Jeder einzelne Kurs für maschinelles Lernen im Internet, sortiert nach Ihren Bewertungen

Vor anderthalb Jahren habe ich eines der besten Informatikprogramme in Kanada abgebrochen. Ich begann mein eigenes Data Science Master-Programm mithilfe von Online-Ressourcen zu erstellen. Ich erkannte, dass ich stattdessen alles, was ich brauchte, durch edX, Coursera und Udacity lernen konnte. Und ich könnte es schneller, effizienter und zu einem Bruchteil der Kosten lernen.

Ich bin jetzt fast fertig. Ich habe viele datenwissenschaftliche Kurse besucht und Teile von vielen anderen geprüft. Ich kenne die Möglichkeiten da draußen und welche Fähigkeiten für Lernende erforderlich sind, die sich auf eine Rolle als Datenanalyst oder Datenwissenschaftler vorbereiten.Deshalb habe ich angefangen, einen überprüfungsorientierten Leitfaden zu erstellen, der die besten Kurse für jedes Fach in der Datenwissenschaft empfiehlt.

Für den ersten Leitfaden der Reihe habe ich dem Anfänger-Datenwissenschaftler einige Codierungsklassen empfohlen. Dann waren es Statistiken und Wahrscheinlichkeitsklassen. Dann Einführung in die Datenwissenschaft. Auch Datenvisualisierung.

Nun zum maschinellen Lernen.

Für diesen Leitfaden habe ich ein Dutzend Stunden damit verbracht, jeden ab Mai 2017 angebotenen Online-Kurs für maschinelles Lernen zu identifizieren, wichtige Informationen aus ihren Lehrplänen und Bewertungen zu extrahieren und ihre Bewertungen zusammenzustellen. Mein Endziel war es, die drei besten verfügbaren Kurse zu identifizieren und Ihnen unten vorzustellen.

Für diese Aufgabe habe ich mich an keine andere als die Open-Source-Community von Class Central und deren Datenbank mit Tausenden von Kursbewertungen und -bewertungen gewandt.

Seit 2011 hat der Gründer von Class Central, Dhawal Shah, Online-Kurse genauer im Auge als wohl jeder andere auf der Welt. Dhawal hat mir persönlich geholfen, diese Ressourcenliste zusammenzustellen.

Wie wir Kurse ausgewählt haben, die berücksichtigt werden sollen

Jeder Kurs muss drei Kriterien erfüllen:

  1. Es muss eine erhebliche Menge an Inhalten für maschinelles Lernen enthalten. Im Idealfall ist maschinelles Lernen das Hauptthema.Beachten Sie, dass Kurse nur für tiefes Lernen ausgeschlossen sind. Dazu später mehr.
  2. Es muss auf Anfrage oder alle paar Monate angeboten werden.
  3. Es muss ein interaktiver Online-Kurs sein, also keine Bücher oder schreibgeschützten Tutorials . Obwohl dies praktikable Lernmethoden sind, konzentriert sich dieser Leitfaden auf Kurse. Kurse, bei denen es sich ausschließlich um Videos handelt (dh ohne Quiz, Aufgaben usw.), sind ebenfalls ausgeschlossen.

Wir glauben, dass wir jeden bemerkenswerten Kurs abgedeckt haben, der die oben genannten Kriterien erfüllt. Da es anscheinend Hunderte von Kursen zu Udemy gibt, haben wir uns entschieden, nur die am besten bewerteten und am besten bewerteten zu berücksichtigen.

Es besteht jedoch immer die Möglichkeit, dass wir etwas verpasst haben. Bitte teilen Sie uns im Kommentarbereich mit, ob wir einen guten Kurs ausgelassen haben.

Wie wir Kurse bewertet haben

Wir haben Durchschnittsbewertungen und die Anzahl der Bewertungen von Class Central und anderen Bewertungsseiten zusammengestellt, um eine gewichtete Durchschnittsbewertung für jeden Kurs zu berechnen. Wir haben Textrezensionen gelesen und dieses Feedback verwendet, um die numerischen Bewertungen zu ergänzen.

Wir haben subjektive Lehrplanentscheidungen getroffen, die auf drei Faktoren basieren:

  1. Erläuterung des Workflows für maschinelles Lernen. Beschreibt der Kurs die Schritte, die zur Durchführung eines erfolgreichen ML-Projekts erforderlich sind? Im nächsten Abschnitt erfahren Sie, was ein typischer Workflow beinhaltet.
  2. Berichterstattung über Techniken und Algorithmen des maschinellen Lernens. Werden verschiedene Techniken (z. B. Regression, Klassifizierung, Clustering usw.) und Algorithmen (z. B. innerhalb der Klassifizierung: naive Bayes, Entscheidungsbäume, Support-Vektor-Maschinen usw.) behandelt oder nur einige wenige? Bevorzugt werden Kurse, die mehr abdecken, ohne auf Details zu verzichten.
  3. Verwendung gängiger Tools für Data Science und maschinelles Lernen. Wird der Kurs mit gängigen Programmiersprachen wie Python, R und / oder Scala unterrichtet? Wie wäre es mit populären Bibliotheken in diesen Sprachen? Diese sind nicht notwendig, aber hilfreich, so dass diese Kurse leicht bevorzugt werden.

Was ist maschinelles Lernen? Was ist ein Workflow?

