Hace año y medio, dejé uno de los mejores programas de informática en Canadá. Comencé a crear mi propio programa de maestría en ciencia de datos utilizando recursos en línea. Me di cuenta de que podía aprender todo lo que necesitaba a través de edX, Coursera y Udacity. Y pude aprenderlo más rápido, de manera más eficiente y por una fracción del costo.
Ya casi he terminado. He tomado muchos cursos relacionados con la ciencia de datos y auditado partes de muchos más. Conozco las opciones que existen y las habilidades que se necesitan para los estudiantes que se preparan para un rol de analista de datos o científico de datos.Así que comencé a crear una guía basada en revisiones que recomienda los mejores cursos para cada tema dentro de la ciencia de datos.
Para la primera guía de la serie, recomendé algunas clases de codificación para el científico de datos principiante. Luego fueron estadísticas y clases de probabilidad. Luego, introducciones a la ciencia de datos. Además, visualización de datos.
Ahora en aprendizaje automático.
Para esta guía, pasé una docena de horas tratando de identificar todos los cursos de aprendizaje automático en línea ofrecidos a partir de mayo de 2017, extrayendo información clave de sus programas y reseñas y compilando sus calificaciones. Mi objetivo final era identificar los tres mejores cursos disponibles y presentárselos a continuación.
Para esta tarea, recurrí nada menos que a la comunidad de código abierto Class Central y su base de datos de miles de calificaciones y reseñas de cursos.
Desde 2011, el fundador de Class Central, Dhawal Shah, ha estado más atento a los cursos en línea que posiblemente cualquier otra persona en el mundo. Dhawal personalmente me ayudó a armar esta lista de recursos.
Cómo elegimos los cursos para considerar
Cada curso debe cumplir con tres criterios:
- Debe tener una cantidad significativa de contenido de aprendizaje automático. Idealmente, el aprendizaje automático es el tema principal.Tenga en cuenta que los cursos exclusivos de aprendizaje profundo están excluidos. Más sobre eso más tarde.
- Debe ser bajo demanda u ofrecerse cada pocos meses.
- Debe ser un curso interactivo en línea, por lo que no se permiten libros ni tutoriales de solo lectura . Aunque estas son formas viables de aprender, esta guía se centra en los cursos. También se excluyen los cursos que son estrictamente videos (es decir, sin exámenes, tareas, etc.).
Creemos que cubrimos todos los cursos notables que se ajustan a los criterios anteriores. Dado que aparentemente hay cientos de cursos en Udemy, elegimos considerar solo los más revisados y mejor calificados.
Sin embargo, siempre existe la posibilidad de que nos perdamos algo. Así que háganos saber en la sección de comentarios si dejamos un buen curso.
Cómo evaluamos los cursos
Compilamos calificaciones promedio y el número de revisiones de Class Central y otros sitios de revisión para calcular una calificación promedio ponderada para cada curso. Leímos reseñas de texto y usamos estos comentarios para complementar las calificaciones numéricas.
Hicimos juicios subjetivos del programa de estudios basados en tres factores:
- Explicación del flujo de trabajo de aprendizaje automático. ¿El curso describe los pasos necesarios para ejecutar un proyecto ML exitoso? Consulte la siguiente sección para conocer lo que implica un flujo de trabajo típico.
- Cobertura de técnicas y algoritmos de aprendizaje automático. ¿Se cubren una variedad de técnicas (por ejemplo, regresión, clasificación, agrupamiento, etc.) y algoritmos (por ejemplo, dentro de la clasificación: Bayes ingenuos, árboles de decisión, máquinas de vectores de apoyo, etc.) o solo unos pocos? Se da preferencia a los cursos que cubren más sin escatimar en detalles.
- Uso de herramientas comunes de ciencia de datos y aprendizaje automático. ¿El curso se imparte utilizando lenguajes de programación populares como Python, R y / o Scala? ¿Qué hay de las bibliotecas populares en esos idiomas? Estos no son necesarios, pero son útiles, por lo que se da una ligera preferencia a estos cursos.
¿Qué es el aprendizaje automático? ¿Qué es un flujo de trabajo?
Una definición popular se origina en Arthur Samuel en 1959: el aprendizaje automático es un subcampo de la informática que brinda a "las computadoras la capacidad de aprender sin estar programadas explícitamente". En la práctica, esto significa desarrollar programas de computadora que puedan hacer predicciones basadas en datos. Así como los humanos pueden aprender de la experiencia, también pueden hacerlo las computadoras, donde los datos = experiencia.
