在本文中，我整理了在线最佳机器学习课程的列表。我按照一个明确定义的方法建立了排名，您可以在下面找到。
但如果你想直接跳到结果，以下是我的选择：
什么是机器学习？
机器学习是人工智能的一个子领域，致力于设计能够从数据中学习的算法。它有许多应用，包括商业分析、健康信息学、财务预测和自动驾驶汽车。
2022 年，机器学习技能将受到广泛需求。在微软的职业页面上，目前 21% 的空缺开发人员职位提到了“机器学习”。在亚马逊的职业页面上，这一比例为 63%。
根据世界经济论坛发布的《未来就业报告》，到 2025 年，机器学习预计将成为世界上最受欢迎的技能之一。
课程排名方法
为了创建这个排名，我遵循了三个步骤：
第一的，我是 Class Central 的开发人员，Class Central 是领先的在线课程搜索引擎。
因此，我浏览了超过 50K 门课程的目录，进行了初步选择。我这样做是考虑了评论、评级、注册、书签等因素。
所以这是一个相当客观的步骤：我通过查看明确定义的指标来缩小选择范围。
第二，我利用自己作为在线学习者的经验来评估每个初步选择。
课程评分等指标很少能说明全部情况。我已经完成了许多 MOOC，获得了计算机科学在线学士学位，并且正在攻读佐治亚理工学院的在线计算机科学硕士学位 (OMSCS)。这让我对在线课程中寻找什么有了一些看法，我用它来评估我的每个初步选择。
所以这是一个相当主观的步骤：我梳理了我的选择，得出了接近最终的选择。
第三，我扩展了这个选择，以包括我遇到的其他有价值的资源。
由于大多数主题都有历史悠久的课程，因此同一主题的最新课程可能会被忽视。但有时，这些都很棒。我确保尽可能包含这些内容。
所以这又是一个相当主观的步骤：我用优秀但不太知名的课程来总结我的选择。
最终的结果是一个独特的课程选择，结合了十年来的 Class Central 数据和我自己作为在线学习者的经验，试图两全其美。到目前为止，我已经花了超过 15 个小时来构建这个列表，并且我将继续更新它。
课程排名统计
以下是有关该课程排名的一些统计数据：
- 这些课程的注册人数加起来已超过 660 万人。
- 排名中代表性最多的课程提供商是 Coursera，拥有四门课程。
- 这些课程在 Class Central 上的书签总数已超过 118,000 次，而机器学习主题本身已被书签书签超过 195,000 次。
- 排名中最受欢迎的课程本身就有超过 400 万的注册人数。
- 八门课程是免费或免费旁听的，而两门课程是付费的。
- 这些课程在 Class Central 上总共收到了 500 多条评论。
言归正传，以下是我挑选的最佳机器学习在线课程。
我首选的最佳机器学习在线课程是斯坦福大学在 Coursera 上提供的“机器学习”课程。
这是开创性的机器学习课程，而且确实是一门非常特别的课程。该课程由吴恩达教授，是推动大规模开放在线课程（MOOC）普及的原创课程之一。
受到课程成功的鼓舞，吴恩达 (Andrew Ng) 继续共同创立了 Coursera。
你将学到什么
本课程首先奠定机器学习的数学基础。首先回顾线性代数和单变量线性回归，然后再讨论多元和逻辑回归。
然后，它每周都会从一个主题跳到另一个主题，涵盖各种机器学习技术和模型。其中包括深度学习、支持向量机和主成分分析。
最后，它涉及实际方面，例如如何设计和利用大规模机器学习项目。
课程结束时，您将对机器学习、其概念和方法有广泛的了解。您将能够实现基本的机器学习算法，例如反向传播和 k 均值聚类。
您将有能力处理多类分类和异常检测等任务。您将能够使用 Octave 和 Matlab 来完成涉及使用各种方法进行光学字符识别的实际项目。
需要注意的一件事
本课程使用 Octave，而不是 Python。本课程将教您概念，但不会教您当今机器学习中最常用的工具。尽管如此，在我看来，它仍然是机器学习课程的首选，因此位居榜首。
但如果您正在寻找与机器学习从业者的日常工作更相关的课程，请查看下一个选择。
你将如何学习