Eine populäre Definition stammt von Arthur Samuel aus dem Jahr 1959: Maschinelles Lernen ist ein Teilgebiet der Informatik, das „Computern die Fähigkeit gibt, zu lernen, ohne explizit programmiert zu werden“. In der Praxis bedeutet dies, Computerprogramme zu entwickeln, die anhand von Daten Vorhersagen treffen können. So wie Menschen aus Erfahrungen lernen können, können auch Computer, bei denen Daten = Erfahrung sind.

Ein Workflow für maschinelles Lernen ist der Prozess, der für die Durchführung eines Projekts für maschinelles Lernen erforderlich ist. Obwohl sich einzelne Projekte unterscheiden können, haben die meisten Workflows mehrere gemeinsame Aufgaben: Problembewertung, Datenexploration, Datenvorverarbeitung, Modelltraining / -test / -bereitstellung usw. Im Folgenden finden Sie eine hilfreiche Visualisierung dieser Kernschritte:

Der ideale Kurs führt in den gesamten Prozess ein und bietet interaktive Beispiele, Aufgaben und / oder Tests, in denen die Schüler jede Aufgabe selbst ausführen können.

Behandeln diese Kurse tiefes Lernen?

Lassen Sie uns zunächst Deep Learning definieren. Hier ist eine kurze Beschreibung:

„Deep Learning ist ein Teilgebiet des maschinellen Lernens, das sich mit Algorithmen befasst, die von der Struktur und Funktion des Gehirns inspiriert sind und als künstliche neuronale Netze bezeichnet werden.“ - Jason Brownlee von Machine Learning Mastery

Wie zu erwarten ist, enthalten Teile einiger maschineller Lernkurse Deep-Learning-Inhalte. Ich habe mich jedoch dafür entschieden, keine Deep-Learning-Kurse aufzunehmen. Wenn Sie speziell an Deep Learning interessiert sind, finden Sie in diesem Artikel folgende Informationen:

Tauchen Sie mit 12 kostenlosen Online-Kursen in Deep Learning ein

Jeder Tag bringt neue Schlagzeilen darüber, wie tiefes Lernen die Welt um uns herum verändert. Einige Beispiele: medium.freecodecamp.com

Meine drei wichtigsten Empfehlungen aus dieser Liste wären:

  • Kreative Anwendungen des Deep Learning mit TensorFlowvon Kadenze
  • Neuronale Netze für maschinelles Lernen von der University of Toronto (unterrichtet von Geoffrey Hinton) über Coursera
  • Deep Learning AZ ™: Künstliche neuronale Netze zum Anfassen

    von Kirill Eremenko, Hadelin de Ponteves und dem SuperDataScience-Team über Udemy

Empfohlene Voraussetzungen

In mehreren unten aufgeführten Kursen müssen die Schüler über Vorkenntnisse in Programmierung, Analysis, linearer Algebra und Statistik verfügen. Diese Voraussetzungen sind verständlich, da maschinelles Lernen eine fortgeschrittene Disziplin ist.

Vermissen Sie ein paar Themen? Gute Nachrichten! Ein Teil dieser Erfahrung kann durch unsere Empfehlungen in den ersten beiden Artikeln (Programmierung, Statistik) dieses Data Science Career Guide gewonnen werden. Einige der unten aufgeführten Kurse bieten auch sanfte Auffrischungen für Kalkül und lineare Algebra und heben die Aspekte hervor, die für maschinelles Lernen für weniger vertraute Personen am relevantesten sind.

Unsere Wahl für den besten Kurs für maschinelles Lernen ist…

  • Maschinelles Lernen (Stanford University über Coursera)

Das maschinelle Lernen der Stanford University auf Coursera ist der klare aktuelle Gewinner in Bezug auf Bewertungen, Bewertungen und Lehrplananpassung. Diese Klasse wurde von dem berühmten Andrew Ng, dem Gründer von Google Brain und ehemaligen Chefwissenschaftler bei Baidu, unterrichtet und löste die Gründung von Coursera aus. Es hat eine 4,7-Sterne-gewichtete durchschnittliche Bewertung über 422 Bewertungen.

Es wurde 2011 veröffentlicht und deckt alle Aspekte des Workflows für maschinelles Lernen ab. Obwohl es einen kleineren Umfang hat als die ursprüngliche Stanford-Klasse, auf der es basiert, kann es dennoch eine große Anzahl von Techniken und Algorithmen abdecken. Die geschätzte Zeitspanne beträgt elf Wochen, wobei zwei Wochen für neuronale Netze und tiefes Lernen vorgesehen sind. Kostenlose und kostenpflichtige Optionen sind verfügbar.

Ng ist ein dynamischer und dennoch sanfter Lehrer mit einer spürbaren Erfahrung. Er schafft Vertrauen, insbesondere wenn er praktische Implementierungstipps und Warnungen vor häufigen Fallstricken teilt. Eine Auffrischung der linearen Algebra wird bereitgestellt, und Ng hebt die Aspekte des Kalküls hervor, die für das maschinelle Lernen am relevantesten sind.