Un flujo de trabajo de aprendizaje automático es el proceso necesario para llevar a cabo un proyecto de aprendizaje automático. Aunque los proyectos individuales pueden diferir, la mayoría de los flujos de trabajo comparten varias tareas comunes: evaluación de problemas, exploración de datos, preprocesamiento de datos, entrenamiento / prueba / implementación de modelos, etc. A continuación, encontrará una visualización útil de estos pasos básicos:
El curso ideal presenta todo el proceso y proporciona ejemplos interactivos, asignaciones y / o cuestionarios donde los estudiantes pueden realizar cada tarea por sí mismos.
¿Estos cursos cubren el aprendizaje profundo?
En primer lugar, definamos el aprendizaje profundo. Aquí hay una descripción sucinta:
"El aprendizaje profundo es un subcampo del aprendizaje automático relacionado con algoritmos inspirados en la estructura y función del cerebro llamados redes neuronales artificiales". Jason Brownlee de Machine Learning MasteryComo era de esperar, partes de algunos de los cursos de aprendizaje automático contienen contenido de aprendizaje profundo. Sin embargo, elegí no incluir cursos exclusivos de aprendizaje profundo. Si está interesado específicamente en el aprendizaje profundo, lo cubrimos con el siguiente artículo:
Sumérjase en el aprendizaje profundo con 12 cursos gratuitos en línea
Cada día trae nuevos titulares sobre cómo el aprendizaje profundo está cambiando el mundo que nos rodea. Algunos ejemplos: medium.freecodecamp.com
Mis tres recomendaciones principales de esa lista serían:
- Aplicaciones creativas de aprendizaje profundo con TensorFlowpor Kadenze
- Redes neuronales para el aprendizaje automático de la Universidad de Toronto (impartido por Geoffrey Hinton) a través de Coursera
- Deep Learning AZ ™: redes neuronales artificiales prácticas
por Kirill Eremenko, Hadelin de Ponteves y el equipo de SuperDataScience a través de Udemy
Requisitos previos recomendados
Varios cursos enumerados a continuación les piden a los estudiantes que tengan experiencia previa en programación, cálculo, álgebra lineal y estadística. Estos requisitos previos son comprensibles dado que el aprendizaje automático es una disciplina avanzada.
¿Falta algunos temas? ¡Buenas noticias! Parte de esta experiencia se puede adquirir a través de nuestras recomendaciones en los dos primeros artículos (programación, estadísticas) de esta Guía profesional de ciencia de datos. Varios de los cursos mejor clasificados a continuación también brindan repaso de cálculo suave y álgebra lineal y destacan los aspectos más relevantes para el aprendizaje automático para aquellos menos familiarizados.
Nuestra elección para el mejor curso de aprendizaje automático es ...
- Aprendizaje automático (Universidad de Stanford a través de Coursera)
El aprendizaje automático de la Universidad de Stanford en Coursera es el claro ganador actual en términos de calificaciones, revisiones y ajuste del plan de estudios. Impartida por el famoso Andrew Ng, fundador de Google Brain y ex científico jefe de Baidu, esta fue la clase que provocó la fundación de Coursera. Tiene una calificación promedio ponderada de 4.7 estrellas sobre 422 reseñas.
Lanzado en 2011, cubre todos los aspectos del flujo de trabajo de aprendizaje automático. Aunque tiene un alcance menor que la clase Stanford original en la que se basa, aún logra cubrir una gran cantidad de técnicas y algoritmos. El cronograma estimado es de once semanas, con dos semanas dedicadas a las redes neuronales y el aprendizaje profundo. Hay opciones gratuitas y de pago disponibles.
Ng es un instructor dinámico pero amable con una experiencia palpable. Inspira confianza, especialmente cuando comparte consejos prácticos de implementación y advertencias sobre errores comunes. Se proporciona un repaso de álgebra lineal y Ng destaca los aspectos del cálculo más relevantes para el aprendizaje automático.
La evaluación es automática y se realiza mediante cuestionarios de opción múltiple que siguen a cada lección y asignaciones de programación. Las asignaciones (hay ocho de ellas) se pueden completar en MATLAB u Octave, que es una versión de código abierto de MATLAB. Ng explica su elección de idioma:
En el pasado, intenté enseñar aprendizaje automático utilizando una gran variedad de lenguajes de programación diferentes, incluidos C ++, Java, Python, NumPy y también Octave ... Y lo que he visto después de haber enseñado aprendizaje automático durante casi una década es que aprenderá mucho más rápido si utiliza Octave como entorno de programación.Aunque Python y R probablemente sean opciones más atractivas en 2017 con el aumento de la popularidad de esos lenguajes, los revisores señalan que eso no debería impedirle tomar el curso.
