszterezés (Bioinformatika V) (Kaliforniai Egyetem, San Diego / Coursera): Azok számára, akik érdeklődnek a számítástechnika és a biológia metszéspontja iránt, és hogyan jelentik a modern tudomány fontos határát. A klaszterezésre és a dimenziócsökkentésre összpontosít. Az UCSD Bioinformatikai Szakirányának része. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 4 csillagos súlyozott átlaggal rendelkezik, 3 értékelés felett.
Bevezetés a gépi tanulásba (Udacity): A téma szélességét és a gyakorlati eszközöket (Pythonban) prioritásként kezeli a mélység és az elmélet helyett. Az oktatók, Sebastian Thrun és Katie Malone, olyan szórakoztatóvá teszik ezt az órát. Harapásméretű videókból és vetélkedőkből áll, amelyeket egy-egy miniprojekt követ az egyes órákhoz. Jelenleg az Udacity adatelemzőjének Nanodegree része. Becsült idővonal tíz hét. Ingyenes. 3,95 csillagos súlyozott átlaggal rendelkezik, több mint 19 vélemény.
Gépi tanulás adatelemzéshez (Wesleyan University / Coursera): Rövid intro gépi tanulás és néhány kiválasztott algoritmus. Felöleli a döntési fákat, a véletlenszerű erdőket, a lasszó regressziót és a k-csoportosítást. Wesleyan adatelemzési és értelmezési szakterületének része. Becsült időtartam négy hét. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 3,6 csillagos súlyozott átlaggal rendelkezik, több mint 5 értékelés.
Programozás a Python for Data Science (Microsoft / edX) programmal: A Microsoft készítette a Coding Dojo-val együttműködve. Python-t használ. Hetente nyolc óra hat hét alatt. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 3,46 csillagos súlyozott átlaggal rendelkezik, több mint 37 értékelés.
Gépi tanulás kereskedéshez (Georgia Tech / Udacity): A valószínűségi gépi tanulási módszerek alkalmazásának középpontjában áll a kereskedési döntéseknél. Python-t használ. Az Udacity gépi tanulási mérnöke Nanodegree és a Georgia Tech Online Master's Degree (OMS) része. Becsült ütemterv négy hónap. Ingyenes. 3,29 csillagos súlyozott átlagos besorolással rendelkezik, 14 értékelés felett.
Gyakorlati gépi tanulás (Johns Hopkins Egyetem / Coursera): Rövid, gyakorlati bevezetés számos gépi tanulási algoritmushoz. Több egy / kétcsillagos értékelés különféle aggodalmakat fejez ki. A JHU adattudományi specializációjának része. Heti négy-kilenc óra négy hét alatt. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 3,11 csillagos súlyozott átlaggal rendelkezik, több mint 37 értékelés.
Gépi tanulás az adattudomány és az Analytics számára (Columbia University / edX): A gépi tanulási témák széles skáláját mutatja be. Néhány szenvedélyes negatív kritika olyan aggályokkal jár, mint a tartalom megválasztása, a programozási feladatok hiánya és a nem inspiráló prezentáció. Heti hét-tíz óra, öt hét alatt. Ingyenes, megvásárolható igazolt tanúsítvánnyal. 2,74 csillagos súlyozott átlagértékeléssel rendelkezik, több mint 36 értékelés.
Ajánló rendszerek specializációja (Minnesotai Egyetem / Coursera): A gépi tanulás egy speciális típusának - az ajánló rendszerek - erős hangsúlyozása. Négy tanfolyam specializáció plusz egy alapkivitelű projekt, amely esettanulmány. A LensKit (nyílt forráskódú eszköztár az ajánló rendszerek számára) használatával tanított. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 2 csillagos súlyozott átlaggal rendelkezik, 2 értékelés felett.
Gépi tanulás nagy adatokkal (Kaliforniai Egyetem, San Diego / Coursera): Borzalmas vélemények, amelyek kiemelik a gyenge oktatást és értékelést. Néhányan megjegyezték, hogy az egész tanfolyam elvégzése csupán órákba telt. Az UCSD Big Data Specializációjának része. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 1,86 csillagos súlyozott átlagos besorolással rendelkezik, 14 értékelés felett.
Gyakorlati prediktív elemzés: modellek és módszerek (Washingtoni Egyetem / Coursera): Rövid bevezető az alapvető gépi tanulási koncepciókba. Az egyik recenzens megjegyezte, hogy hiányoztak a vetélkedők, és hogy a feladatok nem voltak kihívások. Az UW Data Science at Scale Specialization része. Heti hat-nyolc óra négy hét alatt. Ingyenes és fizetett lehetőségek állnak rendelkezésre. 1,75 csillagos súlyozott átlaggal rendelkezik, több mint 4 értékelés.