Die Auswertung erfolgt automatisch und erfolgt über Multiple-Choice-Tests, die auf die einzelnen Lektionen und Programmieraufgaben folgen. Die Aufgaben (es gibt acht davon) können in MATLAB oder Octave ausgeführt werden, einer Open-Source-Version von MATLAB. Ng erklärt seine Sprachwahl:

In der Vergangenheit habe ich versucht, maschinelles Lernen mit einer Vielzahl verschiedener Programmiersprachen zu unterrichten, darunter C ++, Java, Python, NumPy und auch Octave. Und was ich gesehen habe, nachdem ich fast ein Jahrzehnt lang maschinelles Lernen unterrichtet hatte, ist das Sie lernen viel schneller, wenn Sie Octave als Programmierumgebung verwenden.

Obwohl Python und R 2017 aufgrund der zunehmenden Beliebtheit dieser Sprachen wahrscheinlich überzeugender sind, stellen die Rezensenten fest, dass dies Sie nicht davon abhalten sollte, den Kurs zu belegen.

Einige prominente Rezensenten stellten Folgendes fest:

Stanfords Kurs für maschinelles Lernen ist seit langem in der MOOC-Welt bekannt und die endgültige Einführung in dieses Thema. Der Kurs deckt im Großen und Ganzen alle wichtigen Bereiche des maschinellen Lernens ab. Prof. Ng geht jedem Segment eine motivierende Diskussion und Beispiele voraus.

Andrew Ng ist ein begabter Lehrer und in der Lage, komplizierte Fächer auf sehr intuitive und klare Weise zu erklären, einschließlich der Mathematik hinter allen Konzepten. Sehr empfehlenswert.

Das einzige Problem, das ich bei diesem Kurs sehe, ist, dass dadurch die Erwartungsgrenze für andere Kurse sehr hoch gelegt wird.

Eine neue Einführung in die Ivy League mit einem brillanten Professor

  • Maschinelles Lernen (Columbia University über edX)

Das maschinelle Lernen der Columbia University ist ein relativ neues Angebot, das Teil ihrer MicroMasters für künstliche Intelligenz auf edX ist. Obwohl es neuer ist und nicht viele Bewertungen hat, sind die, die es hat, außergewöhnlich stark. Professor John Paisley gilt als brillant, klar und klug. Es hat eine 4,8-Sterne-gewichtete Durchschnittsbewertung über 10 Bewertungen.

Der Kurs behandelt auch alle Aspekte des Workflows für maschinelles Lernen und mehr Algorithmen als das oben genannte Stanford-Angebot. Columbia's ist eine fortgeschrittenere Einführung, wobei die Prüfer feststellen, dass die Schüler mit den empfohlenen Voraussetzungen (Kalkül, lineare Algebra, Statistik, Wahrscheinlichkeit und Codierung) vertraut sein sollten.

Quiz (11), Programmieraufgaben (4) und eine Abschlussprüfung sind die Bewertungsmodi. Die Schüler können entweder Python, Octave oder MATLAB verwenden, um die Aufgaben abzuschließen. Die geschätzte Gesamtdauer des Kurses beträgt acht bis zehn Stunden pro Woche über zwölf Wochen. Es ist kostenlos mit einem verifizierten Zertifikat erhältlich.

Im Folgenden finden Sie einige der oben genannten prickelnden Bewertungen:

In all meinen Jahren als Student bin ich auf Professoren gestoßen, die nicht brillant sind, auf Professoren, die brillant sind, aber nicht wissen, wie man das Zeug klar erklärt, und auf Professoren, die brillant sind und wissen, wie man das Zeug erklärt deutlich. Dr. Paisley gehört zur dritten Gruppe.

Dies ist ein großartiger Kurs… Die Sprache des Lehrers ist präzise und das ist meiner Meinung nach eine der Stärken des Kurses. Die Vorträge sind von hoher Qualität und die Folien sind auch großartig.

Dr. Paisley und sein Vorgesetzter sind… Schüler von Michael Jordan, dem Vater des maschinellen Lernens. [DR. Paisley] ist der beste ML-Professor in Columbia, weil er Dinge klar erklären kann. Bis zu 240 Studenten haben in diesem Semester seinen Kurs ausgewählt, die größte Zahl unter allen Professoren, die maschinelles Lernen in Columbia unterrichten.

Eine praktische Einführung in Python & R von Branchenexperten

  • Maschinelles Lernen AZ ™: Python & R in der Datenwissenschaft zum Anfassen (Kirill Eremenko, Hadelin de Ponteves und das SuperDataScience-Team über Udemy)

Maschinelles Lernen AZ ™ auf Udemy ist ein beeindruckend detailliertes Angebot, das sowohl in Python als auch in R Unterricht bietet , was selten ist und für keinen der anderen Top-Kurse gesagt werden kann. Es hat eine gewichtete Durchschnittsbewertung von 4,5 Sternen über 8.119 Bewertungen, was es zum am meisten bewerteten Kurs der betrachteten Bewertungen macht.

Es deckt den gesamten Workflow des maschinellen Lernens und eine fast lächerliche (auf gute Weise) Anzahl von Algorithmen durch 40,5 Stunden On-Demand-Video ab. Der Kurs verfolgt einen angewandteren Ansatz und ist mathematisch leichter als die beiden oben genannten Kurse. Jeder Abschnitt beginnt mit einem „Intuitions“ -Video von Eremenko, das die zugrunde liegende Theorie des gelehrten Konzepts zusammenfasst. de Ponteves führt dann die Implementierung mit separaten Videos für Python und R durch.

