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.

Читайте также:

Перевод статьи Sergios Karagiannakos: Top 10 courses to learn Machine and Deep Learning (2020)

Предыдущая статьяNoSQL убивает SQL?
Следующая статьяВам больше не нужны ветви для фич…