I migliori corsi di Machine Learning per il 2019

Con solide radici nelle statistiche, l'apprendimento automatico sta diventando uno dei campi di informatica più interessanti e frenetici in cui lavorare. Esiste una scorta infinita di settori e applicazioni che possono essere applicate all'apprendimento automatico per renderle più efficienti e intelligenti.

I bot di chat, il filtro antispam, la pubblicazione di annunci, i motori di ricerca e il rilevamento delle frodi sono solo alcuni esempi di come i modelli di apprendimento automatico sono alla base della vita quotidiana. L'apprendimento automatico è ciò che ci consente di trovare modelli e creare modelli matematici per cose che a volte sarebbero impossibili da fare per gli umani.

A differenza dei corsi di scienza dei dati, che contengono argomenti come l'analisi esplorativa dei dati, le statistiche, la comunicazione e le tecniche di visualizzazione, i corsi di apprendimento automatico si concentrano sull'insegnamento solo degli algoritmi di apprendimento automatico, su come funzionano matematicamente e su come utilizzarli in un linguaggio di programmazione.

Ora è il momento di iniziare. Ecco un breve riepilogo dei primi cinque corsi di apprendimento automatico di quest'anno.

TL; DR

I migliori cinque corsi di apprendimento automatico:

  1. Apprendimento automatico - Coursera
  2. Specializzazione di apprendimento profondo - Coursera
  3. Apprendimento automatico con Python - Coursera
  4. Specializzazione avanzata in machine learning - Coursera
  5. Apprendimento automatico - EdX

Cosa rende davvero un buon corso di machine learning?

Dopo diversi anni passati a seguire il panorama dell'e-learning e iscrivendomi a innumerevoli corsi di machine learning da varie piattaforme, come Coursera, Edx, Udemy, Udacity e DataCamp, ho raccolto i migliori corsi di machine learning attualmente disponibili.

criteri

Ogni corso nell'elenco è soggetto ai seguenti criteri.
Il corso dovrebbe:

  • Concentrarsi rigorosamente sull'apprendimento automatico
  • Utilizza linguaggi di programmazione open source gratuiti, ovvero Python, R o Octave
  • Usa librerie open source gratuite per quelle lingue. Alcuni istruttori e fornitori utilizzano pacchetti commerciali, quindi questi corsi vengono rimossi dalla considerazione.
  • Contiene incarichi di programmazione per la pratica e l'esperienza pratica
  • Spiega come funzionano matematicamente gli algoritmi
  • Sii autonomo, su richiesta o disponibile ogni mese circa
  • Avere istruttori coinvolgenti e lezioni interessanti
  • Hanno valutazioni e recensioni superiori alla media di vari aggregatori e forum

Con ciò, il pool complessivo di corsi viene abbattuto rapidamente, ma l'obiettivo è aiutarti a decidere su un corso che valga la pena del tuo tempo e delle tue energie.

Per immergerti e imparare la ML nel modo più rapido e completo possibile, credo che dovresti anche cercare vari libri oltre al tuo apprendimento online. Di seguito sono riportati due libri che hanno avuto un grande impatto sulla mia esperienza di apprendimento e che sono sempre a portata di mano.

Due eccellenti compagni di libri

Oltre a seguire uno dei seguenti corsi video, se sei abbastanza nuovo per l'apprendimento automatico dovresti considerare di leggere i seguenti libri:

  • Introduzione all'apprendimento statistico, disponibile anche gratuitamente online.

Questo libro contiene spiegazioni ed esempi incredibilmente chiari e diretti per migliorare la tua intuizione matematica generale per molte delle tecniche di apprendimento automatico fondamentali. Questo libro è più sul lato teorico delle cose, ma contiene molti esercizi ed esempi usando il linguaggio di programmazione R.

  • Apprendimento automatico pratico con Scikit-Learn e TensorFlow, disponibile anche tramite un abbonamento Safari

Un buon complemento al libro precedente poiché questo testo si concentra maggiormente sull'applicazione dell'apprendimento automatico tramite Python. Insieme a uno qualsiasi dei corsi di seguito, questo libro rafforzerà le tue capacità di programmazione e ti mostrerà come applicare l'apprendimento automatico ai progetti immediatamente.

Ora, passiamo alle descrizioni e alle recensioni del corso.