Als „Bonus“ enthält der Kurs Python- und R-Code-Vorlagen, die die Schüler herunterladen und für ihre eigenen Projekte verwenden können. Es gibt Quiz und Hausaufgaben, obwohl dies nicht die Stärken des Kurses sind.

Eremenko und das SuperDataScience-Team werden für ihre Fähigkeit verehrt, „den Komplex einfach zu machen“. Außerdem sind die aufgeführten Voraussetzungen „nur einige High-School-Mathematik“, sodass dieser Kurs möglicherweise eine bessere Option für diejenigen ist, die von den Angeboten von Stanford und Columbia entmutigt sind.

Einige prominente Rezensenten stellten Folgendes fest:

Der Kurs wird professionell produziert, die Klangqualität ist ausgezeichnet und die Erklärungen sind klar und präzise. Es ist ein unglaublicher Wert für Ihre finanzielle und zeitliche Investition.

Es war spektakulär, den Kurs gleichzeitig in zwei verschiedenen Programmiersprachen verfolgen zu können.

Kirill ist einer der absolut besten Lehrer auf Udemy (wenn nicht im Internet) und ich empfehle, jede Klasse zu besuchen, die er unterrichtet. … Dieser Kurs hat eine Menge Inhalt, wie eine Tonne!

Der Wettbewerb

Unsere Nummer 1 hatte eine gewichtete durchschnittliche Bewertung von 4,7 von 5 Sternen über 422 Bewertungen. Schauen wir uns die anderen Alternativen an, sortiert nach absteigender Bewertung. Eine Erinnerung daran, dass Deep-Learning-Kurse nicht in diesem Handbuch enthalten sind - diese finden Sie hier.

The Analytics Edge (Massachusetts Institute of Technology / edX): Mehr Fokus auf Analytik im Allgemeinen, obwohl mehrere Themen des maschinellen Lernens behandelt werden. Verwendet R. Starke Erzählung, die bekannte Beispiele aus der Praxis nutzt. Herausfordernd. Zehn bis fünfzehn Stunden pro Woche über zwölf Wochen. Kostenlos mit einem verifizierten Zertifikat, das zum Kauf angeboten wird. Es hat eine 4,9-Sterne-gewichtete durchschnittliche Bewertung über 214 Bewertungen.

Python für Data Science und maschinelles Lernen Bootcamp (Jose Portilla / Udemy): Enthält große Teile an Inhalten für maschinelles Lernen, deckt jedoch den gesamten datenwissenschaftlichen Prozess ab. Eher eine sehr detaillierte Einführung in Python. Erstaunlicher Kurs, obwohl nicht ideal für den Umfang dieses Handbuchs. 21,5 Stunden On-Demand-Video. Die Kosten variieren je nach häufigen Udemy-Rabatten. Es hat eine 4,6-Sterne-gewichtete durchschnittliche Bewertung über 3316 Bewertungen.

Bootcamp für Datenwissenschaft und maschinelles Lernen mit R (Jose Portilla / Udemy): Die Kommentare für den oben genannten Kurs von Portilla gelten auch hier, mit Ausnahme von R. 17,5 Stunden On-Demand-Video. Die Kosten variieren je nach häufigen Udemy-Rabatten. Es hat eine 4,6-Sterne-gewichtete durchschnittliche Bewertung über 1317 Bewertungen.

Serie für maschinelles Lernen (Lazy Programmer Inc./Udemy): Lazy Programmer wird von einem Datenwissenschaftler / Big Data-Ingenieur / Full-Stack-Software-Ingenieur mit einem beeindruckenden Lebenslauf unterrichtet und bietet derzeit eine Reihe von 16 Kursen zum Thema maschinelles Lernen zu Udemy an. Insgesamt haben die Kurse über 5000 Bewertungen und fast alle haben 4,6 Sterne. Eine nützliche Kursbestellung finden Sie in der Beschreibung jedes einzelnen Kurses. Verwendet Python. Die Kosten variieren je nach häufigen Udemy-Rabatten.

Maschinelles Lernen (Georgia Tech / Udacity): Eine Zusammenstellung von drei separaten Kursen: Überwachtes, unbeaufsichtigtes und verstärkendes Lernen. Teil von Udacitys Machine Learning Engineer Nanodegree und Georgia Techs Online Master's Degree (OMS). Videos in Bissgröße, genau wie Udacitys Stil. Freundliche Professoren. Geschätzte Zeitspanne von vier Monaten. Frei. Es hat eine gewichtete Durchschnittsbewertung von 4,56 Sternen über 9 Bewertungen.

Implementieren von Predictive Analytics mit Spark in Azure HDInsight (Microsoft / edX): Einführung in die Kernkonzepte des maschinellen Lernens und eine Vielzahl von Algorithmen. Nutzt mehrere große datenfreundliche Tools, darunter Apache Spark, Scala und Hadoop. Verwendet sowohl Python als auch R. Vier Stunden pro Woche über sechs Wochen. Kostenlos mit einem verifizierten Zertifikat, das zum Kauf angeboten wird. Es hat eine gewichtete Durchschnittsbewertung von 4,5 Sternen über 6 Bewertungen.

Data Science und maschinelles Lernen mit Python - Hands On! (Frank Kane / Udemy): Verwendet Python. Kane hat neun Jahre Erfahrung bei Amazon und IMDb. Neun Stunden On-Demand-Video. Die Kosten variieren je nach häufigen Udemy-Rabatten. Es hat eine 4,5-Sterne-gewichtete durchschnittliche Bewertung über 4139 Bewertungen.

