[譯] 基於評論的機器學習在線課程排名

時間 2019-11-16

原文原文鏈接

原文地址：Every single Machine Learning course on the internet, ranked by your reviews

原文做者：David Venturi

譯文出自：掘金翻譯計劃

本文永久連接：github.com/xitu/gold-m…

譯者：davelet

校對者：Ivocin, lsvih

Kaboompics 的木頭人php

一年半之前，我退出了加拿大最好的計算機科學課程之一，開始使用線上資源建立我本身的數據科學研究生課程。我意識到只要經過 edX、Coursera 和 Udacity 就能學到全部我須要的東西，並且學習得更快更高效，學費還比大學低！html

如今我立刻就完成了！我學習了不少數據科學相關的課程並且評估了更多課程的部份內容。我知道了如何選擇，也知道了什麼技能對於打算成爲數據分析師或者數據科學家的學員是必需的。因此我建立了一個評論驅動的指南，該指南推薦了數據科學領域內各學科最好的課程。前端

在本系列的第一篇指南中我給剛入門的數據科學家們先推薦一些編碼課程，而後是機率統計課程，而後是數據科學概論，還有數據可視化。node

歡迎來到機器學習

我爲了這篇指導花費了十幾個小時嘗試找出截至到 2017 年 5 月的全部在線課程，從這些課程的摘要和評論中提取了關鍵信息，並蒐集了它們的評分。我最終的目標原本是找出最好的三門課程呈現出來以饗讀者。python

爲了實現這個目標，我特地到開源社區 Class Central，它的數據庫中有數以千計的課程評分和評論。android

Class Central 的主頁。ios

自從 2011 年起，Class Central 的創始人 Dhawal Shah 能夠毫無爭議地說比世界上其餘任何人都更加關注在線課程。Dhawal 我的也幫我一塊兒收集了這個資源列表。git

咱們如何甄選課程

每一門課程都必須知足以下三條準則：github

必須包含大量的機器學習內容。原則上機器學習應該是首要主題。注意，只涉及深度學習的課程應該被排除，後面會詳述。
必須按需或每隔幾個月提供一次。
必須是可交互的在線課程，不能使用書本或只讀的指南。儘管那些也是學習的途徑，可是這裏只關注課程。徹底的視頻教程（也就是說沒有測驗或課後做業等）也要排除。

我相信咱們已經包含了全部符合上述準則值得關注的的課程。Udemy 上面有幾百門課程，咱們只選擇其中留言最多、評分最高的課程。web

不過因爲精力有限，必定仍是有可能咱們會忽略掉某課程的。若是你發現咱們漏掉了一門好課程，請在評論區留言讓咱們知道。

咱們如何評估課程

咱們從 Class Central 以及其餘點評網站聚集了每門課程的平均評分和評論的數量，以此來計算它們的加權平均分。咱們閱讀了文字評論，經過那些課程反饋來補充分數。

咱們根據三個因素進行了教學大綱的主觀判斷：

對機器學習工做流程的解釋程度。課程是否描繪了成功運行一個 ML 工程的必要步驟？有關典型工做流程的含義，請參閱下一節。
對機器學習技術和算法的覆蓋程度。是否涉及了各類技術（例如迴歸、分類、聚類等）和相關算法（好比分類算法：樸素貝葉斯、決策樹、支持向量機等），仍是隻簡單挑選了幾個？咱們更傾向沒有省略細節的、覆蓋更多機器學習技術和算法內容的課程。
對通用數據科學和機器學習工具的使用程度。課程教學上是否使用了流行的編程語言，好比 Python、R 或 Scala？對這些語言的流行類庫使用如何？這些固然不是必需的可是是有用的，因此對這些課程咱們略有偏好。

什麼是機器學習？工做流程如何？

一個流行的定義起源於 1959 年 Arthur Samuel 的說法：機器學習是計算機科學的一個分支，可以「讓計算機自主學習而無需顯式編程」。實踐中，這意味着開發的計算機程序能夠根據數據進行預測。就像人類能夠根據經驗學習同樣，計算機也能夠。對於計算機，數據 = 經驗。

