原文：
www.kdnuggets.com/2021/07/update-your-machine-learning-skills.html
评论
照片由 Nick Morrison 提供，来源于 Unsplash。
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT 需求
你们中的许多人已经学习机器学习有一段时间了，也许是一年或两年。如果你现在评估自己，在机器学习的理论方面，即使是当初学习时非常清晰的内容，也可能因为未在实践中使用或过度依赖高级框架而遗忘了。
这两个月的课程适合那些已经在该领域工作了一段时间的人，帮助他们复习所有核心概念。
本周旨在确保你复习所有初学者掌握机器学习所需的核心数学概念。
第 1–3 天：线性代数
斯坦福大学提供了非常好的线性代数快速笔记，长达 30 页，专为复习而制，涵盖了所有重要的主题。你可以在这里找到它们。此外，如果你愿意，还可以观看笔记中主题的视频，但这些笔记足以帮助你复习概念。
第 3–6 天：概率和统计
概率和统计是机器学习的基础，这个由 Edureka 制作的简短视频可以帮助你快速复习概率和统计。除了这个视频，你还可以查看这些概率复习幻灯片以及这份斯坦福的 PDF 进行快速修订。
我将跟随斯坦福大学Andrew Ng教授（CS229 2018 年秋季学期）的最新讲解，深入了解机器学习算法背后的数学原理和工作机制。Andrew Ng 教授是斯坦福大学的兼职教授，但他还有很多其他活动，因此他最好被描述为“领先的人工智能研究员及 Deeplearning.ai、Coursera 及其他初创公司的创始人。”
对于深度学习算法，我将跟随Andrej Karpathy教授的 CS231n 课程，他在斯坦福大学完成了博士学位，并于 2016 年教授了著名的 CS231n 课程，这是一门最受欢迎的深度学习视觉系统课程之一。Andrej 现在是特斯拉的 AI 高级总监。
一些讲座也由Fei Fei Li教授讲授，她是斯坦福大学计算机科学系首任 Sequoia 教授及斯坦福人本人工智能研究所的共同主任。
第 1 天：线性回归
这是最常见的机器学习算法之一。Andrew Ng 讲解得很透彻，你可以在YouTube找到讲座视频，并在斯坦福大学的这里找到课程笔记。
第 2 天：逻辑回归
逻辑回归是最基础的分类算法，Andrew Ng 讲解得非常清晰，完整的讲座可以在 YouTube 上找到这里。逻辑回归的课程笔记在线性回归部分共享的 pdf 中。
第 3 天：朴素贝叶斯
朴素贝叶斯是一个著名的分类算法，完全基于概率背景。如果你没有学习过概率，这个算法会很难理解。幸运的是，Andrew Ng 在他最新的课程（2019 年）中讲解了这个算法，你可以在这里找到视频。这个算法没有出现在他的 Coursera 课程中。
你可以在这里找到课程笔记。
视频和笔记还讲解了 GDA，即高斯判别分析。
第 4–5 天：支持向量机
支持向量机（SVM）是初学者最难掌握的机器学习算法之一，尤其是在涉及到核函数时。Andrew Ng 有专门的视频讲解。
这将为你提供有关算法如何工作的良好数学直觉。
第 6 天：决策树与集成方法
决策树、随机森林以及其他集成方法如 XGBoost 都被广泛使用。CS229 讲解了决策树和集成方法，并以非常易于理解的方式解释了这些算法背后的数学原理。您可以在 这里 找到讲座视频。
第 7 天：无监督学习
无监督学习是机器学习的重要组成部分，并在许多应用中广泛使用。Andrew Ng 在这节讲座中讲解了无监督学习的重要算法，您可以在 这里 找到。
第 8 天：数据划分、模型和交叉验证
适当地划分数据集、选择正确的算法、拥有正确的交叉验证集都很重要。Andrew Ng 专注于这一重要方面，并在 this 视频中进行了讲解。
第 9 天：调试机器学习模型和误差分析
知道机器学习模型中存在什么问题以及如何改进这些问题既重要又困难。在 this 讲座中，Andrew Ng 详细讨论了这一点。
第 10 至 12 天：神经网络简介
神经网络是人工智能中一个非常重要且广泛使用的方面。3Blue1Brown 是一个非常著名的 YouTube 频道，拥有一个 短视频播放列表 ，可以帮助您了解神经网络的基础知识。
然后，为了更深入理解，您可以观看这 4 节讲座：
第 13 天：卷积神经网络
CNN 在工业界中非常重要且广泛使用。您在第四部分讲座中学到了其基础知识。在 this lecture 中，Andrej Karpathy 更深入地讲解了 CNN，并对其进行了精彩的阐述。
第 14 天：递归神经网络
RNN 是一种重要且广泛使用的深度学习算法，以其在序列和语言任务中的表现而闻名。在 this 讲座中，Andrej Karpathy 详细讲解了 RNN 和 LSTM，以及如何利用它们构建一些应用，例如图像标题生成。
第 1 天：ConvNets 实践
这次讲座 涉及了使 ConvNets 非常强大的大多数细节，特别是在工业界。话题包括数据增强、迁移学习、卷积安排、瓶颈和分布式训练等。
第 2 天：定位和检测
目标定位和检测是一个非常酷且重要的特性，在多个应用中被广泛使用。Andrej Karpathy 在这次 讲座 中详细解释了它背后的数学原理。
第 3 天：在深度学习中处理视频和无监督学习
这次由 Andrej Karpathy 主讲的讲座将解释如何处理视频数据并使用无监督学习从中获得最大收益。
讲座链接：
第 4 天：分割和注意力
分割是计算机视觉中一个非常核心的任务。这次讲座深入探讨了两种不同的分割方法。注意力也是一个非常有名的任务，我们希望我们的模型关注图像中相关的特定部分。
讲座链接：
第 5 天：生成模型
能够生成新事物的模型真的很酷。现在，GANs 和 DeepFakes 非常有名。在这次讲座中，Fei-Fei Li 深入探讨了生成模型背后的数学和理论。
讲座链接：
你还可以观看 MIT 深度学习系列的讲座。
讲座链接：
第 6 天：使用 AI 创建 3D 内容
这次 MIT 讲座探讨了如何使用 AI 和深度学习创建 3D 内容。
讲座链接：
第 7 天：姿态估计
姿态估计是一个非常有名的任务，在多个应用中被广泛使用。目前关于它如何工作的优秀解释不多，但我尝试收集了一些资源，可以帮助你了解姿态估计的工作原理。
讲座链接：
博客：
第 1 天：使用 TensorFlow/PyTorch 进行图像分类
-
数据集：iWildCam 2019
第 2–5 天：使用 TensorFlow 进行目标检测
教程：
实践数据集：
第 6–9 天：物体分割
教程：
实践数据集：
第 10–12 天：GANs
教程：
第 13–14 天：神经风格迁移
教程：
第 1 天：情感分析
教程：
实践数据集：
第 2 天：文本生成
教程：
第 3 天：预训练词嵌入
教程：
第 4 天：使用 BERT 进行文本分类
教程：
第 5 天：文本翻译
教程：
第 6–7 天：模型部署
教程：
结构化机器学习项目
本周是深度学习专业课程中的第 3 课，你将学习如何构建深度学习项目，最佳的执行方法和实践，如何改进模型，如何进行错误分析等等。
你可以在 YouTube 播放列表中找到它，这里，如果你想要证书，可以在 Coursera 上找到，这里。
相关：