Algunos críticos destacados señalaron lo siguiente:
De gran renombre en el mundo MOOC, el curso de aprendizaje automático de Stanford es realmente la introducción definitiva a este tema. El curso cubre ampliamente todas las áreas principales del aprendizaje automático… El profesor Ng precede cada segmento con una discusión y ejemplos motivadores.Andrew Ng es un maestro talentoso y capaz de explicar temas complicados de una manera muy intuitiva y clara, incluidas las matemáticas detrás de todos los conceptos. Muy recomendable.
El único problema que veo con este curso es que pone el listón de expectativas muy alto para otros cursos.
Una nueva introducción a la Ivy League con un profesor brillante
- Aprendizaje automático (Universidad de Columbia a través de edX)
El aprendizaje automático de la Universidad de Columbia es una oferta relativamente nueva que forma parte de sus MicroMasters de inteligencia artificial en edX. Aunque es más nuevo y no tiene una gran cantidad de revisiones, las que tiene son excepcionalmente sólidas. El profesor John Paisley se destaca como brillante, claro e inteligente. Tiene una calificación promedio ponderada de 4.8 estrellas sobre 10 reseñas.
El curso también cubre todos los aspectos del flujo de trabajo de aprendizaje automático y más algoritmos que la oferta de Stanford anterior. Columbia es una introducción más avanzada, y los revisores señalan que los estudiantes deben sentirse cómodos con los requisitos previos recomendados (cálculo, álgebra lineal, estadística, probabilidad y codificación).
Cuestionarios (11), tareas de programación (4) y un examen final son los modos de evaluación. Los estudiantes pueden usar Python, Octave o MATLAB para completar las tareas. El cronograma total estimado del curso es de ocho a diez horas por semana durante doce semanas. Es gratis con un certificado verificado disponible para su compra.
A continuación se muestran algunas de las críticas brillantes mencionadas anteriormente:
Durante todos mis años de [ser] estudiante me he encontrado con profesores que no son brillantes, profesores que son brillantes pero que no saben cómo explicar las cosas con claridad y profesores que son brillantes y saben cómo explicar las cosas. claramente. El Dr. Paisley pertenece al tercer grupo.Este es un gran curso… El lenguaje del instructor es preciso y ese es, en mi opinión, uno de los puntos más fuertes del curso. Las conferencias son de alta calidad y las diapositivas también son geniales.
El Dr. Paisley y su supervisor son ... estudiantes de Michael Jordan, el padre del aprendizaje automático. [Dr. Paisley] es el mejor profesor de ML en Columbia debido a su capacidad para explicar las cosas con claridad. Hasta 240 estudiantes han seleccionado su curso este semestre, el mayor número entre todos los profesores [que enseñan] aprendizaje automático en Columbia.
Una introducción práctica en Python & R de expertos de la industria
- Machine Learning AZ ™: Python y R prácticos en ciencia de datos (Kirill Eremenko, Hadelin de Ponteves y el equipo de SuperDataScience a través de Udemy)
Machine Learning AZ ™ en Udemy es una oferta impresionantemente detallada que brinda instrucción tanto en Python como en R, lo cual es raro y no se puede decir de ninguno de los otros cursos principales. Tiene una calificación promedio ponderada de 4.5 estrellas sobre 8.119 reseñas, lo que lo convierte en el curso más revisado de los considerados.
Cubre todo el flujo de trabajo de aprendizaje automático y una cantidad casi ridícula (en el buen sentido) de algoritmos a través de 40,5 horas de video bajo demanda. El curso tiene un enfoque más aplicado y es más ligero en matemáticas que los dos cursos anteriores. Cada sección comienza con un video de "intuición" de Eremenko que resume la teoría subyacente del concepto que se enseña. de Ponteves luego recorre la implementación con videos separados para Python y R.
Como "bono", el curso incluye plantillas de código Python y R para que los estudiantes las descarguen y utilicen en sus propios proyectos. Hay cuestionarios y desafíos de tareas, aunque estos no son los puntos fuertes del curso.