Apprendimento automatico n. 1 - Coursera

Questo è il corso per il quale vengono giudicati tutti gli altri corsi di apprendimento automatico. L'insegnante e creatore di questo corso per principianti è Andrew Ng, un professore di Stanford, co-fondatore di Google Brain, co-fondatore di Coursera e il vicepresidente che ha trasformato il team AI di Baidu a migliaia di scienziati.

Il corso utilizza il linguaggio di programmazione open source Octave invece di Python o R per i compiti. Questo potrebbe essere un punto di rottura per alcuni, ma se sei un principiante assoluto, Octave è in realtà un modo semplice per imparare i fondamenti della ML.

Nel complesso, il materiale del corso è estremamente completo e intuitivamente articolato da Ng. Tutta la matematica richiesta per comprendere ogni algoritmo è completamente spiegata, con alcune spiegazioni di calcolo e un aggiornamento per l'algebra lineare. Il corso è abbastanza autonomo, ma una certa conoscenza dell'algebra lineare in anticipo sarebbe sicuramente di aiuto.

Fornitore: Andrew Ng, Stanford
Costo: gratuito per l'audit, $ 79 per certificato

Struttura del corso:

  • Regressione lineare con una variabile
  • Recensione di algebra lineare
  • Regressione lineare con più variabili
  • Tutorial Octave / Matlab
  • Regressione logistica
  • regolarizzazione
  • Reti neurali: rappresentazione
  • Reti neurali: apprendimento
  • Consigli per l'applicazione dell'apprendimento automatico
  • Progettazione di sistemi di apprendimento automatico
  • Supportare macchine vettoriali
  • Riduzione dimensionale
  • Anomaly Detection
  • Sistemi di raccomandazione
  • Apprendimento automatico su larga scala
  • Esempio di applicazione: Photo OCR

Tutto questo è coperto per undici settimane. Se puoi impegnarti a completare l'intero corso, avrai una buona conoscenza di base dell'apprendimento automatico in circa quattro mesi.

Successivamente, puoi passare comodamente a un argomento più avanzato o specializzato, come Deep Learning, ML Engineering o qualsiasi altra cosa che susciti il ​​tuo interesse.

Questo è senza dubbio il miglior corso per iniziare come nuovo arrivato.

# 2 Specializzazione Deep Learning - Coursera

Insegnata anche da Andrew Ng, questa specializzazione è una serie di corsi più avanzata per chiunque sia interessato a conoscere le reti neurali e il Deep Learning e come risolvono molti problemi.

I compiti e le lezioni in ogni corso utilizzano il linguaggio di programmazione Python e usano la libreria TensorFlow per le reti neurali. Questo è naturalmente un ottimo seguito del corso di Machine Learning di Ng poiché riceverai uno stile di lezione simile ma ora sarai esposto all'utilizzo di Python per l'apprendimento automatico.

Fornitore: Andrew Ng, deeplearning.ai
Costo: gratuito per l'audit, $ 49 / mese per certificato

corsi:

  1. Reti neurali e apprendimento profondo
  • Introduzione all'apprendimento profondo
  • Nozioni di base sulla rete neurale
  • Reti neurali poco profonde
  • Reti neurali profonde

2. Miglioramento delle reti neurali: ottimizzazione, regolarizzazione e ottimizzazione dell'iperparametro

  • Aspetti pratici dell'apprendimento profondo
  • Algoritmi di ottimizzazione
  • Ottimizzazione dell'iperparametro, normalizzazione dei lotti e quadri di programmazione

3. Strutturare progetti di Machine Learning

  • ML Strategy (1)
  • ML Strategy (2)

4. Reti neurali convoluzionali

  • Fondamenti di reti neurali convoluzionali
  • Modelli convoluzionali profondi: casi di studio
  • Rilevamento oggetti
  • Applicazioni speciali: Face Recognition e Neural Style Transfer

5. Modelli di sequenza

  • Reti neurali ricorrenti
  • Elaborazione del linguaggio naturale e incorporamenti di parole
  • Modelli di sequenza e meccanismo di attenzione

Per comprendere gli algoritmi presentati in questo corso, dovresti già avere familiarità con l'algebra lineare e l'apprendimento automatico in generale. Se hai bisogno di suggerimenti su dove prendere la matematica richiesta, consulta la Guida di apprendimento verso la fine di questo articolo.

