作者：Matthew Mayo
编译：ronghuaiyang
这是一个免费的机器学习和深度的课程的汇总，用来打发你的寒假。课程包括了机器学习介绍，到深度学习，再到自然语言处理等等。
如果，你已经上完了这些课程，你发现你还需要更多的高质量，免费学习资源，可以看看下面的最新的发布。
1. 计算机思维和数据科学的介绍
MIT
链接：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-0002-introduction-to-computational-thinking-and-data-science-fall-2016/
6.0002是6.0001的后续，介绍了计算机科学和Python的编程，是为没有什么编程经验的学生准备的。目的是让不管什么专业背景的学生能够理解计算机在解决问题中可以扮演什么样的角色，能让他们写一些小程序，来实现一些有用的目标。这个课程使用Python 3.5。
2. 机器学习
Stanford
链接：http://cs229.stanford.edu/
这个课程提供了一个大致的机器学习和统计模式识别的介绍。主要的主题包括：监督学习（生成模型，判别模型，参数学习，非参数学习，神经网络，支持向量机）；非监督学习（聚类，降维，核方法）；学习理论（偏置，偏差的平衡；VC维理论；大间隔）；强化学习和自适应控制。这门课程也讨论了一些当前的机器学习的应用，如机器人控制，数据挖掘，无人驾驶，语音识别，文本和网页的数据处理。
3. 为码农准备的机器学习介绍！
fast.ai
链接：https://course.fast.ai/ml
这是一个24个小时左右的课程，你应该计划花费每周8小时，共12周来完成这个课程。这个课程是基于旧金山大学的 Masters of Science in Data Science program课程，链接：https://www.usfca.edu/arts-sciences/graduate-programs/data-science，我们假设你已经有了一年以上的编程经验，同时学过高等数学。
4. 机器学习速成课
链接：https://developers.google.com/machine-learning/crash-course/
准备好开始练习机器学习了吗？通过速成课程来学习和应用基础的机器学习概念，通过Kaggle的竞赛来获得实际的经验，访问 Learn with Google AI来获取完整的训练资源。
5. 深度学习介绍
MIT
链接：http://introtodeeplearning.com/
一个深度学习介绍性质的课程，介绍了一些应用，如机器翻译，图像识别，玩游戏，图像生成等等。这是一门协作性的课程，结合了TensorFlow中的实验室和同行头脑风暴以及讲座。课程还包括项目从员工和工业界反馈的来的一些建议。
6. 为码农准备的深度学习实践，第一部分
fast.ai
链接：https://course.fast.ai/
欢迎来到2018版的 fast.ai的7周课程，深度学习编程实践，第一部分，由Jeremy Howard上课（Kaggle竞赛第一名，Enlitic的创始人）。学习在不需要研究生数学水平的情况下，如何建立一个最高水平的模型，也不需要简化任何东西。哦，还有一件事...，完全免费！而且有一个社区，几千个学生在一起，相互帮助，完成你的学习之旅。如果你需要任何的帮助，或者和其他的学生进行讨论，上forums.fast.ai。
注意，还有这个课程的第二部分: 深度学习编程最前沿, 第二部分
7. 自然语言处理
Yandex Data School
链接：https://github.com/yandexdataschool/nlp_cours
8. 从语言到信息
Stanford
链接：https://web.stanford.edu/class/cs124/
线上的世界有海量语言形式和社交网络形式的的非结构化信息。学习如何利用这些信息以及如何和人类进行语言的交互，从给定的建议中回答问题。
9. 强化学习实践
Yandex Data School
链接：https://github.com/yandexdataschool/Practical_RL
一个强化学习的课程。
为感兴趣的人设计. 所有的材料没有详细介绍的，都有链接和相关的材料提供更多的信息。如果你深入的话，还有作业。
实战为主. 所有的解决强化学习的问题的要点都提到了。我们不回避技巧和一些启发。对于每一个想法，应该有一个实验室来让你实际的在具体的问题中“体验“到。
10. 为码农准备的计算机线性代数
fast.ai
链接：https://github.com/fastai/numerical-linear-algebra/blob/master/README.md
这个课程聚焦于这个问题：我们是如何让矩阵运算具有合理的速度和精度？
这课程原来是旧金山大学的数据科学专业的2017年夏季的研究生课程，课程使用Python教学，使用了Jupyter Notebooks，使用了Scikit-Learn和Numpy的库，也少量使用了Numba（一个将Python编译成C的库，用来加速计算）和Pytorch（使用GPU替代Numpy）。