该课程分为 11 周。每周大约需要 6 小时的工作。通过视频讲座和阅读相结合的方式教授概念。
在评估方面，每周至少包括一次自动评分测验。大多数包括几个。大多数星期都包括一个长达数小时的编程项目。总共有8个。
| 机构 | 斯坦福大学 |
| 供应商 | Coursera |
| 讲师 | 吴恩达 |
| 等级 | 混合 |
| 工作量 | 总计 61 小时 |
| 入学人数 | 4.5M |
| 评分 | 4.9 / 5.0 (166K) |
| 证书 | 有薪酬的 |
有趣的事实
- 该课程于 2011 年 10 月推出，距宣布仅两个月，已有超过 10 万名学习者。一门课程拥有如此多的学习者是史无前例的。
- 它拥有 450 万学习者，即使不是有史以来最受欢迎的在线课程，也已成为有史以来最受欢迎的在线课程之一。
- 吴恩达除了是斯坦福大学计算机科学教授外，还是百度前首席科学家和谷歌大脑的联合创始人。
- 该课程已在 Class Central 上积累了超过 68,000 个书签。
- 虽然课程包含付费证书，但整个课程材料（包括所有作业）都可以免费访问。
- 该课程的迅速流行鼓励吴恩达创立了 Coursera，最近又创立了 DeepLearning.AI。
我选择的第二个最佳机器学习在线课程是华盛顿大学在 Coursera 上提供的《机器学习基础：案例研究方法》。
许多学术机器学习课程喜欢从相当抽象的角度来探讨该主题。他们花费大量时间奠定数学基础，并将学科中更具体的方面归入示例和练习中。本课程颠覆了这个脚本。
顾名思义，该课程通过案例研究来探讨机器学习，每个案例都有明确的背景和目标。这些案例研究有助于将机器学习概念应用于现实。
您将学习如何通过回归来预测房价，而不是仅仅因为学习如何进行回归。这并不意味着该课程掩盖了理论细节。它只是更务实地处理这个主题。
你将学到什么
本课程首先介绍机器学习的背景：解释什么是机器学习，回顾其一些应用，并论证其在未来的重要性。
课程介绍还花时间介绍了 Python 基础知识以及 Jupyter Notebooks 等工具的基础知识。
然后，课程从一个案例研究转向另一个案例研究，使用每个案例来说明机器学习的特定方面：使用回归来预测房价，使用分类来评估用户评论中的情绪，使用聚类来对相关文章进行分组，使用深度学习来识别图像中的物体等等。
如果您喜欢通过示例学习，本课程中任务和概念之间的清晰映射可能有助于使该主题更适合您。
在本课程结束时，您将了解基本的机器学习任务，例如回归、分类和聚类，并且知道何时使用每种技术。
您将了解如何从数据中提取特征并将其用作模型的输入。您将能够使用明确定义的错误指标来评估模型的正确性。您将能够使用 Python 端到端地实现机器学习应用程序。
你将如何学习
本课程分为 6 周。每周大约需要 3 小时的工作。该课程通过短视频和阅读材料的结合进行教学。
关于评估，大多数周包括两项练习，大约需要一个小时才能完成。
需要注意的一件事
该课程发布时使用了 GraphLab，这是由课程联合讲师之一 Carlos Guestrin 教授发起的开源机器学习工具。从那时起，GraphLab 更名为 Turi，课程现在使用 TuriCreate 进行练习。
然而，这些视频仍然使用 GraphLab，虽然这两种工具很相似，但这给一些学习者带来了摩擦。因此，如果您参加该课程，请准备好进行一些谷歌搜索。
| 机构 | 华盛顿大学 |
| 提供者 | Coursera |
| 导师 | 艾米丽·福克斯，卡洛斯·格斯特林 |
| 等级 | 混合 |
| 工作量 | 总计18小时 |
| 入学人数 | 351K |
| 评分 | 4.6 / 5.0 (12K) |
| 证书 | 有薪酬的 |
有趣的事实
- 本课程是 Coursera 上由四部分组成的机器学习专业课程的第一门课程。
- 艾米丽·福克斯（Emily Fox）在华盛顿大学担任教授时发布了该课程，后来加入了斯坦福大学统计系。
- Turi 是您将在本课程中使用的软件背后的公司，由课程联合讲师 Carlos Guestrin 创办，于 2016 年被 Apple 以 2 亿美元收购。
