新智元推薦
2017年， 人工智慧和機器學習/深度學習繼續火熱， 再加上高薪的關係， 有越來越多的人開始涉足這個領域。
在這裡， 我們推薦15門機器學習課程， 這些課程都是由領域內領先的研究人員所教授。 大多數課程都是免費的， 而且可以根據自己的進度來安排學習。 課程的內容包括決策樹， 樸素貝葉斯， 邏輯回歸， 神經網路和深度學習， 概率推理， 貝葉斯學習， 支持向量機和核方法，
神經網路與機器學習簡介
Geoffrey E. Hinton， 2014年
這門課估計無需多言， Hinton被譽為深度學習教父， 他講的神經網路， 即使是進擊的高手， 也不能放過， 多多聽課准沒錯。
值得一提， Hinton在今年終於揭幕了他的“膠囊網路”， 要取代CNN， 也應當關注。
上這門課你需要熟悉：微積分， 代數， 概率， 統計
課程描述：這門課使用“反向教室”模式授課。 這意味著， 這門課不是在大講堂裡由教師單方面介紹材料， 而是把視頻當做課前在家裡預習的資料， 你先看， 看完後方便你在課堂上進行更多的討論。 每個演講都由一套3個左右的短視頻組成， 你註冊後， 可以在Coursera網站上查看。 第一個演講視頻詳細介紹了如何學習這門課程和資料的使用方法。 每堂課都含有一個對講座視頻的課堂討論， 因此你必須在相應的講座之前觀看那段視頻， 否則會跟不上討論內容， 浪費你的時間。
機器學習神經網路
Geoffrey E. Hinton， 2017年
這門課是Hinton 2014年課程的新版， 註冊時間正好明天2017年12月25日開始。
與2014年的課程相比——除了名字不同， 新的課程要求也不同， 面向中高級學習人士， 但上課需要熟悉的先決條件只有微積分。
課程描述：瞭解人工神經網路及其如何用於機器學習， 應用於語音和物體識別， 圖像分割， 語言建模和人體運動等任務。 這門課程將同時強調基本的演算法和在實踐中讓這些演算法發揮效用的技巧。
新智元提醒：對比學習， 效果更佳。
Coursera連結：https://www.coursera.org/learn/neural-networks
Ruslan Salakhutdinov， CMU， 蘋果AI研究總監
這門課是Rus在多倫多大學2015年教授的。
這門課涵蓋了機器學習統計方面的一些理論和方法。根據課程主頁，議題包括：1.回歸的線性方法 2.分類的線性模型 3.概率生成和判別模型 4.正則化方法 5.神經網路 6.支持向量機 7.混合模型和EM演算法 8.強化學習
使用的教科書
Chris Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Kevin P. Murphy. Machine Learning: A Probabilistic Perspective.
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning. 2009.
David MacKay. Information Theory, Inference, and Learning Algorithms. 2003.
講座都有PDF：
http://www.cs.toronto.edu/~rsalakhu/CSC411/lectures.html
機器學習和模式識別
Yann LeCun，Facebook人工智慧實驗室主任，2010年
Yann LeCun的課程，非常多的數學，非常多的程式設計。上這門課前，你需要瞭解線性代數，向量演算，基本的統計和概率論。不僅如此，LeCun還特別指出，“良好的程式設計能力是必須的：大多數作業都包括實現在課堂上學習的演算法。”
訪問課程主頁，撲面而來的2010年氣息……我是說網頁設計。
雖然這是一門面向研究生的課程，但數學好、 “highly motivated” 的大三、大四本科生也能上這門課。過去也有大一大二學生成功修完的案例。所以，你不試一試怎麼知道自己不行呢？
下面詳細介紹一下這門課：
本課程涵蓋機器學習，模式識別，統計建模和神經計算等各種主題。課程涵蓋了數學方法和理論方面，但主要側重於演算法和實際問題。機器學習和模式識別方法是“智慧計算”許多最新進展的核心。當前的應用包括機器感知（視覺、聽覺、語音辨識），控制（程序控制、機器人技術），資料採擷，時間序列預測（如財務），自然語言處理，文本挖掘和文本分類，生物資訊學，建模，生物過程的計算模型等諸多領域。
