圍繞人工智能(AI)、自動化和認知系統(tǒng)的原則和實踐中，無論您的業(yè)務領域、專業(yè)知識或?qū)I(yè)如何，都有可能變得越來越有價值。

幸運的是，今天的你不需要花費幾年時間在大學學習，才能熟悉這個看起來非常復雜的技術。近年來，越來越多的在線課程涌現(xiàn)出來，涵蓋從基礎到高級實施的所有內(nèi)容。

有些是針對想要直接編碼他們自己的人工神經(jīng)網(wǎng)絡的人，并且可以理解為這類人群具有一定的技術能力。對于那些想要了解如何將這項技術應用于任何人的人，無論其是否具備先前的技術專業(yè)知識，都可以用于解決實際問題。

[[227686]]

在這篇文章中，將簡要介紹一些今天可用的***的免費軟件。

1. 通過Google AI學習

https://ai.google/education/#?modal_active=none

這個新推出的資源是Google計劃擴大公眾對AI的理解的一部分內(nèi)容。材料正在慢慢添加，目前它已經(jīng)包含了一個機器學習與TensorFlow(谷歌的機器學習庫)速成課程。

本課程涵蓋了機器學習的基本介紹，包括TensorFlow入門、神經(jīng)網(wǎng)絡的設計和訓練。

它的設計目標是讓那些沒有機器學習知識的人可以在一開始就進入正題，那些有經(jīng)驗的人可以選擇感興趣的模塊，而機器學習專家則可以用它作為TensorFlow的入門介紹。

2. Google - 機器學習

https://www.class-central.com/course/udacity-deep-learning-5681

這是來自Google通過Udacity提供的更深度的課程。因此，它并不完全針對新手，至少是假設你具有以前的機器學習經(jīng)驗到熟悉監(jiān)督式學習的范圍。

它側(cè)重于深度學習，并設計了可從大型復雜數(shù)據(jù)集中學習的自學系統(tǒng)。

本課程面向那些希望將機器學習、神經(jīng)網(wǎng)絡技術用作數(shù)據(jù)分析師、數(shù)據(jù)科學家或機器學習工程師以及想要利用大量開源庫和材料的企業(yè)家的人。

3. 斯坦福大學 - 機器學習

https://www.coursera.org/learn/machine-learning

本課程通過Coursera提供，由Google深度學習研究部門的創(chuàng)始人、Google Brain和百度AI負責人吳恩達教授創(chuàng)設。

整個課程有可以免費學習的部分，也可以選擇支付認證費用，如果您打算使用您對AI的理解來提高您的職業(yè)前景，那么這項選擇是很有用的。

該課程涵蓋了從語音識別和增強網(wǎng)頁搜索的實際機器學習實施范圍，同時涉及統(tǒng)計學主題的深入討論，例如線性回歸、神經(jīng)網(wǎng)絡的反向傳播方法以及Matlab教程——一個最廣泛使用的編程語言的概率AI工具。

4. 哥倫比亞大學 - 機器學習

https://ai.google/education/#?modal_active=none

本課程也可以免費在線使用，如果需要，還可以選擇支付認證費用。

它承諾教授模型、方法和應用程序來解決實際問題，也能使用概率和非概率方法以及監(jiān)督和無監(jiān)督學習。

為了充分利用課程，您應該每周花費大約8到10個小時的時間在材料和練習上，超過12周的時間。這是免費的常春藤聯(lián)盟級教育，所以它不會是輕而易舉就可以完成的。

它是通過非營利edX在線課程提供商提供的，它構成了人工智能納米學的一部分。

5. Nvidia - 計算機視覺深度學習基礎

https://www.class-central.com/course/fundamentals-of-deep-learning-for-computer-vision-10730

計算機視覺是建立計算機的AI子學科，它可以像我們的大腦那樣通過處理視覺信息來“看到”。

除了技術基礎外，它還涵蓋了如何識別能夠受益于能夠進行物體識別和圖像分類的機器的情況或問題。

作為圖形處理單元(GPU)的制造商，Nvidia毫不意外地涵蓋了這些高性能圖形引擎的重要組成部分，以前主要是為了展示***圖像，現(xiàn)在它已經(jīng)在計算機視覺應用的廣泛應用中發(fā)揮作用。

***的評估包括建立和部署一個神經(jīng)網(wǎng)絡應用程序，雖然整個課程可以按自己的步調(diào)進行研究，但建議您至少花費大約八個小時的時間。

6. 麻省理工學院 - 自駕車的深度學習

https://selfdrivingcars.mit.edu/

與上面的課程一樣，麻省理工學院采取的方法是將人工智能的一個主要的現(xiàn)實方面作為出發(fā)點來探索所涉及的具體技術。

普遍預期會成為我們?nèi)粘Ｉ畹囊徊糠郑揽咳斯ぶ悄軄砀兄械臄?shù)據(jù)，這些數(shù)據(jù)會撞擊車輛的傳感器陣列，并安全地行駛在道路上。這涉及教學機器來解釋來自這些傳感器的數(shù)據(jù)，就像我們自己的大腦解讀來自我們的眼睛、耳朵和觸覺的信號。

它涵蓋了MIT DeepTraffic模擬器的使用，該模擬器要求學生教導模擬汽車盡可能快地沿著繁忙的道路行駛，而不與其他道路使用者發(fā)生碰撞。