如果您对本课程感兴趣，可以在此处找到有关该课程以及如何注册的更多信息。
我选择的第三个最佳机器学习在线课程是伦敦大学在 Coursera 上提供的 Machine Learning for All。
虽然大多数其他课程要么假设您具备编程知识，要么教您编程基础知识，但本课程旨在让更广泛的受众能够接触到机器学习。它不需要高级数学知识或使用编程语言或机器学习库（例如 Python 和 TensorFlow）。
你将学到什么
本课程首先解释什么是人工智能和机器学习以及这些学科如何相互联系。
它讨论了机器学习的各种现实应用，包括 AlphaGo，一种能够击败世界上最好的围棋选手的机器学习程序。它解释了数据表示、如何建立机器学习项目以及机器学习的一些机会和道德考虑。
最后，本课程邀请您通过收集数据、训练模型并对其进行测试来实施机器学习项目。
课程结束时，您将对机器学习、其各种用途及其对未来的意义有广泛的了解。
您将熟悉支持机器学习的最重要的技术概念。您将全面掌握构建机器学习模型的过程，从数据收集到模型评估。
您将准备好学习有关机器学习的更高级的理论课程。
你将如何学习
该课程分为 4 周。每周大约需要 6 小时的工作。该课程通过视频讲座和阅读相结合的方式进行教学。
关于评估，在大多数周内，您将完成一个长达一小时的自动评分测验，在某些周内，您还将完成额外的实践练习。
| 机构 | 伦敦大学 |
| 提供者 | Coursera |
| 讲师 | 马可·吉利斯 |
| 等级 | 初学者 |
| 工作量 | 总计22小时 |
| 入学人数 | 107K |
| 评分 | 4.7 / 5.0 (2.7K) |
| 证书 | 有薪酬的 |
有趣的事实
- 课程讲师 Marco Gillies 博士也是伦敦大学在 Coursera 上提供的计算机科学在线学士学位课程的教师。
- 本课程是排名中最平易近人的学术课程：它是一门真正的大学课程，但经过调整以适合广大受众。
IBM 在 Coursera 上提供的这门课程通过使用 Python 的实践方法教授机器学习，Python 是当今人工智能事实上的编程语言。
请注意，这门课程会给你带来数学知识。如果您的微积分已经生疏，您可能需要在学习本课程之前温习一下。
你将学到什么
该课程首先介绍机器学习基础知识和在医疗保健、银行和电信等领域的应用。它解释了监督学习和无监督学习之间的区别，并讨论了哪种类型的学习适合哪种类型的任务。
每周都会专门讨论一项广泛的机器学习任务——回归、聚类和分类——以及可用于实现这些任务的各种方法，例如决策树、支持向量机和 k 均值。
在课程结束时，您将了解机器学习的数学基础方面的大量知识。您将熟悉从医疗保健到高性能计算等领域的大量机器学习应用。
您将能够使用 Python 实现一系列机器学习算法。您还将练习使用 scikit-learn 和 SciPy 等机器学习库。
你将如何学习
本课程分为 4 周。每周大约需要 4 小时的工作。该课程主要通过视频课程进行教授。
关于评估，每周最后进行 10 分钟的练习。
| 公司 | 国际商业机器公司 |
| 提供者 | Coursera |
| 导师 | 赛义德·阿加博佐吉、约瑟夫·桑坎杰洛 |
| 等级 | 中间的 |
| 工作量 | 总计22小时 |
| 入学人数 | 244K |
| 评分 | 4.7 / 5.0 (12K) |
| 证书 | 有薪酬的 |
有趣的事实
本课程由佐治亚理工学院在 Udacity 上提供，也是佐治亚理工学院在线计算机科学硕士 (OMSCS) 的一部分。
本课程广泛涵盖机器学习，强调广度而非深度。它支持机器学习概念的高级方法，而不是深入研究如何实现特定机器学习算法的具体细节。
我认为这门课程的主要优势在于它的教学方法。
该课程由两名讲师授课，课程以他们之间的对话形式呈现，其中一名讲师扮演学生的角色并提出问题。
交流充满幽默感，这是很多机器学习课程所不具备的。
你将学到什么
本课程分为三大机器学习任务。
