16个新手必看的机器学习视频教程

我们很多人都没有注意到，其实 YouTube 上面有大量免费的机器学习的指导课程。你无须再等待 MOOC 课程的更新了，可以在 YouTube 上面找到你想要的。去年，我们在 Top YouTube Videos 里面推荐了大量神经网络、深度学习和机器学习方面的优秀视频，但是很多视频已经有些过时了，所以这里我们需要更新一下视频推荐。

（备注：请自备梯子科学上网观看）

本文可以帮助你发现新的工具、技术、方法等。你要牢记这句话：对新知识的学习要像生命对于活水的需求一样迫切，永远不要停下追赶新知识、新观点的脚步。

有些读者会问：这些教程对我有用吗？

这取决于你是否对该领域感到好奇，是否想要学习一些新的知识，提高你的实践技巧。

我将这些视频分成4个部分，我可以保证每个读者都能从中学习到一些新知识。但是 Python 用户可能需要学习更多。你会从这些全套课程、专题讨论会和简短的演讲中发现机器学习技术在生活中的使用越来越多了。同时，你也会从课程中学习 Google、Pinterest和TaxiGrab是如何用机器学习来解决现实问题的。

如果你打算观看这些视频，最好做一个日程表，不要一天就看完它。因为你的目的不为了看完视频，而是真正明白视频的教学内容，这是需要花费一些时间的。我在每个视频下面提供了一个简短的总结，能够帮助你决定是否观看此视频。

内容目录：

1、机器学习新手入门

·如何成为一个数据科学家

·每个程序员都应掌握的重要数据处理技巧

·数据科学大赛的新手指南

·机器学习指南

2、最新的机器学习课程

·统计学机器学习

·滑铁卢大学机器学习课程

·基于 Python 的机器学习实践

·Geoff Hinton 的神经网络课程

3、其他有用的讲座

·失衡数据集下的机器学习

·Scikit—learn教程

·前沿技术——深度学习

·Pandas 新手教程

·基于 Python 语言的预测模型

4、企业机器学习案例

·谷歌

·Pinterest

·Grabtaxi

1、机器学习新手入门

如何在6个月内成为一个数据科学家

视频时长：56分24秒

视频链接：https://youtu.be/rIofV14c0tc

内容简介：视频中，Tetiana Ivanova 分享了她六个月成为数据科学家的真实过程。她是因为参加了编程马拉松活动而开始学习机器学习技术。如果你正在思考到底应该读一个数据分析研究生还是选择自学，你应该观看本视频。Tetiana 分享了她提升工作水平的真实经历，展示了高等教育中的困难和真相。

每个程序员都应掌握的重要数据处理技巧

视频时长：3小时23分19秒

视频链接：https://youtu.be/rudYHNAGbdk

内容简介：数据科学家有一些数据挖掘的工具，其中可视化建模是必备的吗？Andy 在视频中介绍了在 Python 中每个工程师都应该掌握的重要工具。这些工具不仅简单易学，而且可以使你的编程结果得到提升。该视频是 Python 初学者必看视频。另外，他展示了使用这些工具产生不同结果的方法。你应该按照说明下载这些工具并在观看视频时同步练习。

数据科学大赛的新手指南

视频时长：1小时43分8秒

视频链接：https://youtu.be/ys2usamKyus

内容简介：我敢保证，每个人都问过自己一个问题：“作为新手，我什么时候可以赢得数据大赛？”其实有一些指导和实践练习的话，赢得世界级比赛不是没可能的。该教程可以训练你使用有效的机器学习方法来解决 Kaggle 比赛中的问题。视频中使用的工具有：IPython notebook、SCIkit-learn、Pandas、NLTK。你将会学习到比赛的过程和建模、特征选择、优化问题和验证方法。