# 3 Apprendimento automatico con Python - Coursera

Un altro corso per principianti, questo si concentra esclusivamente sugli algoritmi di apprendimento automatico più fondamentali. L'istruttore, le animazioni delle diapositive e la spiegazione degli algoritmi si combinano molto bene per darti un'idea intuitiva delle basi.

Questo corso utilizza Python ed è leggermente più leggero sulla matematica dietro gli algoritmi. Con ogni modulo avrai la possibilità di creare un notebook Jupyter interattivo nel tuo browser per elaborare i nuovi concetti appena appresi. Ogni notebook rafforza le tue conoscenze e ti dà istruzioni concrete per l'utilizzo di un algoritmo su dati reali.

Fornitore: IBM, Classe cognitiva
Prezzo: gratuito per il controllo, $ 39 / mese per il certificato

Struttura del corso:

  • Introduzione all'apprendimento automatico
  • Regressione
  • Classificazione
  • Clustering
  • Sistemi di raccomandazione
  • Progetto finale

Una delle cose migliori di questo corso è la consulenza pratica fornita per ogni algoritmo. Quando viene introdotto in un nuovo algoritmo, l'istruttore ti fornisce informazioni su come funziona, i suoi pro e contro e in che tipo di situazioni dovresti usarlo. Questi punti sono spesso esclusi da altri corsi e queste informazioni sono importanti per i nuovi studenti comprendere il contesto più ampio.

# 4 Specializzazione avanzata in machine learning - Coursera

Questa è un'altra serie avanzata di corsi che lancia una rete molto ampia. Se sei interessato a coprire quante più tecniche di apprendimento automatico possibile, questa specializzazione è la chiave per un curriculum online equilibrato ed esteso.

Le istruzioni di questo corso sono fantastiche: estremamente ben presentate e concise. Grazie alla sua natura avanzata, avrai bisogno di più matematica rispetto a qualsiasi altro corso elencato finora. Se hai già seguito un corso per principianti e ripulito l'algebra lineare e il calcolo, questa è una buona scelta per completare il resto della tua esperienza di apprendimento automatico.

Gran parte di ciò che è trattato in questa specializzazione è fondamentale per molti progetti di apprendimento automatico.

Fornitore: National Research University Higher School of Economics
Costo: gratuito per l'audit, $ 49 / mese per certificato

corsi:

  1. Introduzione all'apprendimento profondo
  • Introduzione all'ottimizzazione
  • Introduzione alle reti neurali
  • Apprendimento profondo per le immagini
  • Apprendimento della rappresentazione senza supervisione
  • Dee Learning for Sequences
  • Progetto finale

2. Come vincere concorsi di data science: impara dai migliori Kagglers

  • Introduzione e riepilogo
  • Elaborazione e generazione di funzionalità rispetto ai modelli
  • Descrizione finale del progetto
  • Analisi dei dati esplorativi
  • Validazione
  • Perdite di dati
  • Ottimizzazione delle metriche
  • Advanced Feature Engineering 1
  • Ottimizzazione dell'iperparametro
  • Advanced Feature Engineering 2
  • classificatori binari
  • Le competizioni passano attraverso
  • Progetto finale

3. Metodi bayesiani per l'apprendimento automatico

  • Introduzione ai metodi bayesiani e ai sacerdoti coniugati
  • Algoritmo di ottimizzazione delle aspettative
  • Inference Variation and Latent Dirichlet Allocation (LDA)
  • Markov Chain Monte Carlo
  • Autoencoder variazionale
  • Processi gaussiani e ottimizzazione bayesiana
  • Progetto finale

4. Apprendimento pratico di rinforzo

  • Intro: Perché dovrei preoccuparmi?
  • Al cuore di RL: programmazione dinamica
  • Metodi senza modello
  • Metodi basati sul valore approssimativo
  • Metodi basati su criteri
  • Esplorazione

5. Apprendimento profondo in Computer Vision

  • Introduzione all'elaborazione delle immagini e alla visione artificiale
  • Funzionalità convoluzionali per il riconoscimento visivo
  • Rilevamento oggetti
  • Tracciamento oggetti e riconoscimento azioni
  • Segmentazione e sintesi delle immagini

6. Elaborazione del linguaggio naturale

  • Introduzione e classificazione del testo
  • Modellazione del linguaggio e codifica delle sequenze
  • Modelli di spazio vettoriale della semantica
  • Attività da sequenza a sequenza
  • Sistemi di dialogo

7. Affrontare le sfide del grande collisore di adroni mediante l'apprendimento automatico

  • Introduzione alla fisica delle particelle per i data scientist
  • Identificazione delle particelle
  • Cerca nuova fisica nei decadimenti rari
  • Cerca suggerimenti per la materia oscura con l'apprendimento automatico al nuovo esperimento del CERN
  • Ottimizzazione del rivelatore

Ci vogliono circa 8-10 mesi per completare questa serie di corsi, quindi se inizi oggi, in poco meno di un anno avrai imparato una grande quantità di apprendimento automatico e sarai in grado di affrontare più applicazioni all'avanguardia.