機器學習工做流程是執行機器學習項目所需的過程。儘管單個項目可能不一樣，可是絕大多數工做流程都須要這麼幾個通用任務：問題評估，數據探索，數據預處理，模型訓練、測試、部署，等等。下面你會看到這些核心步驟有用的的可視化展現：

UpX Academy 提供的典型機器學習工做流程核心步驟

理想的課程可以介紹完整的過程並提供交互式的例子、課後做業、小測試，學員們能本身完成每一個任務。

這些課程包含了深度學習嗎？

首先我們來定義一下深度學習。簡潔點的定義是：

「深度學習是機器學習的一個分支，關注的是受大腦結構和功能啓發的人工神經網絡算法。」

— Jason Brownlee，來自掌握機器學習

可能如你所但願的，咱們的課程正好有一些包含了深度學習的內容。但我是沒有選擇那些只包含深度學習的課程的。若是你就是對深度學習感興趣，咱們建議你學習一下下面的文章：

在線 12 課深刻理解深度學習：天天都有關於深度學習如何改變咱們周圍世界的頭條。幾個例子：

列表裏面我最推薦的 TOP 3 是：

使用 TensorFlow 編寫深度學習創意應用，Kadenze
用於機器學習的神經網絡，多倫多大學 (Geoffrey Hinton執教) 發佈於 Coursera
深度學習 A-Z™：手把手教你寫人工神經網絡，Kirill Eremenko，Hadelin de Ponteves 和 SuperDataScience Team 發佈於 Udemy

咱們甄選的最佳機器學習課程是……

機器學習，斯坦福大學發佈於 Coursera

斯坦福大學發佈在 Coursera 的機器學習在評分、評論和大綱匹配上是目前最明確的贏家。課程由著名的 Andrew Ng 講授，他是 Google 大腦的創始人，百度的前首席科學家。這是促成了 Coursera 成立的課程。它有 422 條評論，加權平均得分 4.7 星。

這門課程發佈於 2011 年，涵蓋了機器學習工做流程的全部方面。儘管它比自身基於的最初的斯坦福大學課程範圍小了一點，依然成功包含了大量的技術和算法。預估的時間是 11 周，包括兩週的神經網絡和深度學習。課程還提供了免費版和收費版兩種選擇。

Ng 是一位有活力而又溫柔的導師，並且經驗豐富。他激勵自信，尤爲是在分享實際實施技巧和常見陷阱警告的時候。他幫助學員複習線性代數並強調與機器學習最相關的微積分知識。

課程評價由每節課後的多項選擇測驗和編程做業自動完成。這些做業（一共有八次）可使用 MATLAB 或 Octave 完成，後者是 MATLAB 的一個開源版本。Ng 常解釋他對語言的選擇：

之前我老是嘗試使用各類不一樣的語言講授機器學習，包括 C++、Java、Python 和 NumPy，固然還有 Octave，等等。在我教了十年機器學習以後我發現使用 Octave 作爲編程環境會讓你學得最快。

儘管 Python 和 R 在 2017 年有着上升的人氣，彷佛更引人注目，評論家們注意到那不該該阻止你學習這門課。

一些着名評論家注意到如下內容：

做爲 MOOC 世界中長期以來的知名課程，斯坦福大學的機器學習確實是這一主題的權威介紹。該課程普遍涵蓋了機器學習的全部主要領域。Ng 教授在每一個部分以前都有激勵性的討論和例子。

Andrew Ng 是一位有天賦的老師，可以以至關直觀清晰的方式解釋複雜主題，包括概念後面的數學原理。強烈推薦！

我看這門課的惟一問題是，它是否爲其餘課程設置了過高的指望值。

YouTube 視頻連接：youtu.be/e0WKJLovaZg

Andrew Ng 的機器學習課程預覽視頻。

一門由傑出教授講授的常春藤大學課程

機器學習（哥倫比亞大學發佈於 edX ）

哥倫比亞大學的機器學習是他們發佈在 edX 上的《人工智能微碩士》（Artificial Intelligence MicroMasters）課程的一個至關新的部分（譯者注：《微碩士》課程是由 edX 推出的一系列在線研究生課程，能夠用來學習職業發展的獨立技能或從各自大學得到研究生同等學力證書，至關於一個完整碩士學位的學期）。儘管它太新了尚未太多的評論，可是已有的評論卻異常給力。授課教授 John Paisley 以傑出、授課簡傑、聰明而聞名。這門課程有 10 條評論，加權平均得分 4.8 星。