首先，它涵盖监督学习、讨论决策树、回归和分类以及神经网络。然后，它涵盖了无监督学习，讨论了聚类、特征选择和随机优化。最后，它涵盖强化学习、讨论马尔可夫决策过程、博弈论和决策。
在课程结束时，您将对监督学习、无监督学习和强化学习以及它们之间的差异有一个全面的了解。
您将学习针对每个问题量身定制的方法。您将能够实现解决这些问题的方法，解释这些方法的结果，并评估它们的正确性。
你将如何学习
该课程分为 21 节课，每节课都由带有视频测验的短视频组成。
该课程不包括公开项目。这些只能由通过佐治亚理工学院修读该课程学分版本的学生才能获得。
| 机构 | 佐治亚理工学院 |
| 提供者 | 优达学城 |
| 导师 | 查尔斯·伊斯贝尔、迈克尔·利特曼 |
| 等级 | 中间的 |
| 工作量 | 总计 40 小时 |
| 证书 | 不 |
有趣的事实
本课程由 Google 在其开发者平台上提供。虽然此排名中的大多数课程本质上都是学术性的并且相当长，但这一门课程完全属于机器学习实践介绍的类别。
它也是务实和灵活的，虽然它会邀请一个完全的初学者完整地学习该课程，但它将允许那些已经有机器学习经验的人使用该课程作为复习。这个想法从一开始就融入到课程设计中。
你将学到什么
速成课程首先询问您的机器学习背景。根据您的答案，它将引导您找到适当的资源，以便您可以充分利用您的时间。
假设您是一个完全的初学者，您将从第一个开始。因此，您的学习路径将涵盖基本的机器学习概念，包括回归、损失函数和梯度下降。
该课程使用 TensorFlow，Google 流行的机器学习库。通过利用库函数，很快就会抽象出低级细节。
一些学习者可能会认为这是一个负面影响，因为你可能不了解这一切在幕后是如何运作的。但如果您有兴趣快速应用机器学习，那么这个速成课程应该适合您。
需要注意的是，该课程还介绍了神经网络，这是许多其他短期机器学习课程更愿意跳过或几乎不涉及的主题，因为它是一个值得单独开设课程的主题。
然而，谷歌的速成课程足够浓缩，足以轻松适应神经网络。但请记住，它抽象了很多细节，因此，如果您追求的是深入理解，那么另一门课程可能会更好。
你将如何学习
速成课程分为三大部分：（1）机器学习概念，（2）机器学习工程，以及（3）现实世界中的机器学习系统。
每个部分都包含谷歌研究人员提供的视频讲座、阅读材料和自我评估测验。
| 供应商 | 谷歌 |
| 导师 | D. Scully、夏女士 |
| 等级 | 初学者 |
| 工作量 | 总计 15 小时 |
| 证书 | 不 |
有趣的事实
顾名思义，这门 Udemy 课程是对机器学习的全面而实用的介绍。它慢慢地从数据预处理到模型验证，但掩盖了一些底层数学。
如果您想直接开始“做”，这门课程可能是一个不错的选择。
你将学到什么
本课程首先介绍各种类型的回归、分类和聚类模型。它讨论了强化学习和自然语言处理，并涵盖了人工神经网络的基础知识。
该课程使用 Python 和 R 编程语言以及 TensorFlow 机器学习库。
你将如何学习
该课程包括 40 多个小时的视频课程，其中穿插着实践练习。在使用专用机器学习库应用它们来解决具体问题之前，您将对每个概念和方法建立直觉。
| 提供者 | 乌德米 |
| 导师 | 基里尔·埃雷门科、哈德林·德·庞特维斯 |
| 等级 | 混合 |
| 工作量 | 总计44小时 |
| 入学人数 | 843K |
| 评分 | 4.5 / 5.0 (154K) |
| 证书 | 有薪酬的 |
有趣的事实
- 机器学习 A-Z 拥有超过 80 万名注册学习者，是 Udemy 上最受欢迎的机器学习课程，也是整个平台上最成功的课程之一。
- Kirill Eremenko 和 Hadelin de Ponteves 两位讲师共开设了 80 多门课程，拥有近 350 万学生。
在推出排名第一的机器学习课程并联合创办 Coursera 后，吴恩达 (Andrew Ng) 继续创建了另一家公司 DeepLearning.AI。