Scala und Spark für Big Data und maschinelles Lernen (Jose Portilla / Udemy): Der Schwerpunkt „Big Data“ liegt speziell auf der Implementierung in Scala und Spark. Zehn Stunden On-Demand-Video. Die Kosten variieren je nach häufigen Udemy-Rabatten. Es hat eine 4,5-Sterne-gewichtete durchschnittliche Bewertung über 607 Bewertungen.

Machine Learning Engineer Nanodegree (Udacity): Udacitys Flaggschiff-Programm für maschinelles Lernen, das ein erstklassiges Projektüberprüfungssystem und Karriereunterstützung bietet. Das Programm ist eine Zusammenstellung mehrerer einzelner Udacity-Kurse, die kostenlos sind. Mitgestaltet von Kaggle. Geschätzte Zeitspanne von sechs Monaten. Derzeit kostet 199 USD pro Monat mit einer 50% igen Rückerstattung der Studiengebühren für Absolventen innerhalb von 12 Monaten. Es hat eine gewichtete Durchschnittsbewertung von 4,5 Sternen über 2 Bewertungen.

Lernen aus Daten (Einführung in maschinelles Lernen) (California Institute of Technology / edX): Die Registrierung für edX ist derzeit geschlossen, ist jedoch auch über die unabhängige Plattform von CalTech verfügbar (siehe unten). Es hat eine 4,49-Sterne-gewichtete durchschnittliche Bewertung über 42 Bewertungen.

Aus Daten lernen (Einführung in das maschinelle Lernen) (Yaser Abu-Mostafa / California Institute of Technology): „Ein echter Caltech-Kurs, keine verwässerte Version.“ Bewertungen stellen fest, dass es hervorragend zum Verständnis der Theorie des maschinellen Lernens geeignet ist. Der Professor Yaser Abu-Mostafa ist bei Studenten beliebt und hat auch das Lehrbuch geschrieben, auf dem dieser Kurs basiert. Videos sind aufgezeichnete Vorträge (mit Bild-in-Bild-Folien), die auf YouTube hochgeladen wurden. Hausaufgaben sind PDF-Dateien. Die Kurserfahrung für Online-Studenten ist nicht so gut wie die drei wichtigsten Empfehlungen. Es hat eine 4,43-Sterne-gewichtete durchschnittliche Bewertung über 7 Bewertungen.

Mining Massive Datasets (Stanford University): Maschinelles Lernen mit Schwerpunkt auf „Big Data“. Einführung moderner verteilter Dateisysteme und MapReduce. Zehn Stunden pro Woche über sieben Wochen. Frei. Es hat eine 4,4-Sterne-gewichtete durchschnittliche Bewertung über 30 Bewertungen.

AWS Machine Learning: Ein vollständiger Leitfaden mit Python (Chandra Lingam / Udemy): Ein einzigartiger Fokus auf Cloud-basiertes maschinelles Lernen und speziell auf Amazon Web Services. Verwendet Python. Neun Stunden On-Demand-Video. Die Kosten variieren je nach häufigen Udemy-Rabatten. Es hat eine 4,4-Sterne-gewichtete durchschnittliche Bewertung über 62 Bewertungen.

Einführung in maschinelles Lernen und Gesichtserkennung in Python (Holczer Balazs / Udemy): Verwendet Python. Acht Stunden On-Demand-Video. Die Kosten variieren je nach häufigen Udemy-Rabatten. Es hat eine 4,4-Sterne-gewichtete durchschnittliche Bewertung über 162 Bewertungen.

StatLearning: Statistisches Lernen (Stanford University): Basierend auf dem hervorragenden Lehrbuch „Eine Einführung in das statistische Lernen mit Anwendungen in R“, das von den Professoren unterrichtet wurde, die es geschrieben haben. Rezensenten stellen fest, dass das MOOC nicht so gut ist wie das Buch, und zitieren „dünne“ Übungen und mittelmäßige Videos. Fünf Stunden pro Woche über neun Wochen. Frei. Es hat eine 4,35-Sterne-gewichtete durchschnittliche Bewertung über 84 Bewertungen.

Spezialisierung auf maschinelles Lernen (University of Washington / Coursera): Großartige Kurse, aber die letzten beiden Klassen (einschließlich des Schlusssteinprojekts) wurden abgesagt. Rezensenten stellen fest, dass diese Serie besser verdaulich ist (lesen Sie: einfacher für diejenigen ohne starken technischen Hintergrund) als andere Top-Kurse für maschinelles Lernen (z. B. Stanfords oder Caltech's). Beachten Sie, dass die Serie unvollständig ist, da Empfehlungssysteme, tiefes Lernen und eine Zusammenfassung fehlen. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine 4,31-Sterne-gewichtete durchschnittliche Bewertung über 80 Bewertungen.

Von 0 bis 1: Maschinelles Lernen, NLP & Python-Cut to the Chase (Loony Corn / Udemy): „Eine bodenständige, schüchterne, aber selbstbewusste Einstellung zu Techniken des maschinellen Lernens.“ Unterrichtet von einem vierköpfigen Team mit jahrzehntelanger Branchenerfahrung. Verwendet Python. Die Kosten variieren je nach häufigen Udemy-Rabatten. Es hat eine 4,2-Sterne-gewichtete durchschnittliche Bewertung über 494 Bewertungen.