這門課程覆蓋了機器學習工做流程的所有方面，並且在算法上比上面的斯坦福課程還多。哥倫比亞的課程是更加高階的入門課程，評論中有提到說學員須要很熟悉咱們前面推薦的先修課程：微積分、線性代數、統計學、機率論和編程。

它的畢業評估由 11 次測驗、4 次編程做業和期末考試組成。學員們可自行選擇 Python、Octave 或 MATLAB 完成做業。課程的總預計時長是 12 周，每週 8 到 10 課時。課程自己是免費的，不過提供認證證書可供購買。

下面是一些上文提到的課程的的高質量評論：

在當學生的這些年，我經歷了各類教授：不夠傑出的教授、自身傑出可是授課能力通常的教授、傑出而又擅長授課的教授。Paisley 博士就屬於第三種。

這門課太棒了！老師的語言太精準了，在我看來這也是這門課最突出的亮點之一。課程質量很高，PPT 也超棒。

Paisley 博士和他的導師都是機器學習之父邁克爾·喬丹的學生。Paisley 博士由於授課清晰成爲哥倫比亞大學最好的 ML 教授。這個學期有將近 240 個學生選他的課，這個數字是哥倫比亞大學全部講授機器學習的教授中最大的。

YouTube 視頻連接：youtu.be/mANw77caYSI

哥倫比亞大學發佈於 edX 的《微碩士》課程預覽視頻。機器學習課程簡介開始於大約 1:00。

來自工業專家的 Python 和 R 實用簡介

機器學習 A-Z™：手把手教你用 Python 和 R 實戰數據科學（Kirill Eremenko，Hadelin de Ponteves 和 SuperDataScience Team 發佈於 Udemy）

發佈於 Udemy 的機器學習 A-Z™ 課程的詳細程度讓人印象深入，它同時提供了 Python 和 R 的實現用法。這是罕見的，其餘任何頂級課程也不會有這種評價。它的評論數是在咱們推薦課程中最高的，高達 8119 條，獲得 4.5 星的加權平均得分。

它覆蓋了所有的機器學習工做流程，還經過 40.5 小時的按需視頻教程提供了數量近乎荒謬（好的那種）的算法講解。這門課比上面兩門課更實用，數學要求也低。每一個部分都以 Eremenko 的「直覺」視頻開始，視頻中總結了將被講授的概念中的重要理論。而後 de Ponteves 會經過一些分開的視頻講述如何經過 Python 和 R 實現出來。

一個「福利」是這門課程包含了 Python 和 R 的代碼模版供學員下載以便在他們本身的項目中使用。課程也提供了測驗和家庭做業挑戰，不過不是這門課程的有力得分點。

Eremenko 和 SuperDataScience team 最受學員愛戴的是他們有能力「把複雜的事情搞簡單」。此外，這門課程先修課程的要求也「只是一些高中數學」，因此對於被斯坦福和哥倫比亞課程難倒的學員多是較好的選擇。

一些突出的評論者強調了如下內容：

這門課是專業出品，音質棒極了，釋義也特別簡潔清晰。你金錢和時間的投資絕對有難以估量的回報。

在一門課中同時用兩種語言學習簡直太使人驚歎了。

Kirill 絕對是 Udemy 上最好的老師之一（若是不是在網上），我推薦他講的全部課程。這門課有豐富的內容，豐富到爆！

YouTube 視頻連接：youtu.be/JbuYJTbmYEk

機器學習 A-Z™ 的預覽視頻。

比拼

咱們的首選課程經過 422 條評論獲得了 4.7 星的加權平均得分。咱們看一下其餘可選課程，以分值降序排列。再次提醒：純粹深度學習的課程不包含在這篇指導裏（那些課程能夠在這裏查看）。