Eremenko y el equipo de SuperDataScience son venerados por su capacidad para "simplificar lo complejo". Además, los requisitos previos enumerados son "solo algunas matemáticas de la escuela secundaria", por lo que este curso podría ser una mejor opción para aquellos que se sienten intimidados por las ofertas de Stanford y Columbia.
Algunos críticos destacados señalaron lo siguiente:
El curso está producido profesionalmente, la calidad del sonido es excelente y las explicaciones son claras y concisas ... Es un valor increíble para su inversión financiera y de tiempo.Fue espectacular poder seguir el curso en dos lenguajes de programación diferentes simultáneamente.
Kirill es uno de los mejores instructores absolutos de Udemy (si no de Internet) y recomiendo tomar cualquier clase que imparta. … ¡Este curso tiene un montón de contenido, como un montón!
La competencia
Nuestra selección número 1 tuvo una calificación promedio ponderada de 4.7 de 5 estrellas en 422 reseñas. Veamos las otras alternativas, ordenadas por calificación descendente. Un recordatorio de que los cursos exclusivos de aprendizaje profundo no se incluyen en esta guía; puede encontrarlos aquí.
The Analytics Edge (Instituto de Tecnología de Massachusetts / edX): más centrado en la analítica en general, aunque cubre varios temas de aprendizaje automático. Utiliza R. Narrativa fuerte que aprovecha ejemplos familiares del mundo real. Desafiante. Diez a quince horas por semana durante doce semanas. Gratis con un certificado verificado disponible para su compra. Tiene una calificación promedio ponderada de 4.9 estrellas sobre 214 reseñas.
Python for Data Science and Machine Learning Bootcamp (Jose Portilla / Udemy): tiene grandes cantidades de contenido de aprendizaje automático, pero cubre todo el proceso de ciencia de datos. Más de una introducción muy detallada a Python. Curso asombroso, aunque no ideal para el alcance de esta guía. 21,5 horas de video bajo demanda. El costo varía según los descuentos de Udemy, que son frecuentes. Tiene una calificación promedio ponderada de 4.6 estrellas sobre 3316 reseñas.
Bootcamp de ciencia de datos y aprendizaje automático con R (Jose Portilla / Udemy): Los comentarios del curso anterior de Portilla también se aplican aquí, a excepción de R. 17.5 horas de video bajo demanda. El costo varía según los descuentos de Udemy, que son frecuentes. Tiene una calificación promedio ponderada de 4.6 estrellas sobre 1317 reseñas.
Serie de aprendizaje automático (Lazy Programmer Inc./Udemy): Impartido por un científico de datos / ingeniero de big data / ingeniero de software de pila completa con un currículum impresionante, Lazy Programmer actualmente tiene una serie de 16 cursos centrados en el aprendizaje automático en Udemy. En total, los cursos tienen más de 5000 calificaciones y casi todos tienen 4.6 estrellas. Se proporciona un orden de cursos útil en la descripción de cada curso individual. Utiliza Python. El costo varía según los descuentos de Udemy, que son frecuentes.
Aprendizaje automático (Georgia Tech / Udacity): una compilación de lo que fueron tres cursos separados: Aprendizaje supervisado, no supervisado y por refuerzo. Parte de Nanodegree de ingeniero de aprendizaje automático de Udacity y de la maestría en línea de Georgia Tech (OMS). Vídeos pequeños, como es el estilo de Udacity. Profesores amigables. Cronograma estimado de cuatro meses. Gratis. Tiene una calificación promedio ponderada de 4.56 estrellas sobre 9 reseñas.
Implementación de análisis predictivo con Spark en Azure HDInsight (Microsoft / edX): presenta los conceptos básicos del aprendizaje automático y una variedad de algoritmos. Aprovecha varias herramientas compatibles con big data, incluidas Apache Spark, Scala y Hadoop. Utiliza Python y R. Cuatro horas por semana durante seis semanas. Gratis con un certificado verificado disponible para su compra. Tiene una calificación promedio ponderada de 4.5 estrellas sobre 6 reseñas.
Ciencia de datos y aprendizaje automático con Python: ¡manos a la obra! (Frank Kane / Udemy): Utiliza Python. Kane tiene nueve años de experiencia en Amazon e IMDb. Nueve horas de video bajo demanda. El costo varía según los descuentos de Udemy, que son frecuentes. Tiene una calificación promedio ponderada de 4.5 estrellas sobre 4139 reseñas.