A következő tanfolyamokról egy vagy egyáltalán nem írtak véleményt 2017. májusától.
Gépi tanulás zenészek és művészek számára (Goldsmiths, Londoni Egyetem / Kadenze): egyedi. A hallgatók algoritmusokat, szoftvereszközöket és gépi tanulási gyakorlatokat tanulnak meg az emberi gesztus, a zenei hang és egyéb valós idejű adatok értelmezése érdekében. Hét ülés hossza. Ellenőrzési (ingyenes) és prémium (havi 10 USD) opciók állnak rendelkezésre. Egy 5 csillagos értékelése van.
Alkalmazott gépi tanulás Pythonban (Michigani Egyetem / Coursera): A Python és a scikit learn eszközkészlet használatával tanítják. Az Applied Data Science Python specializációval része. A tervek szerint május 29-én kezdődik. Ingyenes és fizetett lehetőségek állnak rendelkezésre.
Alkalmazott gépi tanulás (Microsoft / edX): Különböző eszközökkel tanított, beleértve a Python, R és Microsoft Azure Machine Learning alkalmazást (megjegyzés: a Microsoft készíti a tanfolyamot). Tartalmaz gyakorlati laboratóriumokat az előadás tartalmának megerősítésére. Heti három-négy óra hat hét alatt. Ingyenes, megvásárolható igazolt tanúsítvánnyal.
Gépi tanulás Python-nal (Big Data University): A Python használatával tanították. Kezdőknek szól. Becsült befejezési idő négy óra. A Big Data University kapcsolódik az IBM-hez. Ingyenes.
Gépi tanulás az Apache SystemML segítségével (Big Data University): Az Apache SystemML használatával tanult, amely egy deklaratív stílusú nyelv, amelyet nagyszabású gépi tanuláshoz terveztek. Becsült befejezési idő nyolc óra. A Big Data University kapcsolódik az IBM-hez. Ingyenes.
Machine Learning for Data Science (Kaliforniai Egyetem, San Diego / edX): Csak 2018 januárjában indul. A programozási példák és a hozzárendelések Pythonban vannak, Jupyter notebookok használatával. Tíz héten át hetente nyolc óra. Ingyenes, megvásárolható igazolt tanúsítvánnyal.
Bevezetés az Analytics modellezésbe (Georgia Tech / edX): A tanfolyam elsődleges programozási eszközként az R-t hirdeti. Heti öt-tíz óra tíz hét alatt. Ingyenes, megvásárolható igazolt tanúsítvánnyal.
Prediktív elemzés: Betekintés a Big Data-ba (Queenslandi Műszaki Egyetem / FutureLearn): Néhány algoritmus rövid áttekintése. Alkalmazott eszközként a Hewlett Packard Enterprise Vertica Analytics platformját használja. A kezdő dátumot ki kell hirdetni. Heti két óra négy hét alatt. Ingyenes, megvásárolható teljesítmény-tanúsítvánnyal.
Bevezetés a gépi tanulásba (Universitas Telefónica / Miríada X): spanyolul tanítják. Bevezetés a gépi tanulásba, amely kiterjed a felügyelt és felügyelet nélküli tanulásra. Összesen húsz becsült óra négy hét alatt.
Gépi tanulási útvonal lépés (Dataquest): Python-ban tanította a Dataquest interaktív böngészőbeli platformjával. Több irányított projekt és egy „plusz” projekt, ahol saját gépi tanulási rendszert épít fel saját adatai felhasználásával. Előfizetés szükséges.
A DataCamp a következő hat tanfolyamot kínálja. A DataCamp hibrid tanítási stílusa a videó- és szövegalapú utasításokat rengeteg példával hasznosítja a böngészőben található kódszerkesztő segítségével. Az egyes tanfolyamokhoz való teljes hozzáféréshez előfizetés szükséges.
Bevezetés a gépi tanulásba (DataCamp): Átfogja az osztályozás, a regresszió és a fürtözés algoritmusait. R. Tizenöt videót és 81 gyakorlatot használ, becsült időtartama hat óra.
Felügyelt tanulás a scikit-learn (DataCamp) segítségével: Python és scikit-learn használatával. Lefedi a besorolási és regressziós algoritmusokat. Tizenhét videó és 54 gyakorlat, amelyek becsült időtartama négy óra.