《走近數據分析》（麻省理工學院於 edX）：更關注通常分析，雖然也有一些機器學習主題；使用 R 語言；使用咱們熟悉的現實世界的例子進行強悍的表述；有挑戰；12 周，每週 10 到 15 學時；可自願購買通過認證的證書；有 214 條評論，加權平均得分 4.9 星。

YouTube 視頻連接：youtu.be/1BMSOBCe07k

這門麻省理工學院夢幻課程的推廣視頻：走近數據分析。

《數據科學和機器學習 Python 訓練營》（何塞波蒂利亞大學於 Udemy）：包含了完整數據科學流程的內容，有大塊的機器學習內容；更詳細的 Python 入門；優秀的課程，不過不在本文的理想課程內容範疇；21.5 小時的按需視頻；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見；有 3316 條評論，加權平均得分 4.6 星。

《數據科學和機器學習 R 訓練營》（何塞波蒂利亞大學於 Udemy）：上面對波蒂利亞大學課程的評價一樣適用於此，只不過語言換成 R；17.5 小時的按需視頻；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見；有 1317 條評論，加權平均得分 4.6 星。

《機器學習系列課程》（Lazy Programmer 公司於 Udemy）：由具備不凡工做經驗的數據科學家、大數據工程師、全棧軟件工程師講授；Lazy Programmer 目前在 Udemy 有 16 門聚焦機器學習的課程；整體上看，課程由 5000+ 評分，基本都在 4.6 星以上；每門課的描述中都有一個有用的課程排序；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見。

《機器學習》（佐治亞理工學院於 Udacity）：三門獨立課程組合而成：監督學習、無監督學習和強化學習；是該網站機器學習工程師 Nanodegree 和該校在線碩士學位（OMS）的一部分；信息量恰好可消化的視頻大小正是 Udacity 的風格；友好的教授們；估計 4 個月可畢業；免費；9 條評論，4.56 星。

《在 Azure HDInsight 中使用 Spark 實現預測分析》（微軟與 edX）：介紹了機器學習的核心概念和一些算法；利用了一些大數據友好的工具，包括 Apache Spark、 Scala 和 Hadoop；Python 和 R 都用到了；預計 6 周，每週 4 課時；可自願購買通過認證的證書；有 6 條評論，4.5 星。

《使用 Python 學習數據科學和機器學習：手把手教你！》（Frank Kane 於 Udemy）：使用 Python；Kane 在亞馬遜公司和 IMDb有 9 年工做經驗；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見；有 4139 條評論，4.5 星。

用於大數據和機器學習的 Scala 和 Spark 技術（何塞波蒂利亞大學於 Udemy）：關注「大數據」，尤爲是使用 Scala 和 Spark 實現；10 小時的按需視頻；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見；607 條評論，4.5 星。

機器學習工程師 Nanodegree（Udacity）：Udacity 的旗艦機器學習課程，這種課程具備一流的項目評審系統和職業支持；該課程由幾個都是免費的獨立課程組成；與 Kaggle 聯合建立；預計 6 個月學完；目前是每個月 199 美圓，12 個月以內畢業可享受 50% 的學費退款；2 條評論，4.5 星。

《從數據中學習（機器學習介紹）》（加州理工學院於 edX）：課程報名當前在 edX 上關閉了，不過依然能夠經過 CalTech 的獨立平臺報名（見下面）；42 條評論，4.49 星。

YouTube 視頻連接：youtu.be/KlP0DpiM7Lw

Caltech 和 Yaser Abu-Mostafa 的從數據中學習介紹視頻。

《從數據中學習（機器學習介紹）》（Yaser Abu-Mostafa 於加州理工學院）：「真正的 Caltech 課程，不是閹割版」；評論強調它在理解機器學習理論上很優秀；Yaser Abu-Mostafa 教授在學生中很流行，還寫了這門課使用的教科書；上傳到油管的視頻是上課錄音（帶有 PPT 的畫中畫功能），家庭做業是 PDF 文件；學生在線學習的課程體驗並不如 TOP 3 推薦那麼精彩；7 條評論，4.43 星。