Scala y Spark para Big Data y Machine Learning (Jose Portilla / Udemy): enfoque “Big data”, específicamente en implementación en Scala y Spark. Diez horas de video bajo demanda. El costo varía según los descuentos de Udemy, que son frecuentes. Tiene una calificación promedio ponderada de 4.5 estrellas sobre 607 reseñas.
Machine Learning Engineer Nanodegree (Udacity): el programa insignia de Machine Learning de Udacity, que cuenta con el mejor sistema de revisión de proyectos de su clase y apoyo profesional. El programa es una compilación de varios cursos individuales de Udacity, que son gratuitos. Co-creado por Kaggle. Cronograma estimado de seis meses. Actualmente cuesta $ 199 USD por mes con un reembolso de matrícula del 50% disponible para aquellos que se gradúen dentro de los 12 meses. Tiene una calificación promedio ponderada de 4.5 estrellas sobre 2 reseñas.
Aprendiendo de los datos (aprendizaje automático introductorio) (Instituto de Tecnología de California / edX): la inscripción está actualmente cerrada en edX, pero también está disponible a través de la plataforma independiente de CalTech (ver más abajo). Tiene una calificación promedio ponderada de 4.49 estrellas sobre 42 reseñas.
Aprender de los datos (aprendizaje automático introductorio) (Yaser Abu-Mostafa / Instituto de Tecnología de California): "Un curso de Caltech real, no una versión diluida". Las revisiones señalan que es excelente para comprender la teoría del aprendizaje automático. El profesor, Yaser Abu-Mostafa, es popular entre los estudiantes y también escribió el libro de texto en el que se basa este curso. Los videos son conferencias grabadas (con diapositivas de las conferencias imagen en imagen) subidas a YouTube. Las asignaciones de tareas son archivos .pdf. La experiencia del curso para estudiantes en línea no es tan pulida como las tres recomendaciones principales. Tiene una calificación promedio ponderada de 4.43 estrellas sobre 7 reseñas.
Minería de conjuntos de datos masivos (Universidad de Stanford): aprendizaje automático con un enfoque en "macrodatos". Introduce sistemas de archivos distribuidos modernos y MapReduce. Diez horas a la semana durante siete semanas. Gratis. Tiene una calificación promedio ponderada de 4.4 estrellas sobre 30 reseñas.
AWS Machine Learning: una guía completa con Python (Chandra Lingam / Udemy): un enfoque único en el aprendizaje automático basado en la nube y específicamente en los servicios web de Amazon. Utiliza Python. Nueve horas de video bajo demanda. El costo varía según los descuentos de Udemy, que son frecuentes. Tiene una calificación promedio ponderada de 4.4 estrellas sobre 62 reseñas.
Introducción al aprendizaje automático y la detección de rostros en Python (Holczer Balazs / Udemy): usa Python. Ocho horas de video bajo demanda. El costo varía según los descuentos de Udemy, que son frecuentes. Tiene una calificación promedio ponderada de 4.4 estrellas sobre 162 reseñas.
StatLearning: Aprendizaje estadístico (Universidad de Stanford): Basado en el excelente libro de texto, “Introducción al aprendizaje estadístico, con aplicaciones en R” y enseñado por los profesores que lo escribieron. Los revisores señalan que el MOOC no es tan bueno como el libro, citando ejercicios “delgados” y videos mediocres. Cinco horas a la semana durante nueve semanas. Gratis. Tiene una calificación promedio ponderada de 4.35 estrellas sobre 84 reseñas.
Especialización en aprendizaje automático (Universidad de Washington / Coursera): excelentes cursos, pero se cancelaron las dos últimas clases (incluido el proyecto final). Los revisores señalan que esta serie es más digerible (léase: más fácil para quienes no tienen una sólida formación técnica) que otros cursos de aprendizaje automático superiores (por ejemplo, Stanford o Caltech). Tenga en cuenta que la serie está incompleta con sistemas de recomendación, aprendizaje profundo y falta un resumen. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 4.31 estrellas sobre 80 reseñas.
De 0 a 1: aprendizaje automático, PNL y Python-Cut to the Chase (Loony Corn / Udemy): "Una versión realista, tímida pero segura de las técnicas de aprendizaje automático". Impartido por un equipo de cuatro personas con décadas de experiencia en la industria. Utiliza Python. El costo varía según los descuentos de Udemy, que son frecuentes. Tiene una calificación promedio ponderada de 4.2 estrellas sobre 494 reseñas.