Felügyelet nélküli tanulás R-ben (DataCamp): Alapvető bevezetést nyújt a klaszterezéshez és a dimenziócsökkentéshez R-ben. Tizenhat videó és 49 gyakorlat, becsült időtartama négy óra.
Gépi tanulás eszköztára (DataCamp): Megtanítja a gépi tanulás „nagy ötleteit”. R. 24 videót és 88 gyakorlatot használ, amelyek becsült időtartama négy óra.
Gépi tanulás a szakértőkkel: iskolai költségvetések (DataCamp): Esettanulmány egy gépi tanulási versenyből a DrivenData-n. Magában foglalja egy olyan modell felépítését, amely automatikusan besorolja az elemeket az iskola költségvetésébe. A DataCamp „Felügyelt tanulás a scikit-learning segítségével” előfeltétele. Tizenöt videó és 51 gyakorlat, amelyek becsült időtartama négy óra.
Felügyelet nélküli tanulás a Pythonban (DataCamp): A Python, a scikit-learn és a scipy használatával számos felügyelet nélküli tanulási algoritmust fed le. A tanfolyam azzal zárul, hogy a hallgatók egy ajánló rendszert építenek fel a népszerű zenei művészek ajánlására. Tizenhárom videó és 52 gyakorlat, amelyek becsült időtartama négy óra.
Gépi tanulás (Tom Mitchell / Carnegie Mellon Egyetem): Carnegie Mellon diplomás bevezető gépi tanfolyam. A második statisztikai képzés „Statisztikai gépi tanulás” előfeltétele. Rögzített egyetemi előadások gyakorlati problémákkal, házi feladatokkal és félidős (mind megoldásokkal) online módon. A kurzus 2011-es változata is létezik. A CMU az egyik legjobb diplomás iskola a gépi tanulás számára, és az ML-nek egy egész tanszéke van. Ingyenes.
Statisztikai gépi tanulás (Larry Wasserman / Carnegie Mellon University): Valószínűleg a legfejlettebb tanfolyam ebben az útmutatóban. Carnegie Mellon gépi tanfolyamának folytatása. Rögzített egyetemi előadások gyakorlati problémákkal, házi feladatokkal és félidős (mind megoldásokkal) online módon. Ingyenes.
Gépi alapképzés (Nando de Freitas / University of British Columbia): Gépi alapképzés. Az előadásokat a kurzus weboldalára tett diákkal együtt filmezik és teszik közzé a YouTube-on. A tantárgyfeladatok is felkerülnek (megoldások ugyan nincsenek). de Freitas ma az Oxfordi Egyetem főállású professzora, és különféle fórumokon dicséretet kap tanári képességeiért. Elérhető a posztgraduális változat (lásd alább).
Gépi tanulás (Nando de Freitas / University of British Columbia): Végzett gépi tanfolyam. A de Freitas alapképzésének fenti megjegyzései itt is érvényesek.
Csomagolás
Ez az ötödik egy hat részes sorozat, amely a legjobb online tanfolyamokat fedi le, hogy elindulhasson az adattudomány területén. Az első cikkben a programozásra, a második cikk statisztikáira és valószínűségére, a harmadik cikkbe bevezettük az adattudományra, a negyedikre pedig az adatok vizualizálására terjedt ki.
Minden Intro to Data Science kurzust az interneten rangsoroltam, több ezer adatpont alapján
Egy évvel ezelőtt lemaradtam az egyik legjobb informatikai programról Kanadában. Elkezdtem létrehozni saját adataimat ...
Az utolsó cikk összefoglaló lesz ezekről a cikkekről, valamint a legjobb online tanfolyamok más kulcsfontosságú témákról, mint például az adatkezelés, az adatbázisok és még a szoftvertervezés is.
Ha a Data Science online tanfolyamok teljes listáját keresi, megtalálja azokat a Class Central Data Science és Big Data subject oldalán.
Ha szívesen olvasta ezt, nézze meg a Class Central többi darabját:
Íme 250 Ivy League tanfolyam, amelyet ingyen online vehet igénybe online
250 MOOC Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton és Yale.
Az adatok szerint az 50 legjobb ingyenes online egyetemi tanfolyam
Amikor 2011 novemberében elindítottam a Class Central szolgáltatást, körülbelül 18 ingyenes online tanfolyam volt, és szinte az összes…
Ha javaslataid vannak a hiányzó tanfolyamokra, tudasd velem a válaszokban!
Ha hasznosnak találta, kattintson a? így többen láthatják itt a Mediumon.
Ez egy rövid cikk az eredeti cikkemről, amelyet a Class Central-on publikáltam, ahol részletes tananyagokat is mellékeltem.