今天是2020年的第一天，首先祝所有的粉丝元旦快乐。谢谢你们，在过去一年中持续关注我们生信菜鸟团的公众号。新的一年，当然要立下新的flag。机器学习在全世界各个领域都变得越来越重要，对于我们做生物信息学的也是如此，日后机器学习定当会被运用到基因组学，表型组学等领域中。为了赶上时代进步，我其中的一个小小的目标就是，要开始学习一些机器学习的相关知识。工欲善其事，必先利其器，在这里我整理了一些免费的机器学习资源，以供有相同需求的，志同道合的小伙伴一起学习。
No1:斯坦福大学的"概率和统计学"
https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics
这门课程可以按照自定义进度进行学习。课程涵盖了概率和统计学的基本概念，并涵盖了机器学习的四个基本方面：探索性数据分析，生成数据，概率和推理。非常值得大家入门学习机器学习。
No2:麻省理工学院的线性代数
https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/
这是一门讲线性代数最好的的课程，由传奇教授Gilbert Strang讲解，是一门被誉为能改变你一生的课程。
No3: 斯坦福大学的用于视觉识别的卷积神经网络-CS231N
视频讲座:https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq
课程笔记:https://cs231n.github.io/
无论你是否喜欢计算机可视化，这门课程都会帮助你成为更好的机器学习研究人员/从业人员。CS231N在理论与实践之间取得平衡。讲义写得很好，带有可视化的实例和示例。
No4:fast.ai一门专为程序员提供实用的深度学习课程
https://course.fast.ai/
这个课程目前已经更新到第三版，由Kaggle的前总裁作为其联合创始人之一。这个课程偏向动手实践和运行能力。它有一个非常热门的论坛，其中对机器学习的最新最佳实践进行了有益的讨论。
No5:斯坦福大学的深度学习中的自然语言处理-CS224N
视频讲座:https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_
由最有影响力（也是最扎实的）研究者之一的克里斯托弗·曼宁（Christopher Manning）教授，对于任何对自然语言处理感兴趣的人，这都是必修课。该课程结构合理，讲授良好，并具有最新的自然语言处理研究最新信息。
No6:Coursera的机器学习
https://www.coursera.org/learn/machine-learning
Ng的课程最初由斯坦福大学教授，可能是世界上最受欢迎的机器学习课程。截至撰写本文时，已有250万用户注册了Coursera版本。本课程是理论密集型课程，因此，如果学生修读了诸如CS231N，CS224N和“面向程序员的实用深度学习”之类的更多实践性课程，他们将从中受益更多。
No7:Coursera的概率图形模型专业化
https://www.coursera.org/specializations/probabilistic-graphical-models
与大多数AI课程逐个介绍小概念或在另一层之上添加一层概念的AI课程不同，这种专业化解决了自上而下的AI问题，因为它要求您考虑不同变量之间的关系，如何表示这些关系，独立性如何假设，当你说机器学习时，你到底想学习什么。这种专业化将改变您学习机器学习的方式。
No8：DeepMind的强化学习简介
https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ
强化学习很难，是机器学习中最难的一个点之一。幸运的是，大卫·西尔弗（David Silver）在这里进行救援。本课程由世界领先的强化学习专家之一讲授，以直观的解释和有趣的示例对强化学习进行了很好的介绍。
No9：伯克利的全栈深度学习训练营
https://fullstackdeeplearning.com/march2019
大多数课程仅教您如何训练和调整模型。这是我见过的唯一一个向你展示如何设计，训练和部署从A到Z的模型的工具。对于那些在访谈中遇到机器学习系统设计问题的人来说，这也是一个很好的资源。
分享到这里就结束了，网上优质的免费资源很多，最重要的是选择一个合适你自己的资源，然后一步一个脚印的进行学习。
最后友情宣传一下生信技能树：
你可能会需要：广州专场（全年无休）GEO数据挖掘课，带你飞（1.11-1.12）和 生信入门课全国巡讲2019收官--长沙站
