朋友圈被吴恩达的Deep Learning课程刷屏？其实还有这些最受欢迎的机器学习课程值得看！

点👆关注我们获取第一手北美职场资讯

相信昨天大家的朋友圈都被AI大神吴恩达刷屏了！

今年3月离开百度首席科学家的职位后，所有人都很关心一个问题：吴恩达下一步会去哪儿？今年6月，吴恩达上线新项目deeplearning.ai，但一直将网站维护地低调而神秘。

就在昨天，Deeplearning.ai正式揭开了神秘的面纱！

吴恩达发布博客称，其初创公司deeplearning.ai将通过 Coursera 推出深度学习的最新在线课程 Deep Learning Specialization。

有趣的是，吴恩达选择于美国西部时间的8月8日早8点，一个看起来很具有东方审美的“吉时”，在Coursera正式上线了该课程。

Deeplearning.ai到底是什么？

Deeplearning.ai是基于Coursera的一系列深度学习课程，其内容将包含视频讲解、练习和扩展阅读等方面，随着技术和时间的推进，这些都会陆续在Coursera中实现。

据介绍，这些课程主要为具有一定机器学习基础（如基本编程知识，熟悉Python、对机器学习有基本了解等），想尝试进入人工智能领域的计算机专业人士而设计。

正式开启课程学习后，学员将学会构建神经网络，并通过包括吴恩达本人在内的多位业界专家指导，创建自己的机器学习项目。其中Deep Learning Specialization对卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆(LSTM) 等深度学习常用的网络结构、工具和知识都将涉及。

另在医疗、自动驾驶、自然语言处理、音乐生成等领域，Deep Learning Specialization的课程还会有实操项目，帮助应用自己学到的理念和技术。

吴恩达表示，让深度学习社区发展的最好方式就是创造更好的深度学习课程，让越来越多的人接触深度学习，之前他所设计的机器学习课程目前已经覆盖超过了180 万人，随着Deeplearning.ai的落地推广，将帮助更多学员获得有关机器学习的课程机会。

这项课程包括哪些内容？

课程链接：https://www.coursera.org/specializations/deep-learning

深度学习专项课程一共包括5门课：

第1课

神经网络和深度学习

Neural Networks and Deep Learning

第2课

优化深度神经网络：超参数调整、正则化、最优化

Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization

第3课

开始机器学习项目

Structuring Machine Learning Projects

第4课

卷积神经网络

Convolutional Neural Networks

第5课

序列模型

Sequence Models

课程费用为49美元/月，通过Coursera提供服务。每门课需要2-4周不等，上完全部课程需要至少9周。

据吴恩达介绍，AI教育不是精英教育，是通识教育，内容事实上更适合初学者，他希望通过这门课让更多人了解AI,据此建立起一个AI驱动的社会。

全世界内还有哪些最受欢迎的机器学习课程？

Deep Learning这项课程被媒体称为，“目前网上最全面、最系统的深度学习课程”，更重要的是吴恩达亲自教！

由于刚刚上线，实际课程效果还不得而知，过段时间应该才会有课程测评。

除了这项大神加持的专项课程，其实AI领域还有非常多优秀的课程和学习资源。雷锋网就曾搜集了全世界范围内最受欢迎的机器学习课程，整理了一份“机器学习入门公开课”盘点。这份推荐榜颇费心血，综合考虑了难易、侧重点、时效性等诸多因素，希望能帮助大家找到最适合自己的学习资源。

免费课程

吴恩达“机器学习”公开课

课程名称：机器学习 Machine Learning

主讲人：吴恩达 Andrew Ng

授课机构：斯坦福大学

发布平台：Coursera

语言：英语，汉语字幕

网址：https://www.coursera.org/learn/machine-learning

在这次Deep Learning新课程上线之前，无论国内国外，这是最火的机器学习入门课程，没有之一。无数新手都是通过这门课对机器学习初窥门径。吴恩达老师用极其清楚直白的语言，对机器学习的几种主要算法做了初步介绍。

