机器学习在数据领域越来越受欢迎。但是,人们常常认为要成为一名机器学习工程师,你需要拥有高级学位。然而,这并不完全正确。因为技能和经验比起学位更重要,永远如此。
如果你在阅读这篇文章,你可能是数据领域的新手,想要从事机器学习工程师的工作。也许,你已经在数据分析或商业智能分析师的职位上工作,想要转向机器学习角色。
无论你的职业目标是什么,我们为你精选了一系列完全免费的机器学习课程,帮助你提升机器学习的能力。我们包括了既能帮助你理解理论知识,又能帮助你构建机器学习模型的课程。
让我们开始吧!
1. 机器学习入门
如果你正在寻找一门通俗易懂的机器学习课程,那么机器学习入门适合你。
这门课程由Kylie Ying教授,采用先编写代码再构建简单有趣的机器学习模型的方法在Google Colab上进行教学。通过自己编写笔记本并构建模型,同时学习足够的理论知识,这是熟悉机器学习的绝佳方式。
这门课程使机器学习的概念易于理解,并涵盖以下主题:
- 机器学习介绍
- K-最近邻算法
- 朴素贝叶斯算法
- 逻辑回归
- 线性回归
- K-Means聚类
- 主成分分析(PCA)
课程链接:机器学习入门
2. Kaggle机器学习课程
Kaggle是一个很好的平台,可以参与现实世界的数据挑战,建立你的数据科学作品集,并磨炼你的模型构建技巧。此外,Kaggle团队还推出了一系列微型课程,让你快速掌握机器学习的基础知识。
你可以了解以下(微型)课程。每门课程通常需要几个小时完成,并完成练习:
- 机器学习入门
- 中级机器学习
- 特征工程
《机器学习入门》课程涵盖以下主题:
- 机器学习模型的工作原理
- 数据探索
- 模型验证
- 欠拟合和过拟合
- 随机森林
《中级机器学习》课程将学习:
- 处理缺失值
- 处理分类变量
- 机器学习流程
- 交叉验证
- XGBoost
- 数据泄露
《特征工程》课程涵盖以下主题:
- 互信息
- 创建特征
- K-Means聚类
- 主成分分析
- 目标编码
建议按照上述顺序学习课程,这样当你从一门课程转到下一门课程时,你就已经具备了前提知识。
课程链接:
3. 使用Scikit-Learn进行Python机器学习
在FUN MOOC平台上,使用Scikit-Learn进行Python机器学习是由Scikit-Learn核心团队的开发人员创建的免费自学课程。
它涵盖了广泛的主题,帮助您学习如何使用Scikit-Learn构建机器学习模型。每个模块都包含视频教程和相应的Jupyter笔记本。您需要对Python编程和Python数据科学库有一定的了解,以充分利用该课程。
课程内容包括:
- 预测建模流程
- 评估模型性能
- 超参数调整
- 选择最佳模型
- 线性模型
- 决策树模型
- 集成模型
课程链接:使用Scikit-Learn进行Python机器学习
4. 机器学习速成课程
Google的机器学习速成课程是另一个学习机器学习的良好资源。从建立模型的基础知识到特征工程等等,该课程将教您如何使用TensorFlow框架构建机器学习模型。
该课程分为三个主要部分,其中大部分内容在ML概念部分:
- ML概念
- ML工程
- 现实世界中的ML系统
要参加这门课程,您需要熟悉高中数学、Python编程和命令行。
ML概念部分包括以下内容:
- ML基础知识
- TensorFlow介绍
- 特征工程
- 逻辑回归
- 正则化
- 神经网络
ML工程部分涵盖:
- 静态与动态训练
- 静态与动态推理
- 数据依赖性
- 公平性
而现实世界中的ML系统则是一系列案例研究,以了解机器学习在实际世界中的应用。
课程链接:机器学习速成课程
5. CS229:机器学习
到目前为止,我们已经看过一些课程,这些课程为您提供了对理论概念的一些了解,同时专注于构建模型。
虽然这是一个良好的开始,但您需要更详细地了解机器学习算法的工作原理。这对于在技术面试中获得成功、职业发展以及从事机器学习研究是非常重要的。
斯坦福大学的CS229:机器学习课程是最受欢迎和高度推荐的机器学习课程之一。该课程将为您提供与一学期大学课程相同的技术深度。
您可以在线访问讲座和讲义。该课程涵盖以下广泛主题:
- 监督学习
- 无监督学习
- 深度学习
- 泛化和正则化
- 强化学习和控制
课程链接:CS229:机器学习
总结
我希望您能找到有助于机器学习之旅的有用资源!这些课程将帮助您在理论概念和实际模型构建之间取得良好的平衡。
如果您已经熟悉机器学习并且时间有限,我推荐您查看使用scikit-learn进行Python机器学习的教程,以深入学习scikit-learn,并了解必要的理论基础可以参考CS229。愉快的学习!
[Bala Priya C](https://twitter.com/balawc27)是一位来自印度的开发者和技术作家。她喜欢在数学、编程、数据科学和内容创作的交叉领域工作。她的兴趣和专长包括DevOps,数据科学和自然语言处理。她喜欢阅读、写作、编码和喝咖啡!目前,她正在通过撰写教程、指南、观点文章等向开发者社区学习和分享知识。