Principios del aprendizaje automático (Microsoft / edX): utiliza el aprendizaje automático de R, Python y Microsoft Azure. Parte del Certificado del Programa Profesional de Microsoft en Ciencia de Datos. De tres a cuatro horas por semana durante seis semanas. Gratis con un certificado verificado disponible para su compra. Tiene una calificación promedio ponderada de 4.09 estrellas sobre 11 reseñas.
Big Data: Inferencia estadística y aprendizaje automático (Queensland University of Technology / FutureLearn): un curso breve y agradable de aprendizaje automático exploratorio con un enfoque en big data. Cubre algunas herramientas como R, H2O Flow y WEKA. Solo tres semanas de duración a las dos horas recomendadas por semana, pero un revisor señaló que seis horas por semana serían más apropiadas. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 4 estrellas sobre 4 reseñas.
Agrupación y ciencia de datos genómicos (Bioinformatics V) (Universidad de California, San Diego / Coursera): para aquellos interesados en la intersección de la informática y la biología y cómo representa una frontera importante en la ciencia moderna. Se centra en la agrupación y la reducción de dimensionalidad. Parte de la especialización en bioinformática de UCSD. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 4 estrellas sobre 3 reseñas.
Introducción al aprendizaje automático (Udacity): prioriza la amplitud de los temas y las herramientas prácticas (en Python) sobre la profundidad y la teoría. Los instructores, Sebastian Thrun y Katie Malone, hacen que esta clase sea tan divertida. Consiste en videos y cuestionarios del tamaño de un bocado seguidos de un mini-proyecto para cada lección. Actualmente forma parte del Data Analyst Nanodegree de Udacity. Cronograma estimado de diez semanas. Gratis. Tiene una calificación promedio ponderada de 3.95 estrellas sobre 19 reseñas.
Aprendizaje automático para el análisis de datos (Wesleyan University / Coursera): una breve introducción al aprendizaje automático y algunos algoritmos seleccionados. Cubre árboles de decisión, bosques aleatorios, regresión de lazo y agrupación de k-medias. Parte de la especialización en interpretación y análisis de datos de Wesleyan. Cronograma estimado de cuatro semanas. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 3.6 estrellas sobre 5 reseñas.
Programación con Python para ciencia de datos (Microsoft / edX): producido por Microsoft en asociación con Coding Dojo. Utiliza Python. Ocho horas a la semana durante seis semanas. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 3.46 estrellas sobre 37 reseñas.
Aprendizaje automático para el comercio (Georgia Tech / Udacity): se centra en la aplicación de enfoques probabilísticos de aprendizaje automático a las decisiones comerciales. Utiliza Python. Parte de Nanodegree de ingeniero de aprendizaje automático de Udacity y de la maestría en línea de Georgia Tech (OMS). Cronograma estimado de cuatro meses. Gratis. Tiene una calificación promedio ponderada de 3.29 estrellas sobre 14 reseñas.
Aprendizaje automático práctico (Universidad Johns Hopkins / Coursera): una breve introducción práctica a una serie de algoritmos de aprendizaje automático. Varias reseñas de una o dos estrellas que expresan una variedad de preocupaciones. Parte de la especialización en ciencia de datos de JHU. Cuatro a nueve horas por semana durante cuatro semanas. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 3.11 estrellas sobre 37 reseñas.
Aprendizaje automático para ciencia de datos y análisis (Universidad de Columbia / edX): presenta una amplia gama de temas de aprendizaje automático. Algunas críticas negativas apasionadas con inquietudes que incluyen opciones de contenido, falta de asignaciones de programación y presentación poco inspiradora. De siete a diez horas por semana durante cinco semanas. Gratis con un certificado verificado disponible para su compra. Tiene una calificación promedio ponderada de 2.74 estrellas sobre 36 reseñas.
Especialización en sistemas de recomendación (Universidad de Minnesota / Coursera): enfoque fuerte en un tipo específico de aprendizaje automático: sistemas de recomendación. Una especialización de cuatro cursos más un proyecto final, que es un estudio de caso. Enseñado con LensKit (un kit de herramientas de código abierto para sistemas de recomendación). Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 2 estrellas sobre 2 reseñas.
Aprendizaje automático con macrodatos (Universidad de California, San Diego / Coursera): críticas terribles que destacan una mala instrucción y evaluación. Algunos señalaron que les tomó pocas horas completar todo el curso. Parte de la especialización de Big Data de UCSD. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 1.86 estrellas sobre 14 reseñas.
