机器学习是一门从数据中研究算法的多领域交叉学科，研究计算机如何模拟或实现人类的学习行为。现在，我们可以看到很多机器学习的实际应用，例如语音搜索技术、图像识别、自动翻译、自动驾驶汽车等。机器学习已经成为许多行业的焦点，对未来社会的发展具有重要的影响。

机器学习是许多人追求的很热门的学习和工作方向，但是机器学习的入门却并不容易。一方面，国内开设人工智能（AI）专业的高校不多，机器学习的高水平人才十分匮乏。另一方面，机器学习是一个循序渐进的过程，优质的学习资源和科学的学习路线缺一不可。

 目前，许多大佬的机器学习课程更偏理论、算法原理、数学推导等，学习难度大，有点晦涩难懂。有没有一个通俗易懂，方便小白入门学习的机器学习课程呢？

华盛顿大学的机器学习专项课程，通过案例分析的方式来介绍机器学习的应用。例如，通过预测房价的案例介绍机器学习的回归模型，贷款违约预测介绍机器学习的分类模型，相似文章推荐介绍机器学习的聚类和检索模型。你从深入浅出的讲解中就可以循序渐进地学习机器学习的知识和应用。

这个由四门课程组成的在线机器学习课程，由华盛顿大学亚马逊机器学习两位年轻的教授主讲。他们的课程在MOOC平台知名度很高，有超过45万人注册学习。该课程虽然是英文的，但有中文字幕，可以帮助你理解。你可以在MOOC平台免费注册学习。

 1. 机器学习基础：案例研究

这个课程将教你从一系列的实际案例研究中学习机器学习的实际经验。例如，如何预测房价，如何从用户评论分析客户情绪，如何推荐产品和搜索图像等。通过机器学习案例分析，你将可以识别机器学习在更多实际场景中的潜在应用。

课程为期6周，每周3-6小时。课程主要内容包括：（1）了解机器学习的力量；（2）第一个智能应用程序预测：预测房价；（3）创建模型，分析预测积极/消极情绪；（4）如何自动搜索文档以找到最相似的文档；（5）使用技术构建一个产品推荐系统；（6）深度学习：搜索图像。

2. 机器学习：回归模型预测房价

这门课程是一个机器学习预测房价的案例研究。你将学习用于预测和特征选择任务的正则化线性回归模型，输入房屋的特征（包括面积、卧室和浴室的数量等）来预测房价。使用回归模型，你还可以应用到其他场景，例如健康预测、股票价格和高性能计算中的电耗。

课程为期6周，每周3-5小时。课程主要内容包括：（1）回归是最重要和最广泛使用的机器学习和统计工具之一；（2）简单线性回归；（3）多元回归；（4）对预测性能的有效评估；（5）交叉验证和梯度下降来拟合岭回归模型，并选择正则化常数；（6）特征选择和套索；（7）部署算法来搜索最近的邻居，并根据所发现的邻居形成预测。

3. 机器学习：分类模型分析情绪和贷款违约预测

这门课程有两个机器学习案例分析，第一个是情绪分析，通过创建分类模型，从输入用户信息和评论等特征信息，来预测客户的积极/消极情绪。第二个案例是贷款违约预测，通过分类模型处理财务数据，预测银行贷款可能存在的风险。分类模型是机器学习中最广泛使用的领域之一，具有广泛的应用场景，包括广告定位、垃圾邮件检测、医疗诊断和图像分类等。

课程为期7周，每周2-5小时。课程主要内容包括：（1）在分类中使用的基本模型和算法；（2）线性分类器和逻辑回归；（3）编写第一个逻辑回归学习算法；（4）逻辑回归中的过拟合和正则化；（5）设计一个简单的递归贪婪算法从数据中学习决策树；（6）过各种可视化和调查，调查决策树遭受的过拟合问题；（7）处理丢失的数据；（8）AdaBoost增强算法；（9）使用分类器输出的概率来权衡精度和查全率；（10）可扩展到大型数据集的学习算法。

4. 机器学习：聚类和检索模型查找类似的文档

这门课程是一个机器学习查找类似文档的案例研究。你将学习基于相似性的检索算法，查找相似的文档。例如，读者对特定文章感兴趣，你也想找到类似的文章来推荐。如何判断相似性？如何处理数百万份文件？是否每次搜索包含新的文件？如何将类似的文档组合在一起？

课程为期6周，每周1-5小时。课程主要内容包括：（1）聚类和检索是最具影响力的机器学习工具；（2）最近邻搜索：数据表示和度量数据点对之间的相似度；（3）将数据集中的数据点分组为不相交的集；（4）混合模型；（5）通过LDA学习文档分析的混合成员建模并延续到其他模型和应用程序；（6）分层聚类的快速集群方法。

如果你想了解更多课程信息，请在评论区留言。