Знаете, о чём я мечтал, когда начал изучать машинное обучение? О таком сборном курсе по машинному обучению формата всё-в-одном. В то время было трудно найти хороший курс со всеми необходимыми концепциями и алгоритмами. Так что нам приходилось искать по всей сети, читать исследовательские документы и покупать книги.
К счастью, сегодня это больше не проблема. Теперь мы в противоположной ситуации. Появилось очень много хороших и не очень курсов. Как же разобраться в их качестве и понять, какой из них включает в себя все те вещи, которым вы хотите научиться? Для этого я составил список самых популярных курсов с высококлассной подачей материала.
Я и сам прошёл большинство из них и очень яро рекомендую их все. Любой инженер машинного обучения или исследователь данных порекомендует вам, как минимум, один курс из списка, а как максимум — все. Так что можете больше не искать. Поехали.
1) Машинное обучение от Stanford (Coursera)
Этот курс многие считают лучшим по машинному обучению среди всех существующих. Преподаёт сам Andrew Ng — для тех, кто не знает его, он профессор в Стэнфорде, сооснователь платформы Coursera, сооснователь Google Brain и вице-президент Baidu. Программа покрывает все базовые вещи, которые вам нужно знать. Вдобавок у этого курса огромный рейтинг 4.9 из 5, что говорит о многом.
Материал полностью завершённый и подходит для новичков, так как учит базовым принципам линейной алгебры и исчислению в форме обучения под присмотром куратора. Единственный недостаток, о котором я могу вспомнить, это то, что в курсе используется Octave (версия Matlab с открытым кодов) вместо Python и R. Авторы на самом деле хотят, чтобы вы сосредоточились на алгоритмах, а не на программировании.
Стоимость: бесплатно для изучения, $79 за сертификат
Время обучения: 76 часов
Рейтинг: 4.9/5
Программа:
- Линейная регрессия с одной переменной
- Обзор линейной алгебры
- Линейная регрессия с несколькими переменными
- Уроки Octave/Matlab
- Логистическая регрессия
- Регуляризация
- Нейросети: представление
- Нейросети: обучение
- Совет для применения моделей
- Дизайн систем машинного обучения
- Метод опорных векторов
- Уменьшение размерности
- Определение аномалий
- Системы рекомендаций
- Машинное обучение с поддержкой масштабирования
- Пример приложения: Photo OCR
2) Специализация по глубокому обучению от deeplearning.ai (Coursera)
И снова курс ведёт Andrew Ng. Опять же, он лучший в сфере глубокого обучения. Видите в этом закономерность? Программа в реальности состоит из 5-ти разных курсов, и они все дадут вам чёткое понимание большинства важных вещей в области архитектуры нейронных сетей. Если вы серьёзно заинтересованы в качественном обучении, то идите на этот курс.
В курсе применяют язык Python и библиотеку TensorFlow (кое-какие знания для прохождения всё же потребуются), и это даст вам возможность работать с реальными задачами обработки естественного языка, компьютерного зрения, здравоохранения.
Стоимость: бесплатно для изучения, $49/месяц за сертификат
Время прохождения: 3 месяца (11 часов/неделя)
Рейтинг: 4.8/5
Программа:
- Нейросети и глубокое обучение
- Улучшение нейросетей: настройка гиперпараметра, регуляризация и оптимизация
- Структуризация проектов по машинному обучению
- Свёрточные нейросети
- Модели для секвенированных данных
3) Специализация по углубленному машинному обучению (Coursera)
Специализацию по углубленному машинному обучению создали в Национальном исследовательском университете “Высшая Школа Экономики”. Курс структурировали и преподают практиканты по машинному обучению Top Kaggle и ученые CERN. Он включает в себя 7 разных курсов и покрывает более глубокие темы, например, обучение с подкреплением и обработка естественного языка. Скорее всего, вам понадобится больше математики и достаточного понимания базовых идей машинного обучения, а от авторов вы получите превосходные инструкции и интересную среду. Я очень рекомендую этот курс.
Стоимость: бесплатно для изучения, $49/месяц за сертификат
Время прохождения: 8–10 месяцев (6–10 часов/неделя)
Рейтинг: 4.6/10
Программа:
- Введение в глубокое обучение
- Как выиграть соревнование по науке о данных: уроки от Top Kagglers
- Байесовские методы для машинного обучения
- Практика обучения с подкреплением
- Глубокое обучение в компьютерном зрении
- Обработка естественного языка
- Решение проблемы большого адронного коллайдера при помощи машинного обучения
4) Машинное обучение от Georgia Tech (Udacity)
Если вам нужен целостный подход к сфере и интерактивное окружение, то этот курс создан прямо для вас. Должен признать, что я не видел более полной учебной программы, чем эта. От обучения с куратором и без до улучшения знаний — в нём есть всё, о чём вы только можете подумать относительно данной темы.
