对于很多想入门机器学习但不能加入对应教育体系的人而言，公开课是一个从入门到精通的捷径。如今在线课程五花八门，水平也参差不齐，本文不是为你介绍公开课，而是从数以千计的课程当中，精选那些最值得你学习的。
吴恩达「机器学习」公开课
吴恩达的机器学习公开课是机器学习入门的首选课程，语言直白，课程强度适中，对机器学习的常用算法做了初步介绍。 这门课程的重点是对概念的讲解，理解算法，并理解选用特定算法的原因和意义。授课中列举了大量实例，非常易于理解。这个课程中也有对人工智能数学基础的介绍，虽然没有进行严密的证明，但已经足够初学者使用，编程方面也比较易懂，因此这门课程对不擅长线性代数，概率论和编程的同学也比较友好。
当然，这门课程因为涵盖范围比较广，涉及深度不够，作为了解人工智能的入门课程是上佳之选，但不适合深度探索。
这门课程有中英双语字幕，在 Coursera 和网易云课堂上都有免费课程。
网址：https://www.coursera.org/learn/machine-learning
「线性代数的本质」 - 系列合集
「线性代数的本质」是一门通过可视化表达帮助你理解线性代数的课程。当我们想要深入研究人工智能时，应当先花一定时间研究线性代数和概率论，否则当你研究深入到一定程度，终归也是要回过头来学数学。
这门课程的好处就在于加深你对线性代数的理解。在我们学习人工智能时，对线性代数的大部分知识点往往停留在对其计算和物理意义的理解。缺乏从几何意义到物理意义理解上的转化，就不能把机器学习学得透彻，这门课程的作用就在于此。
这个合集的不足之处是涉及到的线性代数知识点还是不能涵盖机器学习的范围。
网址：https://www.bilibili.com/video/av6731067（B 站上有非常好的中文翻译）
MIT 线性代数课程
当你理解了线性代数的图像表达，再学习这套课程，线性代数的基础知识就能掌握的比较牢固。这套课程的好处在于覆盖全面和论证严密，同时能串联线性代数的几何意义和物理意义。Gilbert Strang 教授的授课十分精彩。这套课程有固定的网站，每周的作业，解答和期中期末习题都可以查阅，配套资源非常丰富，帮助你补充必要的练习。
网址：https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/video-lectures/
概率论：基本概念和离散型随机变量 - 普渡大学
这门课程是专门为谋求数据科学相关职位的人所设计的。其涵盖了数学概率论的基本要素。你将会学习到概率论、随机变量、分布、贝叶斯定理，概率质量函数，CDFs、联合分布律和期望值等基本概念。
当你学会了基础知识后，这门课程还会带你研究更加深入的概念，如伯努力和二项式分布、几何分布、负二项式分布、泊松分布、和离散均匀分布等等。对于学习机器学习，是一个很好的概率论入门课程。
课程在 Edx 上，目前只有英文音频和字幕。
网址：https://www.edx.org/course/probability-basic-concepts-discrete-random-variables
Mining Massive Datasets - 斯坦福大学
这门课程是悉尼大学机器学习课程推荐的配套书籍所对应的课程，由斯坦福大学对外免费开放，非常适合在对机器学习有基本理解的基础上进行下一步学习。这套课程也涉猎广泛，包括云计算常用的 MapReduce（对机器学习工程师来说云计算是基本技能），谷歌搜索的 PageRank 算法，推荐算法，降维，机器学习算法等。既能拓宽在人工智能领域的眼界，同时加深学习深度。
虽然老师的语速较快（口音也有点问题），不过字幕给的很良心，甚至可以下载。
网址：https://lagunita.stanford.edu/courses/course-v1:ComputerScience MMDS SelfPaced/about
Geoffrey Hinton 深度学习课程
这是深度学习必修课程，讲师 Geoffrey Hinton 是该领域的一代宗师。这门课程聚焦于神经网络和深度学习，是深入了解该领域最好的课程之一。你会学习人工神经网络以及它们在机器学习方面的应用，比如语音识别、物体识别，图像分割，自然语言处理、人体运动等等。
它要求微积分基础，Python 基础，涉及大量专有名词，适合进阶学习的学生。
网址：https://www.coursera.org/learn/neural-networks
（国内网站上可以搜索到含中文字幕的资源）
Applied Machine Learning in Python - 密歇根大学
这是一门实践课程，介绍机器学习的技术和方法，如何使用 Scikit，有监督学习和无监督学习等。对于数据分析师的求职有很大帮助。通过这门课程，你可以区分不同的机器学习问题，了解什么样的模型更适合指定问题，并学会如何用 Python 进行实践。
网址：https://www.coursera.org/learn/python-machine-learning
更多资源优质的机器学习课程当然远不止这 7 门，寻找优质的资源只是学习的第一步。规划自己的学习步骤并进行大量练习才是获取职场优势的关键。这些顶尖大学的优质公开课相信会对你的求职有所帮助。
,