Análisis predictivo práctico: modelos y métodos (Universidad de Washington / Coursera): una breve introducción a los conceptos básicos del aprendizaje automático. Un revisor señaló que faltaban pruebas y que las tareas no eran un desafío. Parte de la especialización en ciencia de datos a escala de la UW. Seis a ocho horas por semana durante cuatro semanas. Opciones gratuitas y de pago disponibles. Tiene una calificación promedio ponderada de 1.75 estrellas sobre 4 reseñas.
Los siguientes cursos tuvieron una o ninguna revisión en mayo de 2017.
Aprendizaje automático para músicos y artistas (Goldsmiths, Universidad de Londres / Kadenze): único. Los estudiantes aprenden algoritmos, herramientas de software y mejores prácticas de aprendizaje automático para dar sentido a los gestos humanos, el audio musical y otros datos en tiempo real. Siete sesiones de duración. Opciones de auditoría (gratis) y premium ($ 10 USD por mes) disponibles. Tiene una revisión de 5 estrellas.
Aprendizaje automático aplicado en Python (Universidad de Michigan / Coursera): Se imparte con Python y el kit de herramientas scikit learn. Parte de la ciencia de datos aplicada con especialización en Python. Programado para comenzar el 29 de mayo. Opciones gratuitas y de pago disponibles.
Aprendizaje automático aplicado (Microsoft / edX): Se imparte con varias herramientas, incluidas Python, R y Aprendizaje automático de Microsoft Azure (nota: Microsoft produce el curso). Incluye laboratorios prácticos para reforzar el contenido de la conferencia. De tres a cuatro horas por semana durante seis semanas. Gratis con un certificado verificado disponible para su compra.
Aprendizaje automático con Python (Big Data University): Impartido con Python. Dirigido a principiantes. Tiempo estimado de finalización de cuatro horas. Big Data University está afiliada a IBM. Gratis.
Aprendizaje automático con Apache SystemML (Big Data University): Se imparte con Apache SystemML, que es un lenguaje de estilo declarativo diseñado para el aprendizaje automático a gran escala. Tiempo estimado de finalización de ocho horas. Big Data University está afiliada a IBM. Gratis.
Aprendizaje automático para ciencia de datos (Universidad de California, San Diego / edX): no se lanza hasta enero de 2018. Los ejemplos de programación y las asignaciones están en Python, utilizando cuadernos de Jupyter. Ocho horas a la semana durante diez semanas. Gratis con un certificado verificado disponible para su compra.
Introducción al modelado analítico (Georgia Tech / edX): el curso anuncia R como su herramienta de programación principal. Cinco a diez horas por semana durante diez semanas. Gratis con un certificado verificado disponible para su compra.
Análisis predictivo: obtención de conocimientos a partir de Big Data (Universidad de Tecnología de Queensland / FutureLearn): breve descripción general de algunos algoritmos. Utiliza la plataforma Vertica Analytics de Hewlett Packard Enterprise como herramienta aplicada. Fecha de inicio por anunciar. Dos horas a la semana durante cuatro semanas. Gratis con un Certificado de Logro disponible para su compra.
Introducción al Machine Learning (Universitas Telefónica / Miríada X): Impartido en español. Una introducción al aprendizaje automático que cubre el aprendizaje supervisado y no supervisado. Un total de veinte horas estimadas durante cuatro semanas.
Paso de la ruta de aprendizaje automático (Dataquest): Impartido en Python utilizando la plataforma interactiva en el navegador de Dataquest. Múltiples proyectos guiados y un proyecto "plus" en el que construye su propio sistema de aprendizaje automático utilizando sus propios datos. Se requiere suscripción.
DataCamp ofrece los siguientes seis cursos. El estilo de enseñanza híbrido de DataCamp aprovecha la instrucción basada en texto y video con muchos ejemplos a través de un editor de código en el navegador. Se requiere una suscripción para tener acceso completo a cada curso.
Introducción al aprendizaje automático (DataCamp): cubre los algoritmos de clasificación, regresión y agrupación en clústeres. Utiliza R. Quince videos y 81 ejercicios con un tiempo estimado de seis horas.
Aprendizaje supervisado con scikit-learn (DataCamp): utiliza Python y scikit-learn. Cubre algoritmos de clasificación y regresión. Diecisiete videos y 54 ejercicios con un tiempo estimado de cuatro horas.