Курс не обучит вас глубоким нейросетям, но он даст чёткое понимание всех разнообразных алгоритмов машинного обучения, их сильных/слабых сторон и того, как их можно вплетать в разработку реальных приложений. Если вы фанат очень коротких видеороликов и интерактивных опросов, разбросанных по всему курсу, то вы обязательно найдёте, чему порадоваться в процессе обучения на этом курсе.
Стоимость: бесплатно
Время для прохождения: 4 месяца
Программа:
- Обучение с учителем
- Обучение без учителя
- Обучение с подкреплением
Если интересуетесь ещё образовательным контентом и ресурсами по теме МО и ИИ, загляните в наш блог theaisummer.com
5) Введение в машинное обучение (Udacity)
Этот начальный курс составил и ведёт Sebastian Thrun, сооснователь платформы Udacity, вместе с Katie Malone, директором Data Science Research and Development. Основная аудитория этой программы — начинающие, кто ищет стартовое обучение в сфере МО. И снова, если вам нравится платформа Udacity (так же сильно, как мне), это отличная возможность начать погружаться в тему.
Стоимость: бесплатно
Время для прохождения: 10 недель
Программа:
- Добро пожаловать в машинное обучение
- Наивный Байес
- Метод опорных векторов
- Деревья решений
- Выберите свой алгоритм
- Датасеты и вопросы
- Регрессии
- Аномалии
- Кластеризация
- Взвешивание признаков
6) Наностепень по глубокому обучению (Udacity)
Этот курс научит вас всем передовым алгоритмам по глубокому обучению: от свёрточных сетей до генеративно-состязательных сетей. Он достаточно дорогостоящий, но это единственный курс с 5-ю разными практическими проектами. Вы создадите классификатор собачьих пород, систему генерации лиц, модель анализа настроений и ещё вы научитесь, как разворачивать их на этапе продакшна. И лучшая часть в этом курсе — учиться у таких авторитетов, как Jun-Yan Zhuand, Andrew Trask, Sebastian Thrun и Ian Goodfellow.
Стоимость: 1316 евро
Время на прохождение: 4 месяца
Рейтинг 4.6/5
Программа:
- Проект 1: Прогнозирование закономерностей в прокате велосипедов (градиентный спуск и нейронные сети)
- Проект 2: Классификатор собачьих пород (конволюционные нейросети, автоэнкодеры и PyTorch)
- Проект 3: Генерация телевизионных сценариев (рекуррентные нейросети, долгая краткосрочная память и вложения)
- Проект 4: Создание лиц (генеративно-состязательная сеть)
- Проект 5: Развёртывание модели анализа настроений
7) Машинное обучение от Columbia (edX)
Следующий пункт в списке — курс на платформе edX авторства Колумбийского университета. Курс требует основательной математической подготовки (линейная алгебра и вычисления) и знаний по программированию (Python или Octave), так что, если бы я был новичком, то этот курс я бы отложил на потом. Тем не менее, такое обучение может идеально подойти более продвинутым студентам, если они хотят развивать у себя математическое понимание алгоритмов.
Одна вещь делает этот курс уникальным — факт, что программа сфокусирована на вероятностной области машинного обучения, покрывая такие темы, как Байесовская линейная регрессия и скрытые марковские модели.
Стоимость: бесплатно, $227 за сертификат
Время на прохождение: 12 недель
Программа:
- Неделя 1: оценка максимальной вероятности, линейная регрессия, метод наименьших квадратов.
- Неделя 2: регуляризация Тихонова, дилемма смещения-дисперсии, правило Байеса, вычисление апостериорного максимума
- Неделя 3: Байесовская линейная регрессия, разреженность, выделение поднаборов для линейной регрессии
- Неделя 4: классификация методом ближайшего соседа, классификаторы Байеса, линейные классификаторы, перцептрон
- Неделя 5: логистическая регрессия, аппроксимация Лапласа, ядерные методы, Гауссовские процессы
- Неделя 6: максимальная маржа, метод опорных векторов, деревья, случайные леса, улучшение
- Неделя 7: кластеризация, метод k-средних, EM-алгоритм (максимизация ожидания), отсутствующие данные
- Неделя 8: модель смешанных Гауссовских распределений, факторизация (разложение) матрицы
- Неделя 9: факторизация неотрицательной матрицы, модели скрытого фактора, метод главных компонент и отклонения
- Неделя 10: модели Маркова, скрытые модели Маркова
- Неделя 11: непрерывные модели пространства состояний, ассоциативный анализ
- Неделя 12: выбор модели, следующие шаги
8) Практика глубокого обучения для кодеров, v3 ( от fast.ai)
Практика глубокого обучения для кодеров — это восхитительный бесплатный ресурс для людей с некоторым опытом программирования (не слишком долгим и не очень углубленным). Он состоит из множества заметок, заданий и видеороликов. Его создали вокруг идеи дать студентам практический опыт в области, так что подготовьтесь всё время что-то программировать на всём сроке обучения. Вы можете даже узнать, как пользоваться GPU-сервером для обучения ваших моделей. Достаточно круто.