這門課對所有想要使用或開發統計建模方法的學生都是有用的，包括CS（AI、Vision、Graphics），數學（系統建模），神經科學（計算神經科學、腦成像），金融（金融建模與預測），心理學（視覺），語言學，生物學（計算生物學、基因組學、生物資訊學）和醫學（生物統計學、流行病學）。
學習這門課唯一必須的條件是熟悉電腦程式設計和線性代數，但課程在很大程度上依賴概率和統計學，多變數微積分和函數優化等數學工具。課程中間會在必要時引入基本的數學概念。雖然這是一門研究生水準的課程，但是具有良好的數學背景的高水準本科生可以參加這個課程。
課程主題：
1.歸納推理，學習和泛化的基礎知識。
2.線性分類器：感知機，LMS，邏輯回歸。
3.具有線性參數化的非線性分類器：基函數方法，boosting，支援向量機。
4.多層神經網路，反向傳播
5.異構學習系統
6.基於圖的序列模型：隱瑪律可夫模型，有限狀態轉換器，遞迴網路。
7.無監督學習：密度估計，聚類和降維方法。 8.圖模型和因數圖介紹
9.近似推理，抽樣。
10.學習中的優化方法：基於梯度的方法，二階方法，期望最大化。
11.目標函數：最大似然，最大後驗，判別準則，最大餘量。
12.偏差-方差困境，正則化，模型選擇。
13.視覺、語音，語言、預測和生物建模中的應用。
到課程結束時，學生不僅能夠理解和使用主要的機器學習方法，還能夠實施，應用和分析它們。
課程時間和材料看這裡：https://cs.nyu.edu/~yann/2010f-G22-2565-001/schedule.html
從數據中學習
Yaser S. Abu-Mostafa，加州理工，2012年
這門課使用的教科書是Yaser S. Abu-Mostafa，Malik Magdon-Ismail，Hsien-Tien Lin的《從資料中學習》（Learning From Data），2012年出版。
上課需要熟悉概率，矩陣，微積分。
這是一門機器學習（ML）入門課程，涵蓋了基本的理論，演算法和應用。本課程將理論與實踐相結合，涵蓋數學以及啟發式演算法。課程有一條類似故事講述的主線：什麼是學習？機器可以學習嗎？可以的話，怎麼做到？如何做好？我們從中能學到什麼？
edX明星課程，不過這學期已經結束，可以等到下次開學再註冊。
edX《從數據中學習》課程主頁：
https://www.edx.org/course/learning-data-introductory-machine-caltechx-cs1156x-0
Kilian Weinberger，康奈爾大學，2017年
非常友好的課程，有專為移動端閱讀優化的講座筆記！
這門課的目標是介紹機器學習，教會你基本的技能，從而便於你決定使用哪種學習演算法來解決問題，你將學會編寫自己的學習演算法，並對其進行評估和調試。
上這門課你需要熟悉矩陣代數，概率論/統計學，多元微積分。想要更進一步準備考試的，推薦學習吳恩達Coursera機器學習線上課程的前3周。
課程主題：
1.概述（什麼是機器學習）
2.k-最近鄰
3.感知機
4.從資料估計概率
5.樸素貝葉斯
6.邏輯回歸
7.梯度下降
8.線性回歸
9.線性SVM
10.經驗風險最小化
11.偏差/方差權衡
12.ML調試，過/欠擬合
13~14.Kernel Machines
15.高斯過程/貝葉斯全域優化
16.快速最近鄰搜索
17.決策/回歸樹
18.Bagging
19.Boosting
20.深度學習
康奈爾大學機器學習：
https://courses.cis.cornell.edu/cs4780/2017sp/
機器學習
吳恩達，2017年
剛才的那門課提到了吳恩達的機器學習，那麼我們當然緊接著要介紹這門課。吳恩達的機器學習課程估計是很多人，尤其是中國學生進入機器學習的引路人。提醒一句，這門課的最新一期從2017年12月25日開始註冊。
這門課以前新智元也介紹過，吳恩達本人對這門課也很有感情，他曾表示自己保留斯坦福教職，很大程度上是因為想教這門課。這門課也是技巧和實踐並重，“你不僅可以學習到學習的理論基礎，還可以獲得所需的實用知識，快速有效地將這些技術應用於新的問題”。不僅如此，課程中還將介紹了矽谷在機器學習和人工智慧方面創新的一些最佳實踐。本課程還將從大量的案例研究和應用中吸取教訓，以便學習如何將學習演算法應用於構建智慧型機器人（感知，控制），文本理解（網路搜索，反垃圾郵件），電腦視覺，醫學資訊學，音訊，資料庫挖掘等領域。
