根据BCC 的研究，到 2026 年，机器学习市场将增长到 901 亿美元，五年内增长近 40%。 这表明公司如何越来越多地投资于 ML 解决方案，经常寻找熟练的专业人员来帮助他们创建定制化的软件。

鉴于数据，许多人想要更多地了解 AI 和 ML，进而培养成为机器学习工程师的必要技能也就不足为奇了。 如果这听起来像您，我们已经编制了您想要阅读的列表。

毕竟——那里有数百个在线 ML 和 AI 课程，但只有少数值得你关注。 本文贯穿了收视率最高的免费课程，帮助您在最佳基础上开始您的学习之旅。

让我们来有哪些你可以选择的免费的精彩课程。

1. 机器学习入门

作者：Aije Egwaikhide, Yasmine Hemmati

对于你们当中的初学者，IBM 的这门机器学习课程将满足您的需求。 更重要的是，您只需 7 小时即可掌握机器学习的基础知识，然后您可以继续学习更高级的课程。

讲师是数据科学家。 他们拼凑了一个包含“面向所有人的机器学习”、“机器学习主题”和“最终项目”的三个模块课程。

完成每个课程后，您将了解以下所有内容：

• 机器学习和数据科学的基础知识
• 机器学习模型的工作方式
• 有监督和无监督学习
• 机器学习工具和应用程序
• 分类
• 回归
• 评估机器学习模型
• 机器学习最佳实践

这些主题为您提供了开发强大的机器学习所需的一切技能。

2. 用于数据科学和分析的机器学习

作者：Ansaf Salleb-Aouissi、Cliff Stein、David Blei、Itsik Peer Associate、Mihalis Yannakakis、Peter Orbanz

如果您曾经梦想在哥伦比亚大学上课，但从未有机会，那么这门机器学习课程是最好的选择。它致力于数据科学家，相信我：它由哥伦比亚大学一些最有经验的讲师运营，包括计算机科学和统计学教授。

它将帮助您掌握机器学习及其各自算法的基础知识，包括线性回归以及有监督和无监督学习等。

您还将学习如何：

• 搜索数据中的模式并使用它们对现实世界的问题做出决策和预测
• 在大量文档中发现隐藏的主题
• 处理缺失的数据
• 创建适合不同业务的定制数据分析解决方案
• 进行数据预测

这只是初学者，不要害怕学术氛围。讲师非常擅长以易于理解的方式解释复杂的主题。

3.机器学习

作者：吴恩达（Andrew Ng）

每个对机器学习感兴趣的人都听说过吴恩达（Andrew Ng）：人工智能世界中最受尊敬的人之一。

在这里，我们将更多地关注他的课程，尤其是关于机器学习的课程（周围最受欢迎和评价最高的机器学习在线课程之一）。

完成后，您将了解所有关于机器学习、统计、神经网络和数据挖掘的知识。

该课程涵盖以下内容：

• 监督学习
• 无监督学习
• 机器学习的最佳实践

课程涵盖了几个案例研究，以帮助您了解如何在现实世界中应用您的新技能。

虽然课程是免费的，但您必须为最终证书付费。

4. 数据科学：机器学习

作者：Rafael Irizarry

您可能知道，机器学习用于数据科学，它是数据科学家最需要的 5 种技能之一（Python、其他编程语言（R、JavaScript、SQL、Java、Scala）、机器学习、概率与统计、商业知识）。

这就是为什么在进行任何数据科学工作之前了解机器学习的基础知识和不同的学习算法会有所帮助。 以下由哈佛大学生物统计学教授 Rafael Irizarry 开设的数据科学课程就是关于这一点的。

在这个有趣的课程中，您将学习：

• 机器学习的基础
• 如何执行交叉验证以避免过度训练
• 最流行的机器学习算法
• 如何构建推荐系统
• 什么是正则化，它为什么有用？
• 什么是数据分析？
• 如何训练数据以获得有价值的见解

课程本身是免费的。 然而，考试和证书要花 99 美元——但它来自哈佛，所以值得，对吧？

5. Python 机器学习：实用介绍

作者：Saeed Aghabozorgi 博士

据介绍，Python 是机器学习中最流行的编程语言。 这就是为什么你应该考虑学习如何在机器学习项目中应用它，而这门 Python 机器学习课程可以帮助你。

本课程的主要目标是向您展示如何在机器学习中使用 Python，这是最流行和最平易近人的编程语言之一。在 IBM 高级数据科学家 Saeed Aghabozorgi 博士的带领下，您将学习免费机器学习课程的以下五个模块：

1. 机器学习简介：机器学习应用程序、监督与无监督学习、适用于机器学习的Python 库
2. 回归：线性、非线性和模型评估方法
3. 分类：K-最近邻、决策树、逻辑回归、支持向量机和模型评估
4. 无监督学习：K-Means、分层和基于密度的聚类
5. 推荐系统：基于内容的推荐系统和协同过滤

