原文：
www.kdnuggets.com/2019/04/another-10-free-must-see-courses-machine-learning-data-science.html
评论
我们之前的免费机器学习和数据科学课程系列受到了好评……所以显然是时候再来一波了。这里有另外 10 门课程，帮助你度过春季学习季节。课程涵盖从入门机器学习到深度学习、自然语言处理等内容。
这一系列课程由 Delta Analytics 提供，作者和培训师为 Aurélien Geron，威斯康星大学麦迪逊分校，AI 研究员 Goku Mohandas，滑铁卢大学，新加坡国立大学以及不列颠哥伦比亚大学。
1. 谷歌网络安全证书 - 快速进入网络安全职业道路。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT
如果在阅读完这个列表后，你还想要更多免费的优质学习材料，请查看底部的相关帖子。祝学习愉快！
1. 机器学习基础
Delta Analytics
欢迎参加本课程！这些模块将教你成为自己社区中负责任的机器学习从业者所需的基本构建块和理论。每个模块专注于易于理解的示例，旨在教你有关良好实践和我们用于建模数据的强大（却惊人简单）算法。
2. 使用 TensorFlow 2 和 Keras 的深度学习
Aurélien Geron
本项目配套我的《使用 TensorFlow 2 和 Keras 的深度学习》培训课程。它包含了练习和解答，形式为 Jupyter 笔记本。
警告：TensorFlow 2.0 预览版可能存在漏洞，行为可能与最终的 2.0 版本有所不同。希望这段代码在 TF 2 发布后能顺利运行。这是极端前沿的内容！:)
3. 深度学习
威斯康星大学麦迪逊分校
本课程的重点将是从算法上理解人工神经网络和深度学习（在基础层面讨论这些方法背后的数学），并在代码中实现网络模型以及将这些模型应用于实际数据集。课程将涵盖的一些主题包括用于图像分类和目标检测的卷积神经网络、用于建模文本的递归神经网络以及用于生成新数据的生成对抗网络。
4. 实用人工智能
孙悟空·莫汉达斯
实用的机器学习学习和应用方法。
使你能够使用机器学习从数据中获得有价值的见解。
- 使用 PyTorch 实现基本的机器学习算法和深度神经网络。
- 在浏览器上无需任何设置即可运行所有内容，使用 Google Colab。
- 学习面向对象的机器学习，以便为产品编码，而不仅仅是教程。
5. 深度无监督学习
加州大学伯克利分校
本课程将涵盖两个不需要标注数据的深度学习领域：深度生成模型和自监督学习。最近生成模型的进展使得现实地建模高维原始数据（如自然图像、音频波形和文本语料）成为可能。自监督学习的进展开始缩小监督表示学习和无监督表示学习在针对未见任务的微调方面的差距。本课程将涵盖这些主题的理论基础及其新启用的应用。
6. 深度学习导论
加州大学伯克利分校
本课程提供深度学习的实用介绍，包括理论动机及其实际实现方法。课程内容将包括多层感知机、反向传播、自动微分和随机梯度下降。此外，我们还介绍用于图像处理的卷积网络，从简单的 LeNet 开始到更近期的高精度模型架构如 ResNet。其次，我们讨论序列模型和递归网络，如 LSTM、GRU 和注意力机制。在整个课程中，我们强调高效的实现、优化和可扩展性，例如到多个 GPU 和多台机器。课程目标是提供对现代非参数估计器的良好理解和构建能力。
7. 强化学习
滑铁卢大学
本课程介绍了使机器能够基于强化学习进行学习的算法设计。与机器从包含正确决策的示例中学习的监督学习，以及机器发现数据中模式的无监督学习相对，强化学习允许机器从部分、隐式和延迟反馈中学习。这在机器反复与环境或用户交互的顺序决策任务中特别有用。强化学习的应用包括机器人控制、自动驾驶汽车、游戏、对话代理、辅助技术、计算金融、运筹学等。
8. 自然语言处理的深度学习
新加坡国立大学
本课程几乎逐字照搬了斯坦福大学 Richard Socher 的 CS 224N 自然语言处理深度学习课程。我们在 Socher 的许可下遵循他们课程的框架和论文选择。
9. 应用自然语言处理
加州大学伯克利分校
本课程考察了自然语言处理作为探索和推理文本数据的方法集的使用，特别关注 NLP 的应用方面——以新的和创造性的方式使用现有的 NLP 方法和 Python 库（而不是探索其核心算法）。
这是一个应用课程；每节课的时间将分为短讲座和使用 Jupyter notebooks 的课堂实验（大约各占 50%）。学生将在课堂上进行大量编程，并与其他学生和教师分组合作。学生必须为每节课做准备，并在课前提交准备材料；出席课堂是必需的。
10. 机器学习讲座
英属哥伦比亚大学
这是我在 UBC 教授机器学习的各种课程的资料汇总，包括来自 80 多次讲座的内容，涵盖了大量与机器学习相关的主题。符号表示在各个主题中相当一致，这使得查看关系变得更容易，而这些主题旨在按顺序学习（难度逐渐增加，概念在首次出现时进行定义）。我将这些资料放在一个地方，以备人们在教育用途上发现它们有用。
相关：
-
10 个更多必看的免费机器学习和数据科学课程
-
10 个必看的免费机器学习和数据科学课程
-
另外 10 本免费必读的机器学习和数据科学书籍