Nel corso dei mesi, creerai anche diversi progetti reali che si tradurranno in un computer che impara a leggere, vedere e giocare. Questi progetti saranno ottimi candidati per il tuo portfolio e daranno al tuo GitHub un aspetto molto attivo per tutti i datori di lavoro interessati.

# 5 Apprendimento automatico - EdX

Questo è un corso avanzato che ha il più alto prerequisito matematico rispetto a qualsiasi altro corso in questo elenco. Avrai bisogno di una conoscenza molto solida di algebra lineare, calcolo, probabilità e programmazione. Il corso ha compiti di programmazione interessanti in Python o Octave, ma il corso non insegna alcuna lingua.

Una delle maggiori differenze con questo corso è la copertura dell'approccio probabilistico all'apprendimento automatico. Se sei interessato a leggere un libro di testo, come Apprendimento automatico: una prospettiva probabilistica - che è uno dei libri di scienza dei dati più consigliati nei programmi del Master - allora questo corso sarebbe un complemento fantastico.

Fornitore: Columbia
Costo: gratuito per il controllo, $ 300 per certificato

Struttura del corso:

  • Stima della massima verosimiglianza, regressione lineare, minimi quadrati
  • Regressione della cresta, bias varianza, regola di Bayes, inferenza massima a posteriori
  • Classificazione del vicino più vicino, classificatori di Bayes, classificatori lineari, Perceptron
  • Regressione logistica, approssimazione di Laplace, metodi del kernel, processi gaussiani
  • Margine massimo, Support Vector Machines (SVM), alberi, foreste casuali, potenziamento
  • Clustering, K-medie, algoritmo EM, dati mancanti
  • Miscele di gaussiani, fattorizzazione a matrice
  • Fattorizzazione a matrice non negativa, modelli a fattore latente, PCA e variazioni
  • Modelli di Markov, modelli di Markov nascosti
  • Modelli di spazio di stato continuo, analisi di associazione
  • Selezione del modello, passaggi successivi

Gran parte degli argomenti del curriculum sono coperti in altri corsi rivolti ai principianti, ma la matematica non è annacquata qui. Se hai già appreso queste tecniche, sei interessato ad approfondire la matematica e vuoi lavorare su incarichi di programmazione che in realtà derivano alcuni degli algoritmi, allora dai un colpo a questo corso.

Guida all'apprendimento

Ora che hai visto i consigli sui corsi, ecco una guida rapida per il tuo percorso di apprendimento automatico. Innanzitutto, toccheremo i prerequisiti per la maggior parte dei corsi di apprendimento automatico.

Prerequisiti del corso

I corsi più avanzati richiedono le seguenti conoscenze prima di iniziare:

  • Algebra lineare
  • Probabilità
  • Calcolo
  • Programmazione

Questi sono i componenti generali di essere in grado di capire come funziona l'apprendimento automatico sotto il cofano. Molti corsi per principianti di solito richiedono almeno un po 'di programmazione e familiarità con le basi lineari dell'algebra, come vettori, matrici e loro notazione.

Il primo corso in questo elenco, Apprendimento automatico di Andrew Ng, contiene aggiornamenti sulla maggior parte della matematica di cui avrai bisogno, ma se non hai mai preso in precedenza l'algebra lineare, potrebbe essere difficile imparare l'apprendimento automatico e l'algebra lineare allo stesso tempo tempo.

Se hai bisogno di rispolverare la matematica richiesta, controlla:

Consiglierei di imparare Python poiché la maggior parte dei buoni corsi di ML usano Python. Se segui il corso di Machine Learning di Andrew Ng, che utilizza Octave, dovresti imparare Python durante il corso o dopo, poiché alla fine ne avrai bisogno. Inoltre, un'altra grande risorsa Python è dataquest.io, che ha un sacco di lezioni gratuite su Python nel loro ambiente browser interattivo.

