10所世界頂級名校在線免費機器學習課程

文章參考：Github 編譯：孫菁

１、DEEPNLP 自然語言處理中的深度學習 牛津大學

這是一門側重於應用的課程，主要講解了循環神經網路在分析和生成語音及文本方面的最新進展。本課程中引入了機器學習模型的數學定義，並推導出相應的最優化演算法。本課程涵蓋了神經網路在自然語言處理中的多種應用，如分析文本的潛在維度，將語音轉錄為文本，兩種語言之間的翻譯，以及自動回答問題等。本課程由Phil Blunsom主辦並與DeepMind自然語言小組合作。

課程鏈接：https://github.com/oxford-cs-deepnlp-2017/

２、CS20si 利用Tensorflow進行深度學習研究 斯坦福大學

本課程側重於使用Tensorflow進行深度學習研究的基本用法和當前主流用法。本課程意在幫助學生理解Tensorflow計算圖模型的用法，探索Tensorflow提供的各種函數，在特定深度學習問題下建立最優模型。課程學習後，學生會使用TensorFlow來搭建不同複雜程度的模型，從最簡單的線性回歸模型到卷積神經網路模型，以及用於處理詞向量、翻譯、字元識別等任務的循環神經網路模型。此外，學生還能夠學習如何構建模型及如何管理實驗程序。

課程鏈接：http://web.stanford.edu/class/cs20si/index.html

３、COMS 4771 機器學習 哥倫比亞大學

本課程由Tony Jebara主講，介紹了在機器學習中對生成和鑒別進行評估的問題。本課程將涵蓋最小二乘法，高斯分布，線性分類，線性回歸，極大似然，指數族分布，貝葉斯網路，貝葉斯推斷，複合模型，EM演算法，圖模型，隱藏馬爾科夫鏈，支持向量機，以及內核方法等。

課程鏈接：http://www.cs.columbia.edu/%7Ejebara/4771/index.html

４、CS109 數據科學 哈佛大學

數據科學的目的在於對數據學習並做出有用的預測。本課程介紹了關於調查研究的五個關鍵方面：對數據進行整理、清理及採樣以獲得合適的數據集；對數據進行有效管理以便更快速更可靠地獲取大數據；對探索性數據進行分析以產生假設和直覺認識；基於統計學方法（如回歸和分類）進行預測；通過可視化、可解釋的摘要來傳達結果。

課程鏈接：http://cs109.github.io/2015/

５、CS156 從數據中學習 加州理工學院

本課程是機器學習的導論，涵蓋基礎理論、演算法及應用。機器學習是大數據的核心技術之一，在金融、醫藥、商業及其他科學領域也有廣泛應用。機器學習使得計算系統能夠通過對已觀測到的數據進行學習來自適應地提高自身性能。如今機器學習已成為最熱門的研究方向之一，在加州理工，由15個不同專業的本科生和研究生承擔著這一領域的研究。本課程綜合理論與實踐，同時也包含數學內容及其他啟發式的內容。

課程連接：https://work.caltech.edu/telecourse.html

６、CS 224d自然語言處理中的深度學習斯坦福大學

在信息時代自然語言處理是最重要的技術之一。能夠理解複雜的自然語言表達也是人工智慧中至關重要的部分。在人們的生活中，自然語言處理的應用隨處可見，這是因為我們人類與外界交互最多用的是語言：網頁搜索、廣告、郵件、自定義服務、語言翻譯、放射線學報告等等。現實中有很多基礎任務和機器學習模型都為自然語言處理的發展提供動力。近來，深度學習的方法在很多自然語言處理問題上都取得了很大的進步，這類模型通常需要訓練一個單一的端到端的模型，並且不需要傳統的複雜而繁重的特徵工程。在本課程中，學生可以學習到如何實現、訓練、可視化深度學習模型以及如何創造自己的模型。此外，本課程也對目前應用到自然語言處理的深度學習方法進行了深入的討論。

課程鏈接：http://cs224d.stanford.edu/

７、CS229r大數據中的演算法哈佛大學

大數據指的是大到單一主機的內存無法滿足其需求的數據量，在互聯網搜索、網路流量監測、機器學習、科學計算、信號處理以及其他幾個方面，什麼樣的演算法能高效地處理大數據就成為一個非常重要的問題。本課程涵蓋了開發此類演算法的嚴格的數學模型，同時也包含在這些模型中運算的演算法的一些可證明的限制。

課程連接：http://people.seas.harvard.edu/%7Eminilek/cs229r/fall15/index.html

８、CS231n視覺識別中的卷積神經網路斯坦福大學

在我們生活中計算機視覺已經無處不在，搜索、圖像理解、應用程序、繪圖、醫藥、無人機及自駕車等等中都或多或少地涉及到計算機視覺。本課程對深度學習架構進行了深入講解，側重於通過學習端到端模型來解決這些問題，尤其是圖像分類問題。在為期十周的課程中，學生能夠學習如何執行、訓練及調試自己的神經網路模型，並能學習到當前計算機視覺的最先進的研究。

