Coursera 上 15 门最佳免费机器学习课程
由 Mux 赞助的 DEV 全球展示挑战赛：展示你的项目！
感觉要跟上数据科学和机器学习领域所有的新概念和技术几乎是不可能的。这里涉及多种语言、库和设计原则。
我们撰写了一些文章，介绍各种可以帮助数据专业人员了解最新技术资源的文章。然而，其中许多课程都需要付费。
但Coursera提供了一个机会，让用户可以免费学习来自正规高校和教育机构的在线课程。这能帮助你更深入地理解机器学习、深度学习、统计学等概念。
Coursera上有数百门机器学习课程，但问题在于很难筛选出哪些课程值得学习。因此，我们列出了我们个人最喜欢的课程！
提示：Coursera 可能会让你觉得只有购买课程才是唯一选择。但其实页面最底部有个旁听按钮。如果你喜欢 Coursera，当然应该购买他们的专项课程，但我个人对购买专项课程的感受还不太确定。不过，我确实很喜欢在 Coursera 上课。
选择旁听课程选项即可免交课程费用。
1. 概率与数据导论
本课程将向您介绍数据抽样和探索，以及基础概率论和贝叶斯定理。您将学习各种抽样方法，并探讨这些方法如何影响推断的范围。课程将涵盖多种探索性数据分析技术，包括数值汇总统计和基础数据可视化。您将学习如何安装和使用 R 和 RStudio（免费统计软件），并使用这些软件完成实验练习和最终项目。本课程中的概念和技术将为专项课程中的推断和建模课程奠定基础。
2. 完整的统计学课程
在本专项课程中，您将学习使用 R 分析和可视化数据并创建可重现的数据分析报告，展示对统计推断统一本质的概念理解，进行频率学派和贝叶斯统计推断和建模以理解自然现象并做出基于数据的决策，在不依赖统计术语的情况下正确、有效地、有针对性地传达统计结果，批判基于数据的主张和评估基于数据的决策，以及使用 R 包进行数据分析并处理和可视化数据。
3. 数据科学家的工具箱
本课程将教授如何使用 R 语言进行编程，以及如何利用 R 进行高效的数据分析。您将学习如何安装和配置统计编程环境所需的软件，并了解通用编程语言概念在高级统计语言中的实现方式。课程涵盖统计计算中的实际问题，包括 R 语言编程、数据导入 R、访问 R 包、编写 R 函数、调试、R 代码性能分析以及 R 代码的组织和注释。统计数据分析方面的主题将提供实际案例。
4. SQL 用于数据科学
数据科学家并非只依赖 Python 和 R 来完成工作。作为一名数据科学家，你经常需要从 Hadoop 和 MySQL 等数据存储系统中提取数据。为了与这些系统交互，你可以使用 Presto 等 SQL 引擎来访问数据，并将其格式化为更易于处理的形式。
这意味着你需要了解SQL。大部分情况下是这样。
5. 使用 Tableau 进行数据可视化
我们最近的一个项目是帮助一家咨询公司开发仪表盘，以提升其客户价值。仪表盘和图表等数据可视化工具能够更好地传递数据中的重要信息。它们可以将复杂的数据集简化为简洁的图像和图表，方便最终用户理解。
因此，我们建议每位数据科学家都应掌握一些数据可视化技能。
这里我们推荐两门不同的Coursera课程。首先推荐加州大学戴维斯分校的数据可视化专项课程。再次强调，您无需付费即可获得证书，您可以旁听这门课程。
如果您是 Tableau 新手，我们强烈建议您学习所有课程。本专项课程将带您从基础知识入手，逐步构建美观的仪表板。
6. 使用 Python 进行数据可视化
Tableau 并非唯一的数据可视化工具，也并非所有数据科学家都喜欢使用它。有些人只想用 Python 制作简单的图表。幸运的是，Python 在数据可视化库方面提供了许多优秀的选择，例如 Matplotlib、Seaborn 和 Folium。IBM 的这门课程作为入门课程，对这些库的使用讲解得非常出色。
本课程将向您介绍所有基本图表，并教您如何使用地理空间数据。课程时长也相当短，因此非常适合那些只想对库有一个基本了解的人。
7. 使用 Python 进行机器学习
本课程将使用易于上手且广为人知的编程语言 Python，深入讲解机器学习的基础知识。
在本课程中，他们将回顾两个主要组成部分：
首先，你将学习机器学习的目的以及它在现实世界中的应用。
其次，您将对机器学习主题有一个大致的了解，例如监督学习与无监督学习、模型评估和机器学习算法。
在本课程中，你将通过机器学习的真实案例进行练习，并了解它如何以你可能意想不到的方式影响社会！
8. IBM 专业机器学习认证
即使在最初提出这一论断的文章发表五年之后，数据科学仍然是“最性感的工作”之一。
事实上，我们那篇关于如何帮助人们面试数据科学职位的文章是我们阅读量最高的文章之一！
由于数据科学本科专业并不多，大多数人需要先学习一些数据科学入门课程，以便更好地为相关工作做好准备。IBM 特别推出了 9 门课程以及一个专项课程，你可以免费试听！我这么说是因为你可能正在考虑是否要花 1.4 万美元参加训练营。其实，花些时间学习一些免费的数据科学课程是很好的选择。