《海量數據集挖掘》（斯坦福大學）：關注「大數據」的機器學習課程；介紹了現代分佈式文件系統和 MapReduce；7 周，每週 10 小時；免費；30 條評論，4.4 星。

《AWS 機器學習：使用 Python 的完整指導》（Chandra Lingam 於 Udemy）：惟一關注基於雲端的機器學習課程，尤爲是 Amazon Web Service。使用 Python；9 小時按需視頻；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見；62 條評論，4.4 星。

《機器學習介紹和使用 Python 進行面部識別》（Holczer Balazs 於 Udemy）：使用 Python；8 小時按需視頻；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見；162 條評論，4.4 星。

《StatLearning：統計學習》（斯坦福大學）：基於超優秀的教科書《統計學習入門，使用 R 程序》並由編寫書的教授上課；評論說 MOOC 引用了書中「薄弱」的練習和平庸的視頻，沒有書好；9 周，每週 5 課時；免費；84 條評論，4.35 星。

《機器學習規範》（華盛頓大學於 Coursera）：超棒的課程，惋惜最後兩課（包括頂點課程）被刪掉了（譯者注：頂點課程是美國大學開設在實用性很強的專業中讓學生整合所學領域的知識並充分利用的課程）；評論說該系列課程比那些頂級機器學習課程 —— 也就是斯坦福和 Caltech 的 —— 更容易消化（對那些沒有很強工科背景的學員來講）；記住該課程在推薦系統和深度學習上並不完整，還缺乏課程總結；有免費和收費版本；80 條評論，4.31 星。

Coursera 上華盛頓大學正在上這門《機器學習規範》。

《從 0 到 1：機器學習和NLP，使用 Python 切入正題》（Loony Corn 於 Udemy）：「一種腳踏實地，害羞但自信的機器學習技巧」；由具備數十年工業經驗的四人小組授課；使用 Python；價格根據 Udemy 帳戶級別進行折扣，這在 Udemy 很常見；494 條評論，4.2 星。

《機器學習的原則》（微軟於 edX）：使用 R、Python 和微軟 Azure 機器學習工具；是微軟數據科學專業課程認證的一部分；6 周，每週 3-4 小時；可自願購買通過認證的證書；11 條評論，4.09 星。

《大數據：統計推斷與機器學習》（昆士蘭科技大學於 FutureLearn）：一門聚焦於大數據、漂亮而又簡潔的機器學習探索課程；覆蓋了諸如 R、H20 流和 WEKA 等工具；推薦三週就學完，每週 2 課時；有免費和收費版本；4 條評論，4 星。

《基因組數據科學與聚類》（生物信息學第五部）（加利福尼亞大學和 San Diego 於 Coursera）：面向對計算機科學和生物學的交叉學科感興趣的人，並展現這門交叉學科如何表明現代科學的重要前沿；關注聚類和數據降維；加州大學聖地亞哥分校（UCSD）生物信息學專業的一部分；有免費和收費版本；3 條評論，4 星。

《機器學習簡介》（Udacity）：在深度和理論上優先考慮學習寬度和實用工具主題（使用 Python）；兩位老師 —— Sebastian Thrun 和 Katie Malone —— 讓課程充滿趣味；課程視頻是恰好可以消化的大小；每節課的小項目後面都有測驗；目前是 Udacity 數據分析師納學位的一部分（譯者注：納學位，或者說 Nanodegree，是優達學院和企業推出的系列聯合認證課程,通常可在 12 個月內結業。「納」模仿自「微學院」中的「微」，都表示模仿自高校。「納」和「微」都是度量單位，「納」比「微」更小）；估計 10 周；免費；19 條評論，3.95 星。

