本文作者在多年研究在线学习图景、在不同平台注册大量机器学习课程后，收集了目前最好的 5 门机器学习课程。

机器学习根植于统计学，正在逐渐成为最有趣、发展最快的计算机科学领域之一。机器学习可应用到无数行业和应用中，使其更加高效和智能。

聊天机器人、垃圾邮件过滤、广告服务、搜索引擎和欺诈检测，这些都是机器学习模型在日常生活中的应用实例。机器学习使我们为人类力不能及的事找到模式、创建数学模型。

与涉及探索性数据分析、统计学、通信和可视化技术的数据科学课程不同，机器学习课程主要讲授机器学习算法、数学原理，以及如何使用某种编程语言写算法。

本文介绍了 top 5 机器学习课程：

吴恩达《机器学习》课程：吴恩达《深度学习专项课程》： AGHABOZORGI 主讲的 Machine Learning with Python 课程： Machine Learning 专项课程：哥伦比亚大学的 Machine Learning 课程：筛选标准

本文介绍的 5 门机器学习课程遵循以下标准：

严格专注于机器学习领域。使用免费开源的编程语言，如 Python、R 或 Octave。使用免费开源的库。包含编程作业和实践。解释算法运行的数学原理。学员可以自己调节进度，大约每月可以获取新的课程。讲师有趣、课堂有趣。在不同网站和论坛上的评分和评价高于平均值。若想尽快全面地学习机器学习，那么学习者还应该在在线学习之外看一些相关书籍。作者推荐了以下两本书籍，这两本书对作者的学习带来了很大影响。书籍

1. An Introduction to Statistical Learning: with Applications in R

免费在线版地址：

这本书具备清晰直接的解释和示例，可以帮助读者提升对基础机器学习技术的数学理解。这本书更加偏重理论，但仍然包含一些使用 R 语言的练习和示例。

2. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems

这本书是对上一本书的良好补充，它主要涉及使用 Python 的机器学习应用。这本书搭配以下任意一门课程，可以帮助大家强化编程技能，了解如何直接将机器学习应用到项目中。

以下是本文的重头戏：top 5 机器学习课程。

一、吴恩达《机器学习》课程

这门课适合初学者，其讲师和创建者是斯坦福大学教授、谷歌大脑联合创始人、Coursera 联合创始人吴恩达。

这门课的作业要求使用开源编程语言 Octave，而不是 Python 或 R。这对于很多人来说有些怪异，但对于新手而言，Octave 是学习机器学习基础的简单方式。

整体来看，这门课程的材料翔实，直接由吴恩达授课，详细解释了每个算法必需的所有数学知识，还涉及了一些微积分知识和线性代数知识。这门课程基本上是独立的，不过提前了解一些线性代数知识会很有帮助。

课程提供者：吴恩达，斯坦福大学费用：免费；如需课程证书，则需 79 美元

课程结构：

单变量线性回归线性代数概要多变量线性回归Octave/Matlab 教程Logistic 回归正则化神经网络：表征神经网络：学习使用机器学习的建议机器学习系统设计支持向量机降维异常检测推荐系统大规模机器学习应用案例：Photo OCR

该课程持续时间为 11 周。如果可以坚持上完整个课程，你将在大约四个月内对机器学习有一个较好的基本了解。

之后，你可以再学习感兴趣的高阶或专项课程，如深度学习、机器学习工程等。

这门课程对于新手来说无疑是最好的课程。

参考文章：资源 | 吴恩达《机器学习》笔记，哥大研究生献上

二、吴恩达深度学习专项课程

该课程同样是吴恩达开设的。这是一个更高级的课程系列，适用于任何对机器学习、深度学习及其原理和应用感兴趣的人。

该课程共包括 5 门课，每门课的作业和授课都使用 Python 编程语言和 TensorFlow 神经网络库。该课程是吴恩达机器学习课程的良好后续，因为授课风格类似，而且你还可以学习使用 Python 进行机器学习。