課程鏈接：http://cs231n.stanford.edu/

９、CS287高級機器人加州大學伯克利分校

本課程介紹了目前最先進的機器人背後的數學和演算法知識。這些技術主要基於概率推理和最優化，概率推理和最優化也是人工智慧系統中應用非常廣泛的兩個理論。因此，本課程的一個副作用就是可能會強化你對這兩個理論的理解。

課程鏈接：https://people.eecs.berkeley.edu/~pabbeel/cs287-fa13/

１０、CS395T科學計算中的統計和離散方法德克薩斯大學

本課程是將現代統計技術應用於實際數據，特別是生物信息數據和大數據集的實踐課程。 本課程的重點是有效地計算和簡潔地編碼，主要用MATLAB和C 實現。 課程涵蓋的主題包括概率論和貝葉斯推理; 單變數分布 中心極限定理 隨機偏差的產生; 尾（p值）測試; 多重假說校正; 經驗分布; 模型擬合; 誤差估計; 應變表; 多元正態分布; 系統發生聚類; 高斯混合模型; EM方法; 最大似然估計; 馬可夫鏈；蒙特卡羅 ；主成分分析; 動態規劃; 隱馬爾可夫模型; 分類器性能指標; 支持向量機; 維納過濾;小波; 多維插值; 信息理論等等。

課程鏈接：http://numerical.recipes/CS395T/

１１、CS4780機器學習康奈爾大學

本課程將介紹如何在萬維網上構建以數據為中心的信息系統的技術，展示這些系統的實際應用，並通過研究公共科學（如數據新聞和開放政府）等交叉問題來討論系統的設計及其在社會和政治中的應用。課程涉及講座、閱讀、每周作業，以及一個實踐項目，學生在課程中將展示其建立的以數據為中心的Web信息系統。

· 課程鏈接：http://www.cs.cornell.edu/courses/cs4780/2014fa/

１２、CS4786數據科學中的機器學習康奈爾大學

本課程是機器學習的入門課程，重點是數據建模及數據科學的相關方法和學習演算法。 暫定課題如下。維度減少：如主成分分析（PCA）和奇異值分解（SVD），規範相關分析（CCA），獨立分量分析（ICA），壓縮感知，隨機投影，信息瓶頸（會涵蓋其中一些，但可能不是全部）。聚類：如k均值，高斯混合模型，期望最大化（EM）演算法，基於鏈路的聚類（不期望覆蓋分層或頻譜聚類）概率建模主題：如圖形模型，潛變數模型，推理（例如置信傳播），參數學習。如果時間允許，我們也會講解到回歸問題。

課程鏈接：http://www.cs.cornell.edu/courses/cs4786/2015sp/index.htm

１３、CXV101凸優化斯坦福大學

本課程側重於識別和解決實際應用中出現的凸優化問題。 涉及的課題包括以下內容。：凸集、函數和優化問題； 凸分析的基礎；最小二乘法，線性和二次方程，半定規劃，極小值，極限體積等問題； 最優條件，對偶理論，替代定理和應用；內點方法；信號處理，統計和機器學習，控制和機械工程，數字和模擬電路設計以及財務應用。

課程鏈接：https://lagunita.stanford.edu/courses/Engineering/CVX101/Winter2014/info

１４、DS-GA1008深度學習紐約大學

本課程在紐約大學數據科學中心進行，自開辦以後日益流行。 本課最初由Yann Lecun先生引入，現在由Zaid Harchaoui主導。 它涵蓋了在計算機視覺和自然語言處理中的機器學習理論、技術和技巧。 課後作業由Ｋａｇｇｌｅ用Lua語言編寫。

課程鏈接：http://cilvr.cs.nyu.edu/doku.php?id=deeplearning2015:schedule

１５、EECS E6893 EECS E6895　高級數據分析＆高級大數據分析哥倫比亞大學

本課程是研究生（大數據處理、分析、可視化、存儲以及應用等問題）的入門課程。通過學習，學生將獲得分析大數據的能力。

課程鏈接：http://www.ee.columbia.edu/%7Ecylin/course/bigdata/

１６、EECS E6984 計算機視覺和自然語言處理中的深度學習哥倫比亞大學

本課程屬於研究生水平的研究課程，重點是視覺和自然語言處理問題中的深度學習技術。 本課概述了各種深度學習模型和技術，並對相關領域的最新進展進行了調查。 本課程使用Theano作為主要的編程工具。 儘管不需要GPU編程經驗，本堂課需要學生積極的論文發表和較多的編程工作。