Prinzipien des maschinellen Lernens (Microsoft / edX): Verwendet R, Python und Microsoft Azure Machine Learning. Teil des Microsoft Professional Program Certificate in Data Science. Drei bis vier Stunden pro Woche über sechs Wochen. Kostenlos mit einem verifizierten Zertifikat, das zum Kauf angeboten wird. Es hat eine mit 4,09 Sternen gewichtete Durchschnittsbewertung über 11 Bewertungen.

Big Data: Statistische Inferenz und maschinelles Lernen (Queensland University of Technology / FutureLearn): Ein schöner, kurzer explorativer Kurs zum maschinellen Lernen mit Schwerpunkt auf Big Data. Behandelt einige Tools wie R, H2O Flow und WEKA. Nur drei Wochen Dauer bei empfohlenen zwei Stunden pro Woche, aber ein Gutachter stellte fest, dass sechs Stunden pro Woche angemessener wären. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine 4-Sterne-gewichtete durchschnittliche Bewertung über 4 Bewertungen.

Genomische Datenwissenschaft und Clustering (Bioinformatik V) (Universität von Kalifornien, San Diego / Coursera): Für diejenigen, die sich für die Schnittstelle von Informatik und Biologie interessieren und wie sie eine wichtige Grenze in der modernen Wissenschaft darstellt. Konzentriert sich auf Clustering und Dimensionsreduktion. Teil der Bioinformatik-Spezialisierung von UCSD. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine 4-Sterne-gewichtete Durchschnittsbewertung über 3 Bewertungen.

Einführung in das maschinelle Lernen (Udacity): Priorisiert die Themenbreite und die praktischen Werkzeuge (in Python) vor Tiefe und Theorie. Die Instruktoren Sebastian Thrun und Katie Malone machen diesen Kurs so lustig. Besteht aus mundgerechten Videos und Tests, gefolgt von einem Miniprojekt für jede Lektion. Derzeit Teil von Udacitys Data Analyst Nanodegree. Geschätzte Zeitspanne von zehn Wochen. Frei. Es hat eine gewichtete durchschnittliche Bewertung von 3,95 Sternen über 19 Bewertungen.

Maschinelles Lernen für die Datenanalyse (Wesleyan University / Coursera): Eine kurze Einführung in maschinelles Lernen und einige ausgewählte Algorithmen. Deckt Entscheidungsbäume, zufällige Wälder, Lasso-Regression und K-Mittel-Clustering ab. Teil der Datenanalyse- und Interpretationsspezialisierung von Wesleyan. Geschätzte Zeitspanne von vier Wochen. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine 3,6-Sterne-gewichtete durchschnittliche Bewertung über 5 Bewertungen.

Programmieren mit Python for Data Science (Microsoft / edX): Produziert von Microsoft in Zusammenarbeit mit Coding Dojo. Verwendet Python. Acht Stunden pro Woche über sechs Wochen. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine gewichtete durchschnittliche Bewertung von 3,46 Sternen über 37 Bewertungen.

Maschinelles Lernen für den Handel (Georgia Tech / Udacity): Konzentriert sich auf die Anwendung probabilistischer Ansätze des maschinellen Lernens auf Handelsentscheidungen. Verwendet Python. Teil von Udacitys Machine Learning Engineer Nanodegree und Georgia Techs Online Master's Degree (OMS). Geschätzte Zeitspanne von vier Monaten. Frei. Es hat eine gewichtete durchschnittliche Bewertung von 3,29 Sternen über 14 Bewertungen.

Praktisches maschinelles Lernen (Johns Hopkins University / Coursera): Eine kurze, praktische Einführung in eine Reihe von Algorithmen für maschinelles Lernen. Mehrere Ein / Zwei-Sterne-Bewertungen, die eine Vielzahl von Bedenken zum Ausdruck bringen. Teil der Data Science-Spezialisierung der JHU. Vier bis neun Stunden pro Woche über vier Wochen. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine gewichtete durchschnittliche Bewertung von 3,11 Sternen über 37 Bewertungen.

Maschinelles Lernen für Data Science und Analytics (Columbia University / edX): Einführung in eine breite Palette von Themen des maschinellen Lernens. Einige leidenschaftliche negative Bewertungen mit Bedenken wie Inhaltsauswahl, fehlenden Programmieraufgaben und wenig inspirierender Präsentation. Sieben bis zehn Stunden pro Woche über fünf Wochen. Kostenlos mit einem verifizierten Zertifikat, das zum Kauf angeboten wird. Es hat eine mit 2,74 Sternen gewichtete Durchschnittsbewertung über 36 Bewertungen.

Spezialisierung auf Empfehlungssysteme (University of Minnesota / Coursera): Starker Fokus auf eine bestimmte Art des maschinellen Lernens - Empfehlungssysteme. Eine Vier-Gänge-Spezialisierung plus ein Schlusssteinprojekt, das eine Fallstudie ist. Unterricht mit LensKit (ein Open-Source-Toolkit für Empfehlungssysteme). Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine 2-Sterne-gewichtete Durchschnittsbewertung über 2 Bewertungen.

