前锋
机器学习是一门涉及概率论、统计学、逼近论、凸分析、算法复杂性理论等学科的交叉学科，目前广泛应用于各个领域。不仅是行业内的人，很多行业外的人也在或多或少的尝试接触机器学习，以丰富自己的知识，提高自己的竞争力。但是对于初学者来说，选择一门真正适合自己的课程往往是一个很大的问题。
在本文中，我总结了四门热门的网络课程，从授课老师、课程内容、亮点、局限性、课程难度等方面进行了对比，并建议了基础知识，希望对大家有所帮助。
1.李宏毅-机器学习公开课
讲师
他目前是李宏毅台湾大学电子工程助理教授。他的研究重点是机器学习，尤其是深度学习领域。他的一系列机器学习课程的公开课视频，被很多机器学习领域的人作为入门教材。
李老师的课程干货满满，他的课程视频被很多人誉为最好的中文机器学习课程视频。李老师的授课风格趋于幽默，经常使用一些卡通人物来增加课程的趣味性。一些晦涩难懂的理论知识，在他的生动讲解下，往往会变得容易掌握。
课程内容
其实这个课程在内容上更倾向于深度学习领域，相对来说比较高级。不过，李宏毅自信地表示，这不会影响这门课程“机器学习导论”的属性，它仍然会被大多数人理解。你还是可以尝试把它作为机器学习的第一门课。
既然是入门课程，那么它的课程设置必然会相对容易上手。“从最基本的概念谈最前瞻的技术”是本课程的一大特色。它2021年的课程设置是这样的:
课程介绍
深度学习
自我关注
机器学习理论
变压器
生成模式
自我监督学习
解释人工智能/战斗攻击
领域自适应/强化学习
量子机器学习
终身压缩
元学习
引人注目的某人[某物]
李宏毅的课程有两大亮点:
1.结合卡通形象讲解理论知识，风格幽默生动。
2.适合初学者，有配套的作业题
3.使用Python作为编程语言对大多数初学者来说是友好的。
限制
这门课被很多人誉为机器学习领域最好的中文入门课，确实很难找出值得指出的不足。对于一些从未接触过机器学习的同学来说，可能很难独自完成作业。在网上找一些配套的答案或者编码思路也是很头疼的事情。
课程难度
这是一门适合初学者的入门课程，以深度学习为主。想了解一些深度学习的同学可以试着听一下。
基础知识
这门课需要提前掌握一些数学和编程的基础知识。
数学需要掌握:微积分、线性代数、概率论；
编程需要掌握:Python相关语法，suite。在课程中，你需要能够阅读和修改课堂上给出的一些样例代码，老师会默认你已经基本掌握了Python语法。
2.贪婪技术——人工智能和机器学习
讲师
贪吃科技是一家专注于AI教育的热门科技公司。其核心团队由国内外AI专家组成，并制作了多门AI领域的精品课程。本课程由贪婪科技团队的讲师和袁主讲。除了课程之外，还特别配备了多名助教，负责课后答疑和批改作业。
李文哲
曾任金融科技独角兽公司首席科学家，美国亚马逊高级工程师。负责聊天机器人、量化交易、适应性教育、金融知识图谱等项目，在AAAI、KDD、AISTATS等峰会上发表论文超过15篇，获得IAAI和IPDPS最佳论文奖。多次出席行业峰会并发表演讲。分别在南加州大学、TAMU和南开攻读博士、硕士和本科学位。我在荷兰访问期间，师从AI顶级学者Max Welling教授。
杰瑞·袁
他在人工智能、推荐系统、自然语言处理、数字图像和视频处理项目方面拥有14年的经验，主导了多个核心推荐系统的研发，是人工智能、分布式系统和云计算领域的专家。师从中科院王守爵院士，从事人脸识别研究，共同发表论文。在美国读博期间，主要研究了NASA支持的基于人工智能的空天气预报项目。他在人工智能相关的会议和杂志上发表了超过15篇论文。
课程内容
本课程主要面向在职人员和希望系统学习AI的学生。通过这个课程，他们可以为后续的转型做准备，或者利用这些学到的技术提高工作效率。课程中全面阐述了所有核心机器学习算法背后的技术细节和推导。除了每章之后的作业，课程中间还有几个训练章节，所以这门课比吴恩达等老师以理论为主的教学模式更倾向于理论与实战的结合。
每次练习作业，作为新手，难免会遇到很多解决不了的问题。相比公开课，助教的课后答疑和作业批改是贪吃科技课程的一大亮点。
本课程由17章组成，包括5个专题作业。所有的训练案例来自十几个不同的领域，如医学、生物学、社会科学等。，与现实生活非常相关。比如第一个项目作业“广告点击率预测”，就是设计一个算法来匹配平台用户和广告，从而达到匹配广告主和平台利益的目的。相比网上能找到的公开课，它的内容覆盖非常全面。从它的课程目录中我们可以看到:
人工智能基金会
线性回归
逻辑回归
模型概括
[项目任务]-广告点击率预测
朴素贝叶斯
[项目任务]-情绪分析项目
决策图表
随机森林
提升树
[项目任务]-信用卡欺诈的预测
k均值
主成分分析
[项目工作]-零售场景中的用户分层
神经网络
支持向量机
[项目任务]-手语识别
根据他们给出的学习计划，当你完成整个课程时，你将几乎达到初级算法工程师的技术标准，你可以深入了解每个机器学习算法的细节和整个推导过程，并通过大量的实际案例获得未来独立解决任何AI问题的能力。
引人注目的某人[某物]
本课程是针对初学者的商务课程，所以更注重满足用户的需求。我们来看看贪婪科技官网给出的这门课的卖点:
当然，如果想了解这门课程的质量，还是自己评价比较靠谱。经过我个人的测试，感觉这门课程有以下几个亮点让我眼前一亮:
1.覆盖面广，基础知识讲解透彻，对初学者非常友好。
2.实际操作多，案例范围广，可以及时巩固和运用所学的理论。
3.不需要自己下载软件，所有练习都可以在平台上在线完成。
4.有助教随时解答关于作业的问题。
其中“有助教”对我来说应该是这门课最大的优势。相比冷冰冰的网上自习课程，与助教的有效互动可以随时解决自己的问题，省去了很多查阅资料的精力，学习起来也很省心。
限制
相对于免费的公开课，这门课唯一的局限性可能就是它是一门付费课程。但这门课程堪比手把手教学的精心讲解，其作为商科课程的独特配套资源，会让人感叹付费的确有道理。对于没有接触过机器学习，有点钱的初学者来说，如果真的想更系统的了解机器学习，可以了解一下这门课程。
课程难度
本课程适合想向AI行业转型的初学者。不需要太多基础知识，课程中知识点讲解透彻。作为小白来说非常容易上手，在助教的问答帮助下，学起来也算是毫不费力。学完一整套课程，可以达到初级算法工程师的标准，技术上是可以胜任的。
基础知识
有高中以上数学基础，懂简单统计和线性代数；半年以上编程经验，包括但不限于Python。
3.吴恩达-机器学习|Coursera
讲师
吴恩达是斯坦福大学的教授，谷歌大脑和Coursera的创始人之一，首席科学家。他的研究重点是深度学习。
作为斯坦福大学的教授，Ng的讲课风格趋于严谨，能够深入挖掘知识点的细节。课程中用到的数学知识Ng一般都很耐心的讲解，对于数学不好的同学很友好。
课程内容
本课程重点讲解概念，理解算法，了解选择具体算法的原因和意义。课程相对独立。每种算法所需的所有数学知识也会在本课程中详细解释。其课程结构如下:
单变量线性回归
复习线性代数
多元线性回归
Octave/Matlab课程
逻辑回归
正规化
神经网络:表示
神经网络:学习
应用机器学习的建议
机器学习系统设计
支持向量机
降维
异常检测
推荐系统
大规模机器学习
示例:照片OCR
引人注目的某人[某物]
这门课的亮点是对数学基础不足的学生非常友好，有单独一章专门给学生补充数学知识。
限制
虽然本课程也是一门入门课程，有其独特的优势，但其局限性也不容忽视:
首先，本课程使用的开源编程语言是Octave，而不是目前流行的Python。其实Octave是学习机器学习基础知识最简单的方法，精力充沛的同学可以尝试接触一下。但是对于大多数人来说，这确实是一个不友好的点。
其次，这门课程是全英文授课，这对于英语基础很差的小白来说是致命的一击。当然，带中文字幕的版本也可以在网上找到，但建议通过原版视频学习这门课程的精髓。
课程难度
本课程适合数学基础较弱的初学者，但由于使用了八度音程语言，给大部分初学者增加了一个障碍。并且需要一定的英语基础。
基础知识
八度基本语法
基本英语
4.Jeremy-程序员机器学习入门
讲师
杰瑞米·霍华德，Kaggle前总裁兼首席科学家，Fast.ai创始研究员
相较于Ng“数学优先”的教学模式，Jeremy奉行“代码优先”的实用路线，因此其课程风格一般以实践训练为主。
课程内容
根据主页介绍，本课程主要包括两个模型:基于决策树的模型和基于梯度下降的模型。
由于本课程侧重于实际操作，没有过多阐述数学理论和一些概念，因此其课程设置相对于其他课程而言是独特的。具体课程安排如下:
随机森林简介
了解有关随机森林的更多信息。
性能、验证和模型简介
特征的重要性，数字解释器
推理和随机森林
数据产品
Cython和Random Forest
梯度下降和逻辑回归
正则化、学习率和NLP
NLP和柱状数据
插入
罗斯曼问题和道德问题
引人注目的某人[某物]
本课程有三大亮点:
1.课程清淡，一共十二节课，每节课两个小时左右。学得快的同学可以在24小时内实现从零开始引入机器学习。
2.使用的编程语言容易接受，是目前比较流行的Python语言。
3.课程偏重于实践。
限制
既然杰里米想走实用路线，那么这门课的局限性就显而易见了。对于基础比较差的同学来说，这门课入门有些困难，需要自己把所用的数学知识补上。再有就是这门课也是英文授课，英语不好的同学需要依靠网上不完善的翻译版本来接触这门课。
课程难度
虽然课程面向初学者，但由于缺乏基本数学概念的讲解和硬核的实践训练，部分学生可能会有一定的学习难度。而且是英语授课，所以个人觉得这门课可以作为其他课程的补充课，不适合直接入门。
基础知识
这门课程要求童鞋有一定的数学基础，尤其是线性代数、微积分、概率论；其次，你需要提前掌握Python的基本语法；最后，你需要有一定的英语基础。
摘要
对比以上四门网络热门课程，可以看出每门课程都有各自的优缺点。个人建议作为小白，可以从免费公开课入手，比如幽默老师李宏毅的公开课，通过他轻松的上课模式，让你初步了解什么是机器学习；那么如果你想系统的学习，建议选择专业团队下的付费业务课程，比如刚才说的比较流行的贪吃科技，会让你的学习事半功倍。
当然，一千个读者有一千个哈姆雷特。以上课程只是一些热门选择，仅供参考。但是记住，无论选择什么课程，坚持下去永远是最重要的！!!
最后祝同学们在AI世界玩得开心:)