Стоимость: бесплатно
Время на прохождение: 12 недель (8 часов/неделя)
Программа:
- Введение в алгоритмы “случайного леса”
- Погружение в тему “случайных лесов”
- Производительность, валидация и интерпретация модели
- Важность признака. Интерпретатор дерева
- Экстраполяция и RF с нуля
- Продукты данных и кодирование “вживую”
- RF и градиентный спуск
- Градиентный спуск и логистическая регрессия
- Регуляризация, рейты обучения, обработка естественного языка
- Ещё ОЕЯ и данные в столбцах
- Вложения+
- Завершённая модель с датасетом Розманна. Вопросы этики
9) Machine Learning A-Z™ (Машинное обучение от А до Я) : Практическое применение Python и R в науке о данных
Определённо, это самый популярный курс по ИИ на платформе Udemy с количеством заявленных студентов в 500 000 человек. Авторы: Кирилл Еременко (исследователь данных и эксперт систем Forex) и Hadelin de Ponteves, тоже исследователь данных. В этом курсе можете ожидать анализа большинства важных алгоритмов МО с шаблонами кода на Python и R. 41 час обучения и 31 статья — вместе это стоит того, чтобы пройти данный курс.
Стоимость: 199 € (но есть скидки. В момент написания оригинала статьи цена была 13.99€)
Время на прохождение: 41 час
Программа:
- Часть 1 — Предварительная обработка данных
- Часть 2 — Регрессия: простая линейная регрессия, множественная линейная регрессия, полиномиальная регрессия, регрессия в методе опорных векторов, регрессивные деревья решений, регрессивный случайный лес
- Часть 3 — Классификация: логистическая регрессия, метод ближайших соседей, метод опорных векторов, Kernel SVM, наивный Байес, классификация деревьев решений, классификация случайных лесов
- Часть 4 — Кластеризация: метод k-средних, иерархическая кластеризация
- Часть 5 — Обучение ассоциативным правилам: алгоритмы Apriori, Eclat
- Часть 6 — Обучение с подкреплением: Задача многоруких бандитов, Выборка Томпсона
- Часть 7 — Обработка естественного языка: модель мешка-со-словами и алгоритмы для ОЕЯ
- Часть 8 — Глубокое обучение: искусственные нейросети, конволюционные нейросети
- Часть 9 — Уменьшение размерности: метод главных компонент, латентное размещение Дирихле, Kernel PCA
- Часть 10 — Выбор и улучшение модели: перекрёстная проверка по k-блокам, настройка параметра, поиск сетки, XGBoost
10) CS234 — Обучение с подкреплением от Stanford
Стопроцентно, самый трудный курс из списка, потому что тема обучения с подкреплением самая сложная. Но если хотите погрузиться в неё, то нет лучшего способа. Фактически это вживую записанные лекции из Стенфордского университета. Будьте готовы к тому, что сами станете студентом Стэнфорда. Профессор Emma Brunskill рассказывает все эти сложные темы доступно для понимания, даёт прекрасное введение в системы RL и алгоритмы. Конечно, вы найдёте много математических уравнений и доказательств, но здесь и нет другого пути, по которому можно прийти к обучению с подкреплением.
Веб-сайт курса здесь, а видео лекции — в плей-листе на Youtube.
Стоимость: бесплатно
Время для завершения: 19 часов
Программа:
- Введение
- Модель мира
- Оценка управления без модели
- Управление без модели
- Аппроксимация функции значения
- Конволюционные нейросети и глубокое обучение Q
- Имитационное обучение
- Policy Gradient I
- Policy Gradient II
- Policy Gradient III и обзор
- Быстрое обучение с подкреплением
- Быстрое обучение с подкреплением II
- Быстрое обучение с подкреплением III
- Обучение с подкреплением: пакеты
- Поиск в дереве по методу Монте-Карло
Вот и весь список базовых лучших курсов по машинному и глубокому обучению. Некоторые из них могут показаться вам слишком углубленными, в некоторых слишком много математики, а другие чересчур дорогие, но всё же, каждый из них гарантировано научит вас всему, что нужно для успеха в области ИИ.
Буду честным до конца, на самом деле не важно, какой из курсов вы выберете. Все они действительно первоклассные. Важная начать и закончить учиться после того, как вы выберете один из курсов.
Специально для сайта ITWORLD.UZ. Новость взята с сайта NOP::Nuances of programming