课程提供者：吴恩达，deeplearning.ai费用：免费；如需课程证书，则 49 美元/月

课程结构：

1. 神经网络和深度学习

深度学习简介神经网络的基本概念浅层神经网络深度神经网络

2. 改善神经网络：调参、正则化和优化

深度学习的实践优化算法超参数调整、批归一化和编程框架

3. 构建机器学习项目

机器学习策略（1）机器学习策略（2）

4. 卷积神经网络

卷积神经网络基础深度卷积模型：案例研究目标检测特殊应用：人脸识别和神经风格迁移

5. 序列模型

循环神经网络自然语言处理和词嵌入序列模型和注意力机制

要想理解该课程中介绍的算法，你应该先熟悉线性代数和机器学习。如果你需要关于学习所需数学知识的建议，可以参阅文末的学习指南（Learning Guide）。

参考文章：

吴恩达 Deeplearning.ai 课程学习全体验：深度学习必备课程（已获证书）入门 | 吴恩达 Deeplearning.ai 全部课程学习心得分享 资源 | 吴恩达 deeplearning.ai 五项课程完整笔记了解一下？这是一份优美的信息图，吴恩达点赞的 deeplearning.ai 课程总结

三、用 Python 进行机器学习

这也是一个适合初学者的课程，只关注最基本的机器学习算法。讲师、幻灯片动画和对算法的解释结合得非常好，能让你对基本概念有直观的了解。

该课程使用 Python，但对算法背后的数学知识讲得较少。通过每个模块，你将有机会在浏览器中下载一个交互式 Jupyter notebook 来实践你学到的新概念。每个 notebook 会巩固你的知识，并提供了在真实数据上使用算法的具体说明。

课程提供者：IBM, Cognitive Class费用：免费；如需课程证书，则 39 美元/月

课程结构：

机器学习导论回归分类聚类推荐系统期末专题

这门课提供的最大好处之一是为每个算法提供了实用的建议。在讲授新算法时，讲师会介绍它的工作原理、优缺点以及你应该在什么样的情况下使用它。其它课程很少会涉及这些，但这些信息对于初学者理解更广泛的背景很重要。

四、高阶机器学习专项课程

这是关于机器学习的另一个高阶课程。如果你想尽可能多地学习机器学习技术，该专项课程就是一个很好的选择。

这门课程的教学非常好：很精彩，而且简明扼要。由于这是一门高级课程，因此你需要更多的数学知识。如果你已经参加了一门初级课程，并且复习了线性代数和微积分，这门课将是你补充机器学习其它专业知识的很好选择。

本课程涵盖的大部分内容对许多机器学习项目至关重要。

课程提供者：俄罗斯国家研究型高等经济大学（National Research University Higher School of Economics，HSE）费用：免费；如需课程证书，则 49 美元/月

课程结构：

1. 深度学习导论

优化简介神经网络简介图像深度学习无监督表征学习序列深度学习最终项目

2. 如何在数据科学竞赛中获胜：向顶尖 kaggler 学习

介绍和回顾模型的特征处理和生成最终项目说明探索性数据分析验证数据泄露度量优化高级特征工程 1超参数优化高级特征工程 2集成竞赛介绍最终项目

3. 机器学习贝叶斯方法

贝叶斯方法和共轭先验简介期望最大化算法变分推断和隐含狄利克雷分布（LDA）马尔科夫链蒙特卡洛变分自编码器高斯过程和贝叶斯优化最终项目

4. 实用强化学习

简介强化学习核心：动态编程无模型方法基于近似值的方法基于策略的方法探索

5. 计算机视觉中的深度学习

图像处理和计算机视觉简介视觉识别的卷积特征目标检测目标跟踪和动作识别图像分割与合成

6. 自然语言处理

概念介绍和文本分类语言建模和序列标注语义向量空间模型序列到序列任务对话系统

7. 用机器学习应对大型强子对撞机的挑战

面向数据科学家的粒子物理学导论粒子鉴别在稀有衰变中探索新物理学在新 CERN 实验中用机器学习寻找暗物质暗示检测器优化

完成该系列课程大概需要 8-10 个月的时间，所以如果你从今天开始学习，在近一年的时间里，你将学到大量关于机器学习以及前沿应用的知识。

在这几个月里，你还将创建几个真正的项目。这些项目将极大丰富你的简历，让你的 GitHub 更吸引人。

五、机器学习

这是数学基础要求最高的一门高级课程。你的线性代数、微积分、概率、编程基础都需要非常牢固。该课程的有趣编程作业可以使用 Python 或 Octave 完成，但不提供关于这两种语言的课程。

该课程最大的亮点在于其涵盖了机器学习的概率方法。如果你之前读过《Machine Learning: A Probabilistic Perspective》等教科书，那么这门课程将成为良好的补充。