Maschinelles Lernen mit Big Data (Universität von Kalifornien, San Diego / Coursera): Schreckliche Bewertungen, die auf schlechte Unterweisung und Bewertung hinweisen. Einige bemerkten, dass sie nur Stunden brauchten, um den gesamten Kurs abzuschließen. Teil der Big Data-Spezialisierung von UCSD. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine gewichtete durchschnittliche Bewertung von 1,86 Sternen über 14 Bewertungen.

Praktische prädiktive Analytik: Modelle und Methoden (University of Washington / Coursera): Eine kurze Einführung in die wichtigsten Konzepte des maschinellen Lernens. Ein Rezensent stellte fest, dass es an Quiz mangelte und die Aufgaben keine Herausforderung darstellten. Teil von UWs Data Science at Scale Specialization. Sechs bis acht Stunden pro Woche über vier Wochen. Kostenlose und kostenpflichtige Optionen verfügbar. Es hat eine gewichtete durchschnittliche Bewertung von 1,75 Sternen über 4 Bewertungen.

Die folgenden Kurse hatten ab Mai 2017 eine oder keine Bewertungen.

Maschinelles Lernen für Musiker und Künstler (Goldsmiths, University of London / Kadenze): Einzigartig. Die Schüler lernen Algorithmen, Softwaretools und Best Practices für maschinelles Lernen, um menschliche Gesten, musikalisches Audio und andere Echtzeitdaten zu verstehen. Sieben Sitzungen lang. Audit- (kostenlos) und Premium-Optionen (10 USD pro Monat) verfügbar. Es hat eine 5-Sterne-Bewertung.

Angewandtes maschinelles Lernen in Python (Universität von Michigan / Coursera): Unterricht mit Python und dem Scikit-Lern-Toolkit. Teil der Applied Data Science mit Python-Spezialisierung. Geplant für den 29. Mai. Kostenlose und kostenpflichtige Optionen verfügbar.

Angewandtes maschinelles Lernen (Microsoft / edX): Unterricht mit verschiedenen Tools, einschließlich Python, R und Microsoft Azure Machine Learning (Hinweis: Microsoft erstellt den Kurs). Beinhaltet praktische Übungen zur Verbesserung des Vorlesungsinhalts. Drei bis vier Stunden pro Woche über sechs Wochen. Kostenlos mit einem verifizierten Zertifikat, das zum Kauf angeboten wird.

Maschinelles Lernen mit Python (Big Data University): Unterricht mit Python. Zielgruppe sind Anfänger. Geschätzte Fertigstellungszeit von vier Stunden. Die Big Data University ist mit IBM verbunden. Frei.

Maschinelles Lernen mit Apache SystemML (Big Data University): Unterrichtet mit Apache SystemML, einer deklarativen Sprache für maschinelles Lernen in großem Maßstab. Geschätzte Fertigstellungszeit von acht Stunden. Die Big Data University ist mit IBM verbunden. Frei.

Maschinelles Lernen für Data Science (Universität von Kalifornien, San Diego / edX): Wird erst im Januar 2018 gestartet. Programmierbeispiele und Aufgaben werden in Python mit Jupyter-Notizbüchern ausgeführt. Acht Stunden pro Woche über zehn Wochen. Kostenlos mit einem verifizierten Zertifikat, das zum Kauf angeboten wird.

Einführung in die Analytics-Modellierung (Georgia Tech / edX): Der Kurs bewirbt R als primäres Programmierwerkzeug. Fünf bis zehn Stunden pro Woche über zehn Wochen. Kostenlos mit einem verifizierten Zertifikat, das zum Kauf angeboten wird.

Predictive Analytics: Erkenntnisse aus Big Data gewinnen (Queensland University of Technology / FutureLearn): Kurzer Überblick über einige Algorithmen. Verwendet die Vertica Analytics-Plattform von Hewlett Packard Enterprise als angewandtes Tool. Starttermin wird noch bekannt gegeben. Zwei Stunden pro Woche über vier Wochen. Kostenlos mit einer Leistungsbescheinigung, die zum Kauf angeboten wird.

Einführung in das maschinelle Lernen (Universitas Telefónica / Miríada X): Unterricht in Spanisch. Eine Einführung in das maschinelle Lernen, die überwachtes und unbeaufsichtigtes Lernen umfasst. Insgesamt zwanzig geschätzte Stunden über vier Wochen.

Schritt des maschinellen Lernpfads (Dataquest): In Python mithilfe der interaktiven In-Browser-Plattform von Dataquest unterrichtet. Mehrere geführte Projekte und ein „Plus“ -Projekt, bei dem Sie Ihr eigenes maschinelles Lernsystem aus Ihren eigenen Daten erstellen. Abonnement erforderlich.

Die folgenden sechs Kurse werden von DataCamp angeboten. Der hybride Unterrichtsstil von DataCamp nutzt Video- und textbasierte Anweisungen mit vielen Beispielen über einen Code-Editor im Browser. Für den vollständigen Zugriff auf jeden Kurs ist ein Abonnement erforderlich.

Einführung in das maschinelle Lernen (DataCamp): Behandelt Klassifizierungs-, Regressions- und Clustering-Algorithmen. Verwendet R. Fünfzehn Videos und 81 Übungen mit einer geschätzten Zeitspanne von sechs Stunden.