机器学习指南

视频时长：未知

视频链接：https://youtu.be/Gj0iyo265bc?list=PLOU2XLYxmsIIuiBfYad6rFYQU_jL2ryal

内容简介：这个谷歌今年发布的7篇机器学习指南视频是我见过的最易学的机器学习技术介绍。这些简短的教程（每个都在10分钟左右）涵盖了机器学习的重点部分：特征提取、决策树可视化、分类模型、TensorFlow（第二代深度学习系统）等等。虽然使用的语言是 Python，但是概念性的知识与使用的工具无关。我觉得这些视频在吃饭的时候观看也是个不错的选择。

2、最新的机器学习课程

统计学机器学习

视频链接：https://youtu.be/zcMnu-3wkWo?list=PLTB9VQq8WiaCBK2XrtYn5t9uuPdsNm7YE

内容简介：本课程是卡耐基梅隆大学2016年春季课程。正如课程名称所示，课程主题包括回归、聚类、boosting算法、图模型、最小化理论等等。本课程适合有一定统计学和概率论基础的同学学习。该课程是一个核心数学课程。因此，你需要有对数学公式的适应性。另外，课程中还有一些作业能帮助你理解概念。

滑铁卢大学的机器学习课程

视频链接：https://youtu.be/b5NlRg8SjZg?list=PLFze15KrfxbH8SE4FgOHpMSY1h5HiRLMm

内容简介：来自滑铁卢大学的机器学习详细课程可以指导你学习从最基础到最前沿的机器学习知识。这是一个概念型课程，主要教授机器学习算法的相关数学知识。该课程由几位教授联合教学，其中包括《了解机器学习》书作者 Shai Ben David。本课程主题包括线性回归、贝叶斯定理、决策树、聚类分析、神经网络、集成算法、隐含马尔可夫模型等等。视频最开始的8分钟是课程简介，可直接跳过。

基于 Python 的机器学习实践

视频链接：https://youtu.be/OGxgnH8y2NM?list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v

内容简介：Python 语言在机器学习领域得到广泛认可。通过其庞大的资料库和活跃的用户社区，学生们可以自学 Python 语言。如果你使用 Python 语言编程，本课程可以提高你在 Python 语言下的机器学习实践能力。如果你顺着我的课程顺序学习，在前面的课程中学习过理论概念后，你将在该课程中学习如何应用理论。这57个视频课程包含了所有机器学习算法的重点内容。

机器学习的神经网络课程

视频链接：https://youtu.be/cbeTc-Urqak?list=PLoRl3Ht4JOcdU872GhiYWf6jwrk_SNhz9

内容简介：深度学习是人工智能的一个子领域，在众多科学家的努力下，该领域取得了巨大的进步，其中最具盛名的就是 Geoffery Hinton。跟大师学习本身就是一种幸事，不是吗？这个神经网络课程就是大师在多伦多大学教授的。课程设计从神经网络的最基础内容逐渐上升到前沿问题。课程包括感知器、反向传播、卷积神经网络、循环神经网络、梯度下降等等细节内容。这绝对是深度学习、机器学习爱好者们不可错过的一个学习视频。

3、其他有用的讲座

失衡数据集下的机器学习

视频时长：27分44秒

视频链接：https://youtu.be/X9MZtvvQDR4

内容简介：在数据向某一方向发生偏态分布时，分类算法的效果会变得很差。这个问题在现实生活中解决反欺诈、癌症检测和医学诊断时非常重要。解决问题的方法有很多，比如重采样、一分类学习、代价敏感性学习等。本课程将向你介绍解决反欺诈中失衡数据的不同处理方法。讲座人Natalie 还分享了一些自己在处理大量失衡问题时得到的实践经验。

使用Scikit—learn进行机器学习教程

视频时长：3小时3分54秒

视频链接：https://youtu.be/OB1reY6IX-o

内容简介：这个3小时的教学视频触及到了广泛的机器学习算法。演讲者 Sebastian Raschka（《Python语言下的机器学习》书作者）使用美观的交互图形来解释复杂的概念问题。我们的大脑对视觉信息的接受能力要好于对文字和声音的。这个专题研讨会是在2016年的SCIPython 大会上进行的。演讲者用真实世界的例子讲解了有监督和无监督式的机器学习。