完成后，您将了解两种主要类型的机器学习方法、各种机器学习算法之间的区别，以及统计建模与机器学习的关系（以及如何比较它们）。

此外，您将知道如何将理论知识转化为实践技能。

6.机器学习和人工智能

作者：谷歌的研究人员

我们知道你们中的一些人熟悉基础知识，所以让我们继续学习更高级的机器学习和人工智能课程。

第一个是针对数据科学家/机器学习工程师的，由八部分组成：

1. 大数据和机器学习基础
2. 在谷歌云中执行基础数据、机器学习和人工智能任务
3. 谷歌云上的机器学习
4. 在谷歌云上使用 TensorFlow 进行高级机器学习
5. MLOps基础
6. 谷歌云上的机器学习管道
7. 使用可解释的人工智能探索机器学习模型
8. 在 Vertex AI 上构建和部署机器学习解决方案

第二个专门针对联络中心工程师，提供仅由三个要素组成的较短课程：

1. 联络中心人工智能的客户体验
2. 与联络中心人工智能进行自动化交互
3. 使用 Dialogflow CX 创建对话式人工智能代理

完成每门课程后，您将能够通过探索 TensorFlow、Natural Language API、Cloud Vision 等方面的培训来实施最新的 机器学习 和 人工智能 解决方案。

如果您打算使用谷歌云，这些技能是必不可少的。

7. 用于人工智能、机器学习和深度学习的 TensorFlow 简介

作者：Laurence Moroney

TensorFlow 是一个开源框架，它为您提供了许多创建高级机器学习模型的机会。 如果您想使用它来构建可扩展模型并将其应用于实际问题，那么本课程是一个很好的起点。

在课程中，您将学习：

• 使用 TensorFlow 的最佳实践
• 如何构建初级神经网络
• 如何为计算机视觉应用训练神经网络
• 如何使用卷积来增强你的神经网络

这门免费的 TensorFlow 课程最适合中级学生（虽然您需要一些 Python 和高中数学经验，但不需要事先了解 机器学习 或 深度学习 知识）。

8.机器学习：分类

作者：Emily Fox, Carlos Guestrin

您是否曾经打开收件箱并问：“为什么有些邮件在这里，而其他邮件则以垃圾邮件告终？”

嗯，这就是机器学习驱动的分类算法的工作。 这些算法还为许多其他应用程序提供支持，在华盛顿大学的这门免费机器学习课程中，您将通过实际案例研究了解其中的大部分。

该课程涉及许多主题，包括：

• 分类介绍
• 线性分类器
• 逻辑回归（包括过度拟合和正则化）
• 决策树
• 处理缺失数据
• 精确召回
• 扩展到巨大的数据集

请注意：完成整个课程可能需要长达七个月的时间，因此您可能需要购买 Coursera 的高级帐户才能完成。

9. 强化学习的基础

作者：Matha White, Adam White

下一门课程是关于机器学习的一个子领域：强化学习。

这项技术出现在许多现实生活中的应用中，包括自动驾驶汽车、医疗保健、游戏和营销。

该领域足够广泛，每个人都能找到感兴趣的东西——而阿尔伯塔大学的课程由 4 个部分组成，其中包含动手编程作业和测验，可帮助您应用知识并解决真正的业务问题。

您将学习如何：

• 了解基本勘探技术和勘探/开发权衡
• 了解用于做出最佳决策的工具
• 实现动态规划

如果您熟悉概率和预测、线性代数和微积分基础知识以及 Python 3.0（并且您知道如何从伪代码实现算法），请尝试学习这门机器学习课程并巩固您的技能！

10. 在Vertex AI上使用TFX进行BERT情绪分析

作者：Tomasz Makowiak

最后但同样重要的是，高级机器学习工程师的资源： 在 Vertex AI 上使用 TFX进行 BERT 情绪分析。

本课程对将 TFX 应用于情感分析（一个经典且易于理解的机器学习问题）进行了全面的分步描述。它是由 DLabs.AI 数据科学家 Tomasz Makowiak 创建的。

完成后，您将知道如何：

• 使用现成组件 (BERT) 创建情绪分析机器学习模型
• 使用 TFX（Tensorflow 扩展）创建端到端 MLOps 管道，用于训练、评估和部署模型
• 将管道部署到谷歌云的Serverless Vertex AI 管道环境
• 预览所有重要的管道工件

本情绪分析课程对用于创建情绪分析模型、整个管道和帮助库代码库的所有关键概念和工具进行了易于理解的解释，可在您的项目中用作模板。

如果您正在寻找更多 ML 免费资源，这里有一些很棒的人工智能免费电子书。