主題包括：
1、監督學習：參數/非參數演算法，支援向量機，Kernels，神經網路
2、無監督學習：聚類，降維，推薦系統，深度學習
3、機器學習的最佳實踐：偏差/方差理論；機器學習和人工智慧的創新過程
課程地址：https://www.coursera.org/learn/machine-learning
機器學習和自我調整智慧
Neil Lawrence，亞馬遜機器學習負責人，2015年
這裡特別推薦亞馬遜機器學習的負責人（Director）2015年在謝菲爾德大學教授的課程——Machine Learning and Adaptive Intelligence。
上這門課你需要熟悉線性代數，概率，微積分。課程旨在提供對現代人工智慧基礎技術的理解，特別是對概率和統計建模的基本理解。課程有視頻，訪問大學網站可以查看。
謝菲爾德大學機器學習課程：
http://inverseprobability.com/mlai2015/
神經網路與機器學習介紹
Roger Grosse，多倫多大學，2017年
機器學習
機器學習
這門課是Rus在多倫多大學2015年教授的。
這門課涵蓋了機器學習統計方面的一些理論和方法。根據課程主頁，議題包括：1.回歸的線性方法 2.分類的線性模型 3.概率生成和判別模型 4.正則化方法 5.神經網路 6.支持向量機 7.混合模型和EM演算法 8.強化學習
使用的教科書
Chris Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Kevin P. Murphy. Machine Learning: A Probabilistic Perspective.
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning. 2009.
David MacKay. Information Theory, Inference, and Learning Algorithms. 2003.
講座都有PDF：
http://www.cs.toronto.edu/~rsalakhu/CSC411/lectures.html
機器學習和模式識別
Yann LeCun，Facebook人工智慧實驗室主任，2010年
Yann LeCun的課程，非常多的數學，非常多的程式設計。上這門課前，你需要瞭解線性代數，向量演算，基本的統計和概率論。不僅如此，LeCun還特別指出，“良好的程式設計能力是必須的：大多數作業都包括實現在課堂上學習的演算法。”
訪問課程主頁，撲面而來的2010年氣息……我是說網頁設計。
雖然這是一門面向研究生的課程，但數學好、 “highly motivated” 的大三、大四本科生也能上這門課。過去也有大一大二學生成功修完的案例。所以，你不試一試怎麼知道自己不行呢？
下面詳細介紹一下這門課：
本課程涵蓋機器學習，模式識別，統計建模和神經計算等各種主題。課程涵蓋了數學方法和理論方面，但主要側重於演算法和實際問題。機器學習和模式識別方法是“智慧計算”許多最新進展的核心。當前的應用包括機器感知（視覺、聽覺、語音辨識），控制（程序控制、機器人技術），資料採擷，時間序列預測（如財務），自然語言處理，文本挖掘和文本分類，生物資訊學，建模，生物過程的計算模型等諸多領域。
這門課對所有想要使用或開發統計建模方法的學生都是有用的，包括CS（AI、Vision、Graphics），數學（系統建模），神經科學（計算神經科學、腦成像），金融（金融建模與預測），心理學（視覺），語言學，生物學（計算生物學、基因組學、生物資訊學）和醫學（生物統計學、流行病學）。
學習這門課唯一必須的條件是熟悉電腦程式設計和線性代數，但課程在很大程度上依賴概率和統計學，多變數微積分和函數優化等數學工具。課程中間會在必要時引入基本的數學概念。雖然這是一門研究生水準的課程，但是具有良好的數學背景的高水準本科生可以參加這個課程。
課程主題：
1.歸納推理，學習和泛化的基礎知識。
2.線性分類器：感知機，LMS，邏輯回歸。
3.具有線性參數化的非線性分類器：基函數方法，boosting，支援向量機。
4.多層神經網路，反向傳播
5.異構學習系統
6.基於圖的序列模型：隱瑪律可夫模型，有限狀態轉換器，遞迴網路。
7.無監督學習：密度估計，聚類和降維方法。 8.圖模型和因數圖介紹
9.近似推理，抽樣。
10.學習中的優化方法：基於梯度的方法，二階方法，期望最大化。