Aprendizaje no supervisado en R (DataCamp): proporciona una introducción básica a la agrupación y la reducción de dimensionalidad en R. Dieciséis videos y 49 ejercicios con un tiempo estimado de cuatro horas.
Caja de herramientas de aprendizaje automático (DataCamp): enseña las "grandes ideas" en el aprendizaje automático. Utiliza R. 24 videos y 88 ejercicios con un tiempo estimado de cuatro horas.
Aprendizaje automático con los expertos: presupuestos escolares (DataCamp): un estudio de caso de una competencia de aprendizaje automático en DrivenData. Implica la construcción de un modelo para clasificar automáticamente los elementos en el presupuesto de una escuela. El "Aprendizaje supervisado con scikit-learn" de DataCamp es un requisito previo. Quince videos y 51 ejercicios con un tiempo estimado de cuatro horas.
Aprendizaje no supervisado en Python (DataCamp): cubre una variedad de algoritmos de aprendizaje no supervisado que utilizan Python, scikit-learn y scipy. El curso termina con los estudiantes que construyen un sistema de recomendación para recomendar artistas musicales populares. Trece videos y 52 ejercicios con un tiempo estimado de cuatro horas.
Aprendizaje automático (Tom Mitchell / Carnegie Mellon University): curso introductorio de aprendizaje automático para graduados de Carnegie Mellon. Un requisito previo para su segundo curso de posgrado, "Aprendizaje automático estadístico". Conferencias universitarias grabadas con problemas de práctica, asignaciones de tareas y un examen parcial (todo con soluciones) publicado en línea. También existe una versión 2011 del curso. CMU es una de las mejores escuelas de posgrado para estudiar el aprendizaje automático y tiene un departamento completo dedicado al aprendizaje automático. Gratis.
Aprendizaje automático estadístico (Larry Wasserman / Carnegie Mellon University): probablemente el curso más avanzado de esta guía. Un seguimiento del curso de aprendizaje automático de Carnegie Mellon. Conferencias universitarias grabadas con problemas de práctica, asignaciones de tareas y un examen parcial (todo con soluciones) publicado en línea. Gratis.
Aprendizaje automático de pregrado (Nando de Freitas / Universidad de Columbia Británica): un curso de aprendizaje automático de pregrado. Las conferencias se filman y se colocan en YouTube con las diapositivas publicadas en el sitio web del curso. Las asignaciones del curso también se publican (aunque no hay soluciones). de Freitas es ahora profesor de tiempo completo en la Universidad de Oxford y recibe elogios por sus habilidades docentes en varios foros. Versión de posgrado disponible (ver más abajo).
Aprendizaje automático (Nando de Freitas / Universidad de Columbia Británica): un curso de aprendizaje automático para graduados. Los comentarios del curso de pregrado de De Freitas (arriba) también se aplican aquí.
Envolviendolo
Esta es la quinta de una serie de seis piezas que cubre los mejores cursos en línea para iniciarse en el campo de la ciencia de datos. Cubrimos programación en el primer artículo, estadísticas y probabilidad en el segundo artículo, intros a la ciencia de datos en el tercer artículo y visualización de datos en el cuarto.
Clasifiqué todos los cursos de Introducción a la ciencia de datos en Internet, según miles de puntos de datos
Hace un año, dejé uno de los mejores programas de ciencias de la computación en Canadá. Empecé a crear mis propios datos ...
La pieza final será un resumen de esos artículos, además de los mejores cursos en línea para otros temas clave como la lucha de datos, bases de datos e incluso ingeniería de software.
Si está buscando una lista completa de cursos en línea de Data Science, puede encontrarlos en la página de materias de Data Science y Big Data de Class Central.
Si disfrutó leyendo esto, vea algunas de las otras piezas de Class Central:
Aquí hay 250 cursos de la Ivy League que puede tomar en línea ahora mismo de forma gratuita
250 MOOC de Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton y Yale.
Los 50 mejores cursos universitarios online gratuitos según datos
Cuando lancé Class Central en noviembre de 2011, había alrededor de 18 cursos en línea gratuitos, y casi todos ...
Si tiene sugerencias de cursos que me perdí, ¡hágamelo saber en las respuestas!
Si le resultó útil, haga clic en? para que más gente lo vea aquí en Medium.
Esta es una versión condensada de mi artículo original publicado en Class Central, donde he incluido planes de estudios detallados del curso.