课程提供者：哥伦比亚大学费用：免费；如需课程证书，则需 300 美元

课程结构：

最大似然估计、线性回归、最小二乘法岭回归、偏差-方差、贝叶斯法则、最大后验概率推理最近邻分类、贝叶斯分类器、线性分类器、感知机Logistic 回归、拉普拉斯近似、核方法、高斯过程最大间隔、支持向量机（SVM）、树、随机森林、Boosting 算法聚类、K-均值、EM 算法、缺失数据混合高斯过程、矩阵分解非负矩阵分解、隐因子模型、主成分分析及其变体马尔科夫模型、隐马尔科夫模型连续状态空间模型、关联分析模型选择、未来走向

许多针对初学者的课程可能已经介绍过上述很多主题，但这个课程的数学却是实打实的。如果你已经学过这些，想在数学上更进一步，并且想通过做编程作业推导出一些算法，那么这个课程值得一试。

学习指南

首先介绍一下多数机器学习课程需要的知识储备。

课程知识储备

高阶课程需要以下知识储备：

线性代数概率微积分编程

这些是理解机器学习内在工作原理的必备知识。许多初学者课程通常要求至少有一些编程基础，并熟悉线性代数的基础知识，如向量、矩阵及其符号。

本文提及的第一份课程——吴恩达的《机器学习》复习了大部分所需数学知识，但如果你之前没有学过线性代数，那么同时学习机器学习和线性代数可能会有点困难。

如果你需要温习数学基础知识，请参考以下建议：

推荐学习 Python，因为多数机器学习课程用的编程语言都是 Python。即使你学的是吴恩达的《机器学习》课程（该课程用 Octave），你也应该抽时间学一下 Python，因为早晚都得用到。dataquest.io 也是一份极好的 Python 资源，其交互式浏览器环境中有很多免费的 Python 课程。

这些知识储备有助于初步了解算法的工作原理。

基础算法

以下是大家需要熟悉和练习使用的基础算法集合：

线性回归Logistic 回归k-均值聚类k-最近邻支持向量机（SVM）决策树随机森林朴素贝叶斯

这些算法是必须了解的，当然还有很多其他算法。上述课程介绍了这些算法及其变体。理解这些技术的原理以及何时使用它们对处理新项目非常重要。

除了这些基础算法之外，还有一些比较高级的技术需要学习：

集成Boosting降维强化学习神经网络和深度学习

这只是开始，这些算法通常是最有趣的机器学习解决方案中会使用到的，它们对你的工具箱来说也是个有效的补充。

与基础技术一样，每学习一项新工具，你就要直接将其应用到项目中，以加深理解、融会贯通。

解决项目

在线学习机器学习很有难度，当然回报也很大。不过你要记住，只看讲课视频、做测验并不能证明你真的在学习教材。如果你创建一个与课程使用数据和目标皆不同的项目，那么你会学到更多。

在你刚开始学习机器学习基础知识时，你就应该寻找一些有趣的数据，以便实践新技能。上述课程将使学习者了解何时应用算法，因此在自己的项目中应用机器学习算法是一项不错的实践。

通过试错、探索和反馈，你会发现如何使用不同的技术、如何衡量结果、如何分类或预测。关于 ML 项目，这里有一份示例列表，参见：。

解决项目会帮助你更好、更高级地理解机器学习。如果你开始了解更高级的概念（如深度学习），那么将有无数种技术和方法去理解和使用。

阅读新研究

机器学习是一个快速发展的领域，每天都有新技术和应用出现。你掌握了机器学习基础知识之后，可以阅读自己感兴趣的研究论文。

有一些网站可以即时获取感兴趣领域的新论文。比如谷歌学者，输入关键词「machine learning」和「twitter」，或其他感兴趣的主题，点击「Create Alert」，即可通过电子邮件获取相关新论文通知。

养成每周阅读提醒邮件的习惯，浏览论文以确定是否有阅读的必要，然后深入理解某项研究的具体内容。如果某些研究与你正在做的项目相关，你可以看看是否可以将这些技术应用到自己的问题上。

结语

机器学习是一个非常有趣的领域，值得你去学习和体验，希望在这里你可以找到一个适合自己的课程。

机器学习是数据科学的一个重要组成部分，如果你对统计、可视化、数据分析等方面感兴趣的话，可以参考关于顶级数据科学课程推荐的文章： / best-data-science-online-courses /。