这门 Coursera 专业课程做得非常出色，它从“什么是数据科学”的基础知识讲起，最终以一个综合项目结束。课程全面而深入地介绍了数据科学家的工作内容。此外，这门课程完全免费。有些人为了在 LinkedIn 上获得证书而付费，这对他们来说确实有帮助，但我们只是为了了解课程的设置而学习的。
9. 组建数据科学团队——面向管理者
我们最近发现，Coursera 不仅为希望提升技术能力的个人贡献者提供数据科学课程，他们最近也开始推出面向希望组建数据科学团队的经理和高管的课程。
有些管理者从未与大多数数据科学团队拥有的各类数据专家共事过。这可能会带来一些困难，因为数据科学仍然是一个相对较新的领域，要想最大限度地发挥数据科学团队的潜力，可能需要快速复习一下相关知识。
本课程涵盖以下概念：
- 不同数据科学家需要具备哪些资质？
- 如何面试优秀的数据科学人才
- 入职
- ETC
这些看似微不足道，但确保拥有合适的团队并建立完善的流程至关重要。
如果您是高管，或者将来想管理数据科学团队，那么不妨考虑参加这门课程。
10. 现实生活中的数据科学
管理任何类型的团队，都需要了解该团队的成功标准是什么。
要想了解成功是什么样子……你必须亲眼见过。这意味着，如果你是数据科学团队管理新手，或者之前在对成功标准没有明确定义的公司工作过，那么你可能需要快速学习一下。
约翰·霍普金斯大学再次发挥了重要作用。他们开设了一门课程，旨在帮助人们理解数据科学在现实生活中的应用。这门课程将探讨实验设计、偏差、数据质量等问题，并出色地展示了数据科学在实际应用中的潜力。拥有优秀的数据科学案例和框架，将有助于推动团队取得成功。
11. 使用 R 进行软件开发
许多人使用 R 纯粹是为了进行数据分析，我们也认为 R 最适合用于此。但是，我们相信您可以运用软件开发原则来更好地编写 R 脚本。
与其使用一两个主要脚本来运行所有操作，不如在 R 中构建可重用的函数和实用程序，这样可以在未来的项目中节省大量时间。
本课程将涵盖这些内容。特别是，它将讲解高级编程，对于那些没有编程基础的数据科学家来说，这将填补很多知识空白。
12. Google Cloud Platform 大数据和机器学习基础知识
当然，谷歌云在 Coursera 上开发了自己的机器学习课程，专门针对……谷歌云。
但我们不妨抛开谷歌试图创造的显而易见的商业价值不谈。你使用谷歌云进行机器学习肯定有其真正的原因，而要学习这项技术，没有比向其创造者学习更好的途径了。
我们非常喜欢这门课程的一点是，它涵盖了许多不同的技术。
它涵盖了 Cloud QL、Spark、Biq Query with ML、Vision API 和 Cloud AutoML。看得出来他们真的很想推销这些产品 ;) 。
他们想推销产品没什么错，这很好！他们让你在投入太多资金之前先了解一下产品。
当然，我们还要补充一点，将谷歌云技术与AWS和其他类似的云技术进行比较非常重要。不过，不妨花些时间，看看谷歌云技术中哪些方面对您有用。
13. 构建机器学习项目
这门课程隐藏在 Coursera 数百门机器学习课程中，专注于构建一个成功的机器学习项目。如果您渴望成为人工智能领域的技术领导者，并知道如何为团队的工作指明方向，这门课程将为您指明方向。课程
时长不长，所以没有必要付费。只需花 4 个小时学习课程即可。
在这 4 个小时里，你将了解如何诊断机器学习系统中的错误，并能够确定降低错误的最有希望的方向。此外，你还将了解复杂的机器学习设置，例如训练集/测试集不匹配的情况，以及如何达到甚至超越人类水平的性能。
对于任何学习机器学习的人来说，这都是一门很棒的速成课程。
14. 改进深度神经网络：超参数调优、正则化和优化
神经网络不应该是那种把数据放进去就能得到数据的黑箱。
本课程将揭示深度学习高效运行的“奥秘”。您将不再把深度学习视为一个黑箱，而是能够理解性能驱动因素，并系统地获得理想结果。您还将学习TensorFlow。
你将学习如何有效地使用常见的神经网络“技巧”，包括初始化、L2 和 dropout 正则化、批量归一化、梯度检查，
最重要的是，你将能够在 TensorFlow 中实现神经网络。
15. 机器学习（经典）
任何机器学习课程列表都不能少了吴恩达的经典机器学习课程。
本课程全面介绍机器学习、数据挖掘和统计模式识别。它深入剖析了监督学习、支持向量机、核函数、神经网络、无监督学习等众多主题。课程还探讨了机器学习领域的最佳实践，例如偏差/方差理论、机器学习和人工智能的创新过程。Andrew 运用了大量优秀的案例研究和实例，帮助用户将理论知识与现实世界联系起来。
数据科学是一个需要不断学习才能跟上的领域。但希望这些课程能帮助你更好地了解这个领域！
此外，您还可以阅读以下文章：
Hadoop 与关系型数据库对比、
算法如何变得不道德和带有偏见、
如何改进您的数据驱动策略、
如何开发健壮的算法、
数据科学家必备的 4 项技能
、SQL 最佳实践——设计 ETL 视频