前沿技术——深度学习

视频时长：1小时30分32秒

视频链接：https://youtu.be/DlNR1MrK4qE

内容简介：在过去的5年里，图像分类、图像分割和目标搜寻领域在深度学习的技术下取得了巨大的进步。本教程将带领你学习前沿的深度学习概念，重点关注利用 Theano 和 Lasagne进行的计算机视觉和图像处理。同时，演讲者也讨论了一些重要的技巧，比如缺乏训练数据的问题等等。注意：对本视频中概念的学习需要几何、代数和机器学习的基本知识。

Pandas 新手入门教程

视频时长：1小时47分48秒

视频链接：https://youtu.be/LmiAThGNAB4

内容简介：在所有的 Python 库中，Pandas 是数据操控任务的最佳选择。因为其智能的嵌入式功能，总结和操控数据的复杂任务变得非常简单。本视频非常适合想要学习 Python 语言的新手。导师在视频中展示了数据选择、分类、聚集、plot函数等任务的处理。如果要更好地理解视频内容，还需要进行同步练习。

基于 Python 语言的预测模型

视频时长：58分28秒

视频链接：https://youtu.be/Ll6qWDbRTD0

内容简介：Scikit—learn 库的创始人之一的 Oliver Grisel 在该视频讨论了高性能的预测模型的建立。在 Python 中，如何处理大规模的数据集？本视频为你提供了这个问题的答案。同时，他也在视频中介绍了一些基于 Python 语言的加速预测模型处理速度的有趣工具。另外，你还能学到一些数据后台的故事和一些关于数据存储和分布类型的问题。

4、企业机器学习案例

机器学习：谷歌视角

视频时长：44分44秒

视频链接：https://youtu.be/Rnm83GqgqPE

内容简介：谷歌是如何使用机器学习技术的？大家都在谈论这个问题，却没有人能像视频中这个人一样说得清楚。该视频讲解了谷歌对机器学习和人工智能的使用以及机器学习是如何精简谷歌最终产品的过程。谷歌在其所有产品中都部署了实用的人工智能，使最终用户更加贴近技术。从该视频中，我们可以了解到谷歌在机器学习上的突破和其机器学习项目的新进展。

Pinterest 的机器学习

视频时长：23分54秒

视频链接：https://youtu.be/mN6MrzL1i78

内容简介：视频中，Pinterest 的首席科学家 Jure Leskovec 解释了Pinterest 是如何使用机器学习的。了解机器学习是如何转变网络商业模式的过程是非常有趣的。视频中， Jure 解释了Pinterest 如何使用机器学习来进行不同分类，从而可以影响新用户的使用体验、兴趣推荐、内容分类、用户行为预测、贴图排名和可视化特征等方面。Jure 也分享了他们的工作视角和他们学习的课程内容。我认为通过该视频来了解机器学习是如何改变我们日常生活是非常有趣的。

GrabTaxi 的机器学习

视频时长：11分24秒

视频链接：https://youtu.be/XGyEVWTpJ20

内容简介：从我个人角度来说，我很惊讶于看到机器学习可以从不同程度上解决商业问题。一个典型的例子就是 GrabTaxi 使用机器学习技术来解决出租车可用性问题。为了解决这个问题， GrabTaxi 使用了一个司机竞争乘客的机制，最快的竞买者将竞争到这个乘客。看完这个视频，你将会明白他们是如何利用机器学习来构建一个司机竞买可能性预测模型并且利用现实信息来解决这一问题的。

最后的嘱咐：

这些教程意在帮助你熟悉机器学习领域的最新知识。其中大部分视频都在一个小时以上，所以你最好为观看这些视频做一个时间表。因为网络上相关的信息实在太多，所以你应该找到其中的精华并坚持学习。

via Analytics Vidhya

雷峰网原创文章，未经授权禁止转载。详情见。