该公司提供各种有关机器学习和人工智能的课程，包括本课程，其中介绍了如何在生产环境中使用机器学习。
与之前的课程主要针对普通受众（尽管并不总是初学者）不同，本课程面向已经对机器学习有深入了解的学习者。它针对的是希望能够在专业环境中自信地实施端到端机器学习管道的学生。
你将学到什么
本课程首先讨论机器学习项目的生命周期以及如何部署可用于生产的机器学习系统。
然后，本课程解释了选择适当模型并训练它们的策略，以及处理倾斜数据集时要避免的一些陷阱。
最后，本课程涵盖如何处理分类问题以及如何建立基线来评估模型的性能。
你将如何学习
本课程分为三周。每周大约需要 3 小时的工作。但请记住，这是一门高级课程，因此假设您已经具备机器学习背景。否则，工作量可能会更大。
与吴恩达的其他课程一样，该课程由视频课程和阅读材料组成。每周都会进行一些使用 Python 以及 PyTorch 和 Keras 等专用框架和库的实践练习。
| 公司 | 深度学习人工智能 |
| 提供者 | Coursera |
| 讲师 | 吴恩达 |
| 等级 | 混合 |
| 工作量 | 总计 10 小时 |
| 入学人数 | 38K |
| 评分 | 4.8 / 5.0 (1.1K) |
| 证书 | 有薪酬的 |
有趣的事实
作为机器学习和人工智能事实上的语言（至少目前如此），Python 通常是机器学习课程的先决条件。
有些课程首先会复习 Python，然后再进入实际的机器学习。但如果您是一名新手程序员，简单的复习可能无法解决问题。
因此，您要么找到一门 Python 课程并先学习，要么找到一门同时教授机器学习和 Python 的课程。这就是那个课程。
你将学到什么
在课程的第一部分中，设置开发环境后，您将进入 Python 速成课程。您将学习编程语言的基础知识以及大量广泛使用的库，例如 NumPy、Pandas 和 Matplotlib。
一旦您整合了这些技能，您就可以完成课程的第二部分，该部分完全致力于机器学习。
与往常一样，您将从回归开始，然后逐步向上，探索从 k 均值聚类到人工神经网络的机器学习模型和系统。
你将如何学习
本课程包括超过 25 小时的视频课程，其中穿插着实践练习。此外，该课程还包含大量外部材料参考，适合那些想要超越的人。
| 供应商 | 乌德米 |
| 讲师 | 何塞·波蒂利亚 |
| 等级 | 混合 |
| 工作量 | 总计25小时 |
| 入学人数 | 509K |
| 评分 | 4.7 / 5.0 (109K) |
| 证书 | 有薪酬的 |
有趣的事实
最后，为了结束这个排名，我的第十个选择是伦敦大学金史密斯学院通过 Kadenze 提供的面向音乐家和艺术家的机器学习。
这门课程有点非传统：它从艺术角度（从音乐到视觉艺术）探讨机器学习。如果这确实是您正在寻找的那种组合，那么请考虑这是我们唯一的第一选择。
你将学到什么
在本课程中，您将学习机器学习的基础知识，但您将通过将主题与艺术、动作和声音联系起来来实现这一点。更具体地说，您将学习如何使用机器学习来解释人类运动、音乐和其他实时数据源。
不用担心，本课程还需要学习更多平淡但基本的机器学习概念，例如回归、分类和分割。它还解决了实用概念，例如如何配置端到端机器学习管道。
你将如何学习
该课程分为 7 个课程。每节课大约需要 8 个小时的工作时间。
如果您旁听课程，您将可以免费访问课程材料，但不能查看作业。如果您订阅，您将可以访问作业并在最后获得证书。
本课程使用同伴反馈作业，这意味着您的副本将由其他学生评分，反过来，您也将给其他学生评分以获得您的成绩。
| 机构 | 伦敦大学金史密斯学院 |
| 提供者 | 卡登泽 |
| 讲师 | 丽贝卡·菲布林克 |
| 等级 | 初学者 |
| 工作量 | 总计 50 小时 |
| 证书 | 有薪酬的 |
有趣的事实
- 本课程在 Class Central 上的评分为 4.8 / 5.0，评分超过 80，使其成为该平台上评分最高的机器课程之一。
- 这是一门融合机器学习和艺术的课程……还需要我多说吗！？