YouTube 視頻連接：youtu.be/lL16AQItG1g

Sebastian Thrun 和 Katie Malone 講授的 Udacity 《機器學習簡介》介紹視頻。

《用於數據分析的機器學習》（衛斯理大學於 Coursera）：對機器學習及幾個選擇算法的簡單介紹；覆蓋決策樹、隨機森林、LASSO 迴歸和 K 均值聚類；是衛斯理大學數據分析和解釋專業的一部分；估計 4 周；有免費和付費版本；5 條評論，3.6 星。

《數據科學：使用 Python 編程》（微軟於 edX）：微軟和 Coding Pojo 聯合出品；使用 Python；6 周，每週 8 小時；有免費和付費版本；37 條評論，3.46 星。

《用於交易的機器學習》（佐治亞科技大學於 Udacity）：專一於將機率機器學習方法應用於交易決策；使用 Python；是 Udacity 機器學習工程師納學位和佐治亞科大在線碩士學位（OMS）的一部分；估計 4 個月；免費；14 條評論，3.29 星。

《實用機器學習》（約翰霍普金斯大學於 Coursera）：簡潔、實用的介紹了一些機器學習算法；一些一星二星的評論表達了對課程的各類擔心；是該校數據科學專業的一部分；4 周，每週 4-9 小時；有免費和收費版本；37 條評論，3.11 星。

《用於數據科學和數據分析的機器學習》（哥倫比亞大學於 edX）：介紹了機器學習的普遍主題；一些負面評論對課程內容的選擇、缺乏編程做業和缺少有靈感的展現提出了擔心；超過 5 周，每週 7-10 小時；36 條評論，2.74 星。

《推薦系統規範》（明尼蘇達大學於 Cou）：重點關注了一種特定的機器學習類型 —— 推薦系統；4 節專業課加一節頂點課程，這是一個案例研究；使用 LensKit（推薦系統的一個開源工具集）上課；有免費和收費版本；2 條評論，2 星。

《使用大數據進行機器學習》（加利福尼亞大學和 San Diego 於 Coursera）：嚴重負面的評論突出了課程糟糕的教學和評估；一些評論說完成整個課程只須要幾小時；是該校大數據專業的一部分；有免費和收費版本；14 條評論，1.86 星。

《實用預測分析：模型和方法》（華盛頓大學於 Coursera）：對機器學習的核心概念進行了簡單介紹；有條評論說課程沒有測驗，做業也沒有挑戰；是該校數據科學擴展專業的一部分；超過 4 周，每週 6 - 8 小時；有免費和收費版本；4 條評論，1.75 星。

下面是截止到 2017 年 5 月不超過一條評論的課程。

《給音樂家和藝術家的機器學習》（Goldsmiths 和倫敦大學於 Kadenze）：獨一無二的課程；學員學習算法、軟件工具和機器學習最佳實踐來讓機器識別人類手勢、音頻和其餘實時數據；一共 7 課；有旁聽（免費）和收費（每個月 10 美圓）版本；有一條 5 星評論。

YouTube 視頻連接：youtu.be/pSnRmBt0pXI

Kadenze 上 Goldsmiths 和倫敦大學《給音樂家和藝術家的機器學習》的宣傳視頻。

《應用機器學習（使用 Python）》（密歇根大學於 Coursera）：使用 Python 和 scikit 學習工具集上課；是應用機器學習（使用 Python）專業的一部分；計劃 5 月 29 號開課；有免費和收費版本。

《應用機器學習》（微軟於 edX）：使用了包括 Python、R 和微軟 Azure 機器學習工具上課（注意：這是微軟出品的課程）。包括動手實驗室來強化課程內容；超過 6 周，每週 3-4 小時；可自願購買通過認證的證書。

《使用 Python 進行機器學習》（大數據大學）：使用 Python 上課；目標受衆是入門者；預估 4 小時完成；大數據大學隸屬於 IBM；免費。

《使用 Apache SystemML 進行機器學習》（大數據大學）：使用 Apache SystemML 上課，這是一種爲大規模機器學習而設計的聲明式語言；預估 8 小時完成；大數據大學隸屬於 IBM；免費。