課程連接：http://llcao.net/cu-deeplearning15/index.html

１７、EE103矩陣方法導論斯坦福大學

本課程涵蓋了矩陣和向量的基礎理論、如何求解線性方程、最小二乘法及其他許多應用。 本課程會涵蓋數學內容，但重點將是在諸如斷層攝影、圖像處理、數據擬合、時間序列預測和金融等應用中使用矩陣的方法。 EE103基於Stephen Boyd和Lieven Vandenberghe目前正在撰寫的一本書的內容展開。 學生將使用一種叫Julia的新語言進行矩陣和向量的計算。

課程鏈接：http://stanford.edu/class/ee103/

１８、Info290通過Ｔｗｉｔｔｅｒ進行大數據分析加州大學伯克利分校信息學院

針對應用於Ｔｗｉｔｔｅｒ數據的演算法和軟體，在本課程中加州大學伯克利分校的教授和Twitter的工程師做出了詳細的講解。 課題包括情緒分析、大規模異常檢測、實時搜索、信息擴散和爆發檢測、社會流中的趨勢檢測、推薦演算法和分散式計算的高級框架等應用於自然語言處理的演算法。

課程鏈接：https://www.ischool.berkeley.edu/courses/info/290/abdt

１９、機器學習：2014-2015牛津大學

本課程側重於神經網路的學習，並利用Ｔｏｒｃｈ深度學習庫（使用Lua語言）來進行課堂練習及作業。 主題包括：邏輯回歸，反向傳播，卷積神經網路，最大邊緣學習，孿生網路，循環神經網路，LSTM，循環神經網路手寫體識別，變分自動編碼器，圖像生成和強化學習。

課程鏈接：https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/

２０、StatLearning統計學學習導論斯坦福大學

本課程是有監督學習的入門級課程，課程的重點是回歸和分類方法。 課程大綱包括：線性和多項式回歸，邏輯回歸和線性判別分析; 交叉驗證和引導，模型選擇和正則化方法（ｒｉｄｇｅ和ｌａｓｓｏ）; 非線性模型，樣條和廣義加法模型; 基於樹的方法，隨機森林; 支持向量機。本課程將涵蓋An Introduction to Statistical Learning, with Applications in R書中所有內容，同時該書也是Elements of Statistical Learning一書更為實用的版本。

課程鏈接：https://lagunita.stanford.edu/courses/HumanitiesandScience/StatLearning/Winter2015/about

２１、10-601 機器學習卡耐基梅隆大學

本課程由機器學習領域的領先專家之一Tom Mitchell教授主講，涵蓋了各種角度的機器學習理論和實踐演算法。 本課程涵蓋了諸如貝葉斯網路，決策樹學習，支持向量機，統計學習方法，無監督學習和強化學習等主題。 課程涵蓋理論知識，如歸因偏差，PAC學習框架，貝葉斯學習方法，基於邊際的學習和奧卡姆剃刀問題。 課後作業會有小的編程任務，如各種學習演算法的實現實驗。 本課程旨在使研究生級的學生能夠深入了解機器學習的方法論、技術、數學和演算法。

課程鏈接：http://www.cs.cmu.edu/%7Eninamf/courses/601sp15/

２２、10-708概率圖模型卡耐基梅隆大學

人工智慧、統計學、計算機系統、計算機視覺、自然語言處理及計算生物學中的許多問題，都可以被看作是通過局部信息來得到一個通用的全局結論。 概率圖模型框架為這類問題提供了一個統一的觀點，它可以通過大量的屬性和數據集來進行有效的推理、決策和學習。 本研究生課程幫助學生學如何將圖模型應用於複雜問題、如何解決圖模型中的核心研究課題等。

課程鏈接：http://www.cs.cmu.edu/%7Eepxing/Class/10708-14/index.html

２３、11-785深度學習康奈爾大學

本課程通過一系列的研討會和實驗來介紹課題，從最原始的問題探索，直到目前最先進的技術。 研討會將涵蓋深度學習的基礎知識和基礎理論及其適用範圍，以及如何從大量數據中進行學習等最新問題。 講義和筆記均可在本頁面上找到。

課程鏈接：http://deeplearning.cs.cmu.edu/

２４、CS246大數據挖掘斯坦福大學

本課程將討論用於分析大數據的數據挖掘演算法和機器學習演算法。 課程重點是使用Map Reduce作為創建可處理大數據的並行演算法的工具。

課程鏈接：http://web.stanford.edu/class/cs246/

２５、CS276信息檢索和網路搜索斯坦福大學

本課程涵蓋了應用於文本信息系統的基礎和高級技術：高效的文本索引; 布爾和向量空間檢索模型; 評估和界面問題; Web搜索，包括爬網、基於鏈接的演算法和Web元數據; 文本/ Web集群、分類; 文字挖掘等。

課程鏈接：http://web.stanford.edu/class/cs276/index.html

推薦閱讀：