11.目標函數：最大似然，最大後驗，判別準則，最大餘量。
12.偏差-方差困境，正則化，模型選擇。
13.視覺、語音，語言、預測和生物建模中的應用。
到課程結束時，學生不僅能夠理解和使用主要的機器學習方法，還能夠實施，應用和分析它們。
課程時間和材料看這裡：https://cs.nyu.edu/~yann/2010f-G22-2565-001/schedule.html
從數據中學習
Yaser S. Abu-Mostafa，加州理工，2012年
這門課使用的教科書是Yaser S. Abu-Mostafa，Malik Magdon-Ismail，Hsien-Tien Lin的《從資料中學習》（Learning From Data），2012年出版。
上課需要熟悉概率，矩陣，微積分。
這是一門機器學習（ML）入門課程，涵蓋了基本的理論，演算法和應用。本課程將理論與實踐相結合，涵蓋數學以及啟發式演算法。課程有一條類似故事講述的主線：什麼是學習？機器可以學習嗎？可以的話，怎麼做到？如何做好？我們從中能學到什麼？
edX明星課程，不過這學期已經結束，可以等到下次開學再註冊。
edX《從數據中學習》課程主頁：
https://www.edx.org/course/learning-data-introductory-machine-caltechx-cs1156x-0
Kilian Weinberger，康奈爾大學，2017年
非常友好的課程，有專為移動端閱讀優化的講座筆記！
這門課的目標是介紹機器學習，教會你基本的技能，從而便於你決定使用哪種學習演算法來解決問題，你將學會編寫自己的學習演算法，並對其進行評估和調試。
上這門課你需要熟悉矩陣代數，概率論/統計學，多元微積分。想要更進一步準備考試的，推薦學習吳恩達Coursera機器學習線上課程的前3周。
課程主題：
1.概述（什麼是機器學習）
2.k-最近鄰
3.感知機
4.從資料估計概率
5.樸素貝葉斯
6.邏輯回歸
7.梯度下降
8.線性回歸
9.線性SVM
10.經驗風險最小化
11.偏差/方差權衡
12.ML調試，過/欠擬合
13~14.Kernel Machines
15.高斯過程/貝葉斯全域優化
16.快速最近鄰搜索
17.決策/回歸樹
18.Bagging
19.Boosting
20.深度學習
康奈爾大學機器學習：
https://courses.cis.cornell.edu/cs4780/2017sp/
機器學習
吳恩達，2017年
剛才的那門課提到了吳恩達的機器學習，那麼我們當然緊接著要介紹這門課。吳恩達的機器學習課程估計是很多人，尤其是中國學生進入機器學習的引路人。提醒一句，這門課的最新一期從2017年12月25日開始註冊。
這門課以前新智元也介紹過，吳恩達本人對這門課也很有感情，他曾表示自己保留斯坦福教職，很大程度上是因為想教這門課。這門課也是技巧和實踐並重，“你不僅可以學習到學習的理論基礎，還可以獲得所需的實用知識，快速有效地將這些技術應用於新的問題”。不僅如此，課程中還將介紹了矽谷在機器學習和人工智慧方面創新的一些最佳實踐。本課程還將從大量的案例研究和應用中吸取教訓，以便學習如何將學習演算法應用於構建智慧型機器人（感知，控制），文本理解（網路搜索，反垃圾郵件），電腦視覺，醫學資訊學，音訊，資料庫挖掘等領域。
主題包括：
1、監督學習：參數/非參數演算法，支援向量機，Kernels，神經網路
2、無監督學習：聚類，降維，推薦系統，深度學習
3、機器學習的最佳實踐：偏差/方差理論；機器學習和人工智慧的創新過程
課程地址：https://www.coursera.org/learn/machine-learning
機器學習和自我調整智慧
Neil Lawrence，亞馬遜機器學習負責人，2015年
這裡特別推薦亞馬遜機器學習的負責人（Director）2015年在謝菲爾德大學教授的課程——Machine Learning and Adaptive Intelligence。
上這門課你需要熟悉線性代數，概率，微積分。課程旨在提供對現代人工智慧基礎技術的理解，特別是對概率和統計建模的基本理解。課程有視頻，訪問大學網站可以查看。
謝菲爾德大學機器學習課程：
http://inverseprobability.com/mlai2015/
神經網路與機器學習介紹
Roger Grosse，多倫多大學，2017年
機器學習
機器學習