此系列由麻省理工学院、谷歌、斯坦福大学、fast.ai和Yandex数据学校提供，内容主要如下：
麻省理工学院
6.0002计算思维与数据科学
6.S191深度学习简介课程
斯坦福大学
CS229: Machine Learning课程
CS 124：从语言到信息课程
fast.ai
编码器机器学习简介课程
编码器实用深度学习课程
编码器的计算线性代数课程
谷歌
机器学习速成课程
Yandex数据学校
自然语言处理课程
实用强化学习课程
麻省理工学院
6.0002计算思维与数据科学课程
麻省理工学院的6.0002计算思维与数据科学课程是6.0001计算机科学和Python编程简介的延续，适用于编程经验很少或没有编程经验的学生。它旨在让学生了解计算在解决问题方面可以发挥的作用，并让学生相信他们能够编写小程序，使他们能够实现有用的目标。该课程使用Python 3.5编程语言。
课程网址：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-0002-introduction-to-computational-thinking-and-data-science-fall-2016/
6.S191深度学习简介课程
麻省理工学院的6.S191深度学习简介课程包括机器翻译、图像识别和游戏等应用。学生不仅会获得深度学习算法的基础知识，还会获得在TensorFlow中构建神经网络的实践经验。
课程介绍
课程网址：http://introtodeeplearning.com/
斯坦福大学
CS229: Machine Learning课程
斯坦福大学的CS229: Machine Learning课程提供机器学习和统计模式识别的广泛介绍。主题包括：监督学习（生成/判别学习、参数/非参数学习、神经网络、支持向量机）; 无监督学习（聚类、降维、核方法）; 学习理论（偏差/方差权衡、VC理论）; 强化学习和自适应控制。
该课程还将讨论机器学习的最新应用，例如机器人控制、数据挖掘、自主导航、生物信息学、语音识别以及文本和Web数据处理。
课程网址：http://cs229.stanford.edu/
CS 124：从语言到信息课程
斯坦福大学的CS 124：从语言到信息课程：介绍语义分析、语言模型和向量语义等自然语言处理的模型方法，以及问答系统和聊天机器人等应用。
课程网址：https://web.stanford.edu/class/cs124/#information
fast.ai
编码器机器学习简介课程
由Enlitic的创始人Jeremy Howard教授创办的编码器机器学习简介课程可以帮助你了解最重要的机器学习模型，并获取从头开始创建它们、数据准备、模型验证和构建数据产品的关键技能。
课程网址：https://course.fast.ai/ml
编码器实用深度学习课程
这个为期7周，大约有20个小时的编码器实用深度学习课程专为至少拥有一年编码经验的人而设计。你将学习到的内容，包含了获取在线GPU服务器 、搭建高度实用的计算机视觉模型、自然语言处理和推荐系统。
课程网址：https://course.fast.ai/
编码器的计算线性代数课程
编码器的计算线性代数课程的重点是：我们如何以可接受的速度和可接受的准确度进行矩阵计算？
该课程是2017年夏季旧金山大学的分析科学硕士课程，该课程使用Jupyter笔记本进行Python教学，使用Scikit-Learn和Numpy等大多数课程库，以及Numba和PyTorch。
课程网址：https://github.com/fastai/numerical-linear-algebra/blob/master/README.md
谷歌
机器学习速成课程
谷歌的机器学习速成课程包含一系列视频讲座课程、实际案例分析和实践练习。有25节课程和40多项练习，主要目的是通过速成课程学习并运用机器学习的基本概念，通过配套开展的 Kaggle 大赛获得实际体验。课程开始前，它会根据你选择的情况为你推荐课程，有趣的是，该视频讲座的配音是使用机器学习技术生成的。
课程网址：https://developers.google.com/machine-learning/crash-course/ml-intro
Yandex数据学校
自然语言处理课程
YSDA的自然语言处理课程包括了词向量、文本分类、语言模型、结构化学习、期望最大化、机器翻译、领域适应性、对话系统等方面的内容。
课程网址：https://github.com/yandexdataschool/nlp_course
实用强化学习课程
YSDA和HSE的实用强化学习课程的宣言是“优化好奇心，实用性第一”，课程包括了RL问题、MDP、Q-learning、SARSA、近似强化学习、循环神经网络回顾、策略梯度方法等方面的内容。
课程网址：https://github.com/yandexdataschool/Practical_RL
学术头条祝大家圣诞快乐🎄
联系客服