Überwachtes Lernen mit Scikit-Learn (DataCamp): Verwendet Python und Scikit-Learn. Deckt Klassifizierungs- und Regressionsalgorithmen ab. Siebzehn Videos und 54 Übungen mit einer geschätzten Zeitspanne von vier Stunden.

Unüberwachtes Lernen in R (DataCamp): Bietet eine grundlegende Einführung in das Clustering und die Reduzierung der Dimensionalität in R. Sechzehn Videos und 49 Übungen mit einer geschätzten Zeitspanne von vier Stunden.

Machine Learning Toolbox (DataCamp): Vermittelt die „großen Ideen“ des maschinellen Lernens. Verwendet R. 24 Videos und 88 Übungen mit einer geschätzten Zeitspanne von vier Stunden.

Maschinelles Lernen mit Experten: Schulbudget (DataCamp): Eine Fallstudie aus einem Wettbewerb für maschinelles Lernen auf DrivenData. Umfasst das Erstellen eines Modells zur automatischen Klassifizierung von Elementen im Budget einer Schule. Voraussetzung ist das „Supervised Learning with Scikit-Learn“ von DataCamp. Fünfzehn Videos und 51 Übungen mit einer geschätzten Zeitspanne von vier Stunden.

Unüberwachtes Lernen in Python (DataCamp): Behandelt eine Vielzahl von unbeaufsichtigten Lernalgorithmen mit Python, Scikit-Learn und Scipy. Der Kurs endet damit, dass die Schüler ein Empfehlungssystem aufbauen, um beliebte Musiker zu empfehlen. Dreizehn Videos und 52 Übungen mit einer geschätzten Zeitspanne von vier Stunden.

Maschinelles Lernen (Tom Mitchell / Carnegie Mellon University): Carnegie Mellons Einführungskurs für maschinelles Lernen. Voraussetzung für den zweiten Graduiertenkurs „Statistisches maschinelles Lernen“. Aufgezeichnete Universitätsvorlesungen mit Übungsproblemen, Hausaufgaben und einer online veröffentlichten Zwischenbilanz (alle mit Lösungen). Es gibt auch eine 2011er Version des Kurses. Die CMU ist eine der besten Graduiertenschulen für das Studium des maschinellen Lernens und verfügt über eine ganze Abteilung, die sich der ML widmet. Frei.

Statistisches maschinelles Lernen (Larry Wasserman / Carnegie Mellon University): Wahrscheinlich der am weitesten fortgeschrittene Kurs in diesem Handbuch. Eine Fortsetzung des maschinellen Lernkurses von Carnegie Mellon. Aufgezeichnete Universitätsvorlesungen mit Übungsproblemen, Hausaufgaben und einer online veröffentlichten Zwischenbilanz (alle mit Lösungen). Frei.

Maschinelles Lernen für Studenten (Nando de Freitas / Universität von British Columbia): Ein Kurs für maschinelles Lernen für Studenten. Die Vorträge werden gefilmt und mit den auf der Kurswebsite veröffentlichten Folien auf YouTube veröffentlicht. Die Kursaufgaben werden ebenfalls veröffentlicht (jedoch keine Lösungen). de Freitas ist jetzt ein Vollzeitprofessor an der Universität von Oxford und wird in verschiedenen Foren für seine Lehrfähigkeiten gelobt. Graduiertenversion verfügbar (siehe unten).

Maschinelles Lernen (Nando de Freitas / Universität von British Columbia): Ein Kurs für maschinelles Lernen für Absolventen. Auch hier gelten die Kommentare im Grundstudium von de Freitas (oben).

Verpacken

Dies ist der fünfte Teil einer sechsteiligen Reihe, in der die besten Online-Kurse für den Einstieg in die Datenwissenschaft behandelt werden. Wir haben die Programmierung im ersten Artikel, die Statistik und die Wahrscheinlichkeit im zweiten Artikel, die Intros zur Datenwissenschaft im dritten Artikel und die Datenvisualisierung im vierten Artikel behandelt.

Ich habe jeden Intro to Data Science-Kurs im Internet anhand von Tausenden von Datenpunkten bewertet

Vor einem Jahr habe ich eines der besten Informatikprogramme in Kanada abgebrochen. Ich habe angefangen, meine eigenen Daten zu erstellen…

Das letzte Stück wird eine Zusammenfassung dieser Artikel sowie die besten Online-Kurse für andere Schlüsselthemen wie Daten-Wrangling, Datenbanken und sogar Software-Engineering sein.

Wenn Sie nach einer vollständigen Liste der Online-Kurse von Data Science suchen, finden Sie diese auf der Themenseite Data Science und Big Data von Class Central.

Wenn Sie dies gerne gelesen haben, sehen Sie sich einige der anderen Stücke von Class Central an:

Hier sind 250 Ivy League-Kurse, die Sie jetzt kostenlos online belegen können

250 MOOCs aus Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton und Yale.

Die 50 besten kostenlosen Online-Universitätskurse nach Daten

Als ich Class Central im November 2011 startete, gab es ungefähr 18 kostenlose Online-Kurse und fast alle…

Wenn Sie Vorschläge für Kurse haben, die ich verpasst habe, lassen Sie es mich in den Antworten wissen!

Wenn Sie dies hilfreich fanden, klicken Sie auf? so werden mehr Leute es hier auf Medium sehen.

Dies ist eine komprimierte Version meines Originalartikels, der in Class Central veröffentlicht wurde und detaillierte Lehrpläne enthält.