《給數據科學的機器學習》（加利福尼亞大學和 San Diego 於 edX）：要到 2018 年一月纔開課；程序例子和做業都是 Python的，用的 Jupyter 教材（譯者注：Jupyter 教材是一個開源的在線應用，用戶能夠本身製做教材並共享給別人）；10 周，每週 8 小時；可自願購買通過認證的證書。

《分析模型入門》（佐治亞科技大學於 edX）：課程通告說使用 R 作爲其首選語言；10 周，每週 5-10 小時；可自願購買通過認證的證書。

《預測分析：洞察大數據》（昆士蘭科技大學於 FutureLearn）：簡述了一些算法；使用 Hewlett Packard Enterprise 的 Vertica Analytics 平臺作爲應用工具；開課時間還未公佈；4 周，每週 2 小時；可自願購買成就證書。

《機器學習簡介》（西班牙電信大學於 Miríada X）：西語授課；覆蓋了監督和無監督學習的機器學習簡介；預估 4 周共 20 小時。

《機器學習登堂入室》（Dataquest）：使用 Dataquest 的瀏覽器內置交互式平臺經過 Python 上課；多個導引項目和一個你使用你本身數據構建的「+」項目；須要訂閱。

下面的 6 門課程由 DataCamp 提供。DataCamp 的混合授課風格使用了基於視頻和文本並經過一個瀏覽器內置的代碼編輯器穿插大量的例子；每門課都須要完整訂閱。

DataCamp 提供了幾門機器學習的課程。

《機器學習簡介》（DataCamp）: 覆蓋了分類算法、迴歸算法和聚類算法；使用 R；15 段視頻，81 次練習，預估 6 小時。

《使用 scikit-learn 進行監督學習》（DataCamp）：使用 Python 和 scikit-learn；覆蓋了分類算法和迴歸算法；17 段視頻，54 次練習，預估 4 小時。

《使用 R 進行非監督學習》（DataCamp）：簡單介紹了經過 R 進行聚類和降維；16 段視頻，49 次練習，預估 4 小時。

《機器學習工具箱》（DataCamp）：講授機器學習中的「大主意」；使用 R；24 段視頻，88 次練習，預估 4 小時。

《和專家一塊兒機器學習：學校預算案例》（DataCamp）：是 DrivenData 上面的一個機器學習案例研究；涉及建造機器學習模型對學校的預算項自動分類；先修課程是 DataCamp 的課程《使用 scikit-learn 進行監督學習》；15 段視頻，51 次練習，預估 4 小時。

《使用 Python 進行非監督學習》（DataCamp）：使用 Python、scikit-learn 和 scipy 講解了一些非監督學習的算法；課程最後是學員構造一個推薦系統來推薦流行音樂歌手；13 段視頻，52 次練習，預估 4 小時。

《機器學習》（Tom Mitchell 和卡耐基梅隆大學）：該校的研究生機器學習入門課程；它們的第二個研究生課程要求具有「統計機器學習」知識背景；在線發佈帶有練習題、家庭做業和期中考試（都有答案）的大學課程；還有一個 2011 版；卡耐基梅隆大學是學習機器學習最好的研究生學校，它有一個系專門研究 ML；免費。

《統計機器學習》（Larry Wasserman 和卡耐基梅隆大學）：和本文其餘高級課程同樣；是卡耐基梅隆大學機器學習課程的後續課程；在線發佈帶有練習題、家庭做業和期中考試（都有答案）的大學課程；免費。

卡耐基梅隆大學是學習機器學習最好的研究生學校。《機器學習》和《統計機器學習》都在線上可免費學習。

《本科生機器學習》（Nando de Freitas 和不列顛哥倫比亞大學）：本科生的機器學習課程；上課被錄像並和發佈在課程網站的 PPT 一塊兒放在了油管上；課程做業也一塊兒上傳了（不過沒答案）；de Freitas 如今是牛津大學的全職教授，各個論壇都對他的教學能力表達了讚美；研究生版本也要（見下面）。

Machine Learning (Nando de Freitas/University of British Columbia): A graduate machine learning course. The comments in de Freitas’ undergraduate course (above) apply here as well.