这门课最大的特点，是它侧重于概念理解而不是数学。数学推导过程基本被略过，重点放在让初学者理解这背后的思路。另外，它还十分重视联系实际和经验总结：1. 课程中吴恩达老师列举了许多算法实际应用的例子 2. 他提到当年他们入门 AI 时面临的许多问题，以及处理这些难题的经验。

课程中代码教程使用的是Octave/MATLAB，因此不需要会 Python、C 语言，适合没有编程基础的新手。

总结起来，这门课对数学、统计、IT 基础薄弱的童鞋十分友好。其实很多机器学习入门课，都是假定学生已修完这一门，于是重点对其进行补充——讲解这门课程中吴恩达老师未涉及、或是涉及不深的话题。因此，对于机器学习 “一张白纸”的童鞋，强烈推荐从这门课起步，然后选择其他入门课程进阶，以在脑海中建立起更全面的知识体系。另外，Coursera 上这门课的论坛十分活跃，不管抛出什么问题都会有人解答，算是一个额外的好处。

加州理工 “从数据中学习”

课程名称：Learning from Data

主讲人：Yaser Abu-Mostafa

授课机构：加州理工学院

发布平台：edX（原版），网易公开课

语言：英语，网易有汉语字幕

网址：

edX

https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-2516

网易http://open.163.com/special/opencourse/learningfromdata.html

这同样是一门机器学习的入门课，但并不简单。该课程强调数据，是因为机器学习与各领域的大数据处理应用（比如金融、医疗）联系十分紧密。这门课内容涵盖基础理论、算法和应用，平衡了理论与实践，既覆盖数学统计，也包含启发式的概念理解。

课程结构是这样的：

什么是学习？

机器能学习吗？

怎么做到？

怎么做好？

经验教训。

不少人评论该课程结构就像讲故事，它有助于学习者形成对机器学习概念和模型深度、直觉性的理解。学习者公认它内容非常充实，但对作业模块的争议很大：有人认为难度偏高并且缺乏反馈，有人认为它是网上能找到的、最好的机器学习练习。

Tom Mitchell 机器学习课程

课程名称：机器学习 Machine Learning

主讲人：Tom Mitchell

授课机构：卡内基梅隆大学（CMU）

发布平台：CMU 官网

语言：英语

网址：http://www.cs.cmu.edu/~tom/10701_sp11/

这门课是学界人士的最爱，是入门课程之中较全面、高阶的一门。课时为 15 周，远超大多数机器学习慕课。其覆盖的话题非常广，按先后次序包括：代数和概率论，机器学习的基础工具，概率图模型，AI，神经网络，主动学习，增强学习。课程内容和练习十分简洁明白，概念解释清楚到位。

Tom Mitchell 是 AI 领域德高望重的老牌宗师，他的《Machine Learning》（中文版为《计算机科学丛书:机器学习》），是最经典的机器学习教科书之一。但因为时间久远，涉及的一些概念与今天的开发者并没有太大关联，更适合需要了解人工智能来龙去脉的大学师生。这门课程与之类似，能帮助学习者理清机器学习的发展脉络。它适合计划进行系统性学习、投入大量时间的人。

对于初学者，建议至少听完吴恩达的机器学习课程之后，再修这一门。

谷歌人工智能入门

课程名称：人工智能入门 Intro to Artificial Intelligence

主讲人：Peter Norvig，Sebastian Thrun

授课机构：谷歌

发布平台：Udacity

语言：英语，汉语字幕

网址：https://cn.udacity.com/course/intro-to-artificial-intelligence--cs271

该课程久享盛名，是 AI 入门最好的公开课之一。

严格来说，它并不是一门机器学习课程。但其中有一周的主题是机器学习，它还介绍了另外几个 AI 主要领域：概率推理、信息检索、机器人学、自然语言处理等。鉴于学习机器学习的童鞋，几乎都会对 AI 这个大学科有兴趣——这门课程便是探索机器学习周边与交叉领域的绝好机会。

两位主讲者，Peter Norvig 和 Sebastian Thrun，一个是谷歌研究总监，一个是斯坦福著名机器学习教授，均是与吴恩达、Yann Lecun 同级别的顶级 AI 专家。

需要强调的是，该课程倾向于介绍 AI 的实际应用。课程练习广受好评。