Dopo aver appreso i prerequisiti essenziali, puoi iniziare a capire davvero come funzionano gli algoritmi.

Algoritmi fondamentali

Esiste un set di base di algoritmi nell'apprendimento automatico che tutti dovrebbero conoscere e avere esperienza nell'uso. Questi sono:

  • Regressione lineare
  • Regressione logistica
  • k-significa clustering
  • k-vicini più vicini
  • Support Vector Machines (SVM)
  • Alberi decisionali
  • Foreste casuali
  • Naive Bayes

Questi sono gli elementi essenziali, ma ce ne sono molti, molti altri. I corsi sopra elencati contengono essenzialmente tutti questi con alcune variazioni. Comprendere come funzionano queste tecniche e quando usarle sarà estremamente importante quando si affrontano nuovi progetti.

Dopo le basi, alcune tecniche più avanzate da imparare sarebbero:

  • Gruppo musicale
  • Aumentare
  • Riduzione dimensionale
  • Insegnamento rafforzativo
  • Reti neurali e apprendimento profondo

Questo è solo un inizio, ma questi algoritmi sono in genere ciò che vedi nelle soluzioni di apprendimento automatico più interessanti e sono aggiunte efficaci alla tua cassetta degli attrezzi.

E proprio come le tecniche di base, con ogni nuovo strumento che impari dovresti prendere l'abitudine di applicarlo immediatamente a un progetto per consolidare la tua comprensione e avere qualcosa a cui tornare quando hai bisogno di un aggiornamento.

Affronta un progetto

L'apprendimento automatico online è stimolante ed estremamente gratificante. È importante ricordare che solo guardare video e rispondere ai quiz non significa che stai davvero imparando il materiale. Imparerai ancora di più se hai un progetto secondario su cui stai lavorando che utilizza dati diversi e ha obiettivi diversi rispetto al corso stesso.

Non appena inizi a imparare le basi, dovresti cercare dati interessanti a cui puoi applicare quelle nuove competenze. I corsi di cui sopra ti daranno alcune intuizioni su quando applicare determinati algoritmi, quindi è una buona pratica applicarli immediatamente in un progetto tutto tuo.

Attraverso prove ed errori, esplorazione e feedback, scoprirai come sperimentare tecniche diverse, come misurare i risultati e come classificare o fare previsioni. Per qualche ispirazione su quale tipo di progetto ML intraprendere, consulta questo elenco di esempi.

Affrontare i progetti ti offre una migliore comprensione di alto livello del panorama dell'apprendimento automatico e man mano che ti avvicini a concetti più avanzati, come il Deep Learning, c'è praticamente un numero illimitato di tecniche e metodi con cui comprendere e lavorare.

Leggi la nuova ricerca

L'apprendimento automatico è un campo in rapido sviluppo in cui nuove tecniche e applicazioni escono ogni giorno. Una volta superati i fondamenti, dovresti essere in grado di elaborare alcuni documenti di ricerca su un argomento che ti interessa.

Esistono diversi siti Web per ricevere notifiche su nuovi articoli corrispondenti ai tuoi criteri. Google Scholar è sempre un buon punto di partenza. Inserisci parole chiave come "machine learning" e "twitter" o qualsiasi altra cosa ti interessi e premi il piccolo link "Crea avviso" sulla sinistra per ricevere email.

Prendi l'abitudine settimanale di leggere quegli avvisi, scansiona i documenti per vedere se vale la pena leggerli e poi impegnati a capire cosa sta succedendo. Se ha a che fare con un progetto a cui stai lavorando, vedi se puoi applicare le tecniche al tuo problema.

Avvolgendo

L'apprendimento automatico è incredibilmente divertente e interessante da imparare e sperimentare, e spero che tu abbia trovato un corso sopra che si adatta al tuo viaggio in questo campo emozionante.

L'apprendimento automatico costituisce un componente di Data Science e, se sei anche interessato a conoscere statistiche, visualizzazione, analisi dei dati e altro, assicurati di dare un'occhiata ai migliori corsi di data science, che è una guida che segue un formato simile a questo.

Infine, se hai domande o suggerimenti, sentiti libero di lasciarli nei commenti qui sotto.

Grazie per la lettura e buon apprendimento!

Originariamente pubblicato su learndatasci.com.