麻省、谷歌、斯坦福、Yandex的10个机器学习和数据科学必修课程陪你走完2018

麻省理工学院 

6.0002计算思维与数据科学课程

麻省理工学院的 6.0002计算思维与数据科学课程 是6.0001计算机科学和 Python 编程简介的延续， 适用于编程经验很少或没有编程经验的学生。 它旨在让学生了解计算在解决问题方面可以发挥的作用，并让学生相信他们能够编写小程序，使他们能够实现有用的目标。 该课程使用Python 3.5编程语言。

课程网址：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-0002-introduction-to-computational-thinking-and-data-science-fall-2016/

6.S191深度学习简介课程

麻省理工学院的 6.S191 深度学习简介 课程 包括机器翻译、图像识别和游戏等应用。 学生不仅会获得深度学习算法的基础知识，还会获得在TensorFlow中构建神经网络的实践经验。

课程介绍

课程网址：http://introtodeeplearning.com/

斯坦福大学

CS229: Machine Learning课程

斯坦福大学的 CS229: Machine Learning课程 提供机器学习和统计模式识别的广泛介绍 。主题包括：监督学习（生成/判别学习、参数/非参数学习、神经网络、支持向量机）; 无监督学习（聚类、降维、核方法）; 学习理论（偏差/方差权衡、VC理论）;强化学习和自适应控制。

该课程还将讨论机器学习的最新应用 ，例如机器人控制、数据挖掘、自主导航、生物信息学、语音识别以及文本和Web数据处理。

课程网址：http://cs229.stanford.edu/

CS 124：从语言到信息课程

斯坦福大学的 CS 124： 从语言到信息课程： 介绍语义分析、语言模型和向量语义等自然语言处理的模型方法，以及问答系统和聊天机器人等应用。

课程网址：https://web.stanford.edu/class/cs124/#information

fast.ai

编码器机器学习简介课程

由Enlitic的创始人Jeremy Howard教授创办的 编码器机器学习简介课程 可以帮助你了解最重要的机器学习模型 ，并获取从头开始创建它们、数据准备、模型验证和构建数据产品的关键技能。

课程网址：https://course.fast.ai/ml

编码器实用深度学习课程

这个为期7周，大约有20个小时的 编码器实用深度学习课程 专为 至少拥有一年编码经验 的人而设计。 你将学习到的内容，包含了获取在线GPU服务器 、搭建高度实用的计算机视觉模型、自然语言处理和推荐系统。

课程网址：https://course.fast.ai/

编码器的计算线性代数课程

编码器的计算线性代数课程 的重点是：我们如何以可接受的速度和可接受的准确度进行矩阵计算？

该课程是2017年夏季旧金山大学的分析科学硕士课程，该课程使用Jupyter笔记本进行Python教学，使用Scikit-Learn和Numpy等大多数课程库，以及Numba和PyTorch。

课程网址：https://github.com/fastai/numerical-linear-algebra/blob/master/README.md

谷歌

机器学习速成课程

谷歌的 机器学习速成课程 包含一系列视频讲座课程、实际案例分析和实践练习。有25节课程和40多项练习， 主要目的是通过速成课程学习并运用机器学习的基本概念 ，通过配套开展的 Kaggle 大赛获得实际体验。课程开始前，它会根据你选择的情况为你推荐课程，有趣的是，该视频讲座的配音是使用机器学习技术生成的。

课程网址：https://developers.google.com/machine-learning/crash-course/ml-intro

Yandex数据学校

自然语言处理课程

YSDA的 自然语言处理课程 包括了词向量、文本分类、语言模型、结构化学习、期望最大化、机器翻译、领域适应性、对话系统等方面的内容。

课程网址：https://github.com/yandexdataschool/nlp_course

实用强化学习课程

YSDA和HSE的 实用强化学习课程 的宣言是 “优化好奇心，实用性第一” ，课程包括了RL问题、MDP、Q-learning、SARSA、近似强化学习、循环神经网络回顾、策略梯度方法等方面的内容。

课程网址：https://github.com/yandexdataschool/Practical_RL

学术头条祝大家圣诞快乐:christmas_tree: