pixabay.com
1.斯坦福在線自學課程《概率與統計》[1]：該課程涉及概率統計的基本概念，涵蓋機器學習4個基本方面：探索性數據分析，產生數據，概率和推理。2.MIT的《線性代數》[2]：這是我見過的最好的線性代數課程，由傳奇教授Gilbert Strang（吉爾伯特斯特朗）教授。3.斯坦福的CS231N：用於視覺識別的卷積神經網絡[3]：平衡理論與實踐。課堂筆記寫得很好，解釋了不同的概念，例如反向傳播、損失、正規化。4.FastAI的《面向開發者的深度學習實踐》[4]：這門實踐課程專注於搭建和運行。他有一個論壇，裏面有很多最新的關於機器學習最佳實踐的討論。5.斯坦福的《CS224N：自然語言處理與深度學習》[5]：任何對NLP感興趣的人必學課程，該課程教得好、組織良好且教授最新的研究，老師是chrmanning[6]。6.Coursera的《機器學習》[7]：最初由斯坦福吳恩達教課，可能是世界上最受歡迎地機器學習課程。其Coursera版本在撰寫時已被250萬人註冊。7.Coursera的《該率圖形模型系列》[8]：和大多數AI課程逐一引入小概念不同，這門課自上而下介紹概念，當你提到ML時，它會強迫你思考你究竟想學什麼。8.DeepMind出品地《強化學習導論》[9]：RL很難，但是David Silver（大衛·西爾弗）會從中解救你。本課程通過直觀的解釋和有趣的例子爲RL提供了一個很好的介紹，由世界領先的專家之一講授。9.Bootcamp出品的《全棧深度學習》[10]：大多數課程只教你如何訓練和優化模型，這是我唯一見到的一步步教你設計、訓練、部署模型地課程。10.Coursera的《如何贏得數據科學競賽：向頂級Kaggers學習》[11]：學習完上面地課程後，是時候去Kaggle爲你的簡歷積累一些機器學習的經驗了。
References
[1] 《概率與統計》: https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics[2] 《線性代數》: https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/[3] CS231N：用於視覺識別的卷積神經網絡: https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq[4] 《面向開發者的深度學習實踐》: https://course.fast.ai/[5] 《CS224N：自然語言處理與深度學習》: https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_[6] chrmanning: https://twitter.com/chrmanning[7] 《機器學習》: https://www.coursera.org/learn/machine-learning[8] 《該率圖形模型系列》: https://www.coursera.org/specializations/probabilistic-graphical-models[9] 《強化學習導論》: https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ[10] 《全棧深度學習》: https://fullstackdeeplearning.com/march2019[11] 《如何贏得數據科學競賽：向頂級Kaggers學習》: https://www.coursera.org/learn/competitive-data-science/home/welcome