【IT168 资讯】围绕人工智能(AI)、自动化和认知系统的原则和实践中，无论您的业务领域、专业知识或专业如何，都有可能变得越来越有价值。
幸运的是，今天的你不需要花费几年时间在大学学习，才能熟悉这个看起来非常复杂的技术。近年来，越来越多的在线课程涌现出来，涵盖从基础到高级实施的所有内容。
有些是针对想要直接编码他们自己的人工神经网络的人，并且可以理解为这类人群具有一定的技术能力。对于那些想要了解如何将这项技术应用于任何人的人，无论其是否具备先前的技术专业知识，都可以用于解决实际问题。
在这篇文章中，将简要介绍一些今天可用的最好的免费软件。
通过Google AI学习
https://ai.google/education/#?modal_active=none
这个新推出的资源是Google计划扩大公众对AI的理解的一部分内容。材料正在慢慢添加，目前它已经包含了一个机器学习与TensorFlow(谷歌的机器学习库)速成课程。
本课程涵盖了机器学习的基本介绍，包括TensorFlow入门、神经网络的设计和训练。
它的设计目标是让那些没有机器学习知识的人可以在一开始就进入正题，那些有经验的人可以选择感兴趣的模块，而机器学习专家则可以用它作为TensorFlow的入门介绍。
Google - 机器学习
https://www.class-central.com/course/udacity-deep-learning-5681
这是来自Google通过Udacity提供的更深度的课程。因此，它并不完全针对新手，至少是假设你具有以前的机器学习经验到熟悉监督式学习的范围。
它侧重于深度学习，并设计了可从大型复杂数据集中学习的自学系统。
本课程面向那些希望将机器学习、神经网络技术用作数据分析师、数据科学家或机器学习工程师以及想要利用大量开源库和材料的企业家的人。
斯坦福大学 - 机器学习
https://www.coursera.org/learn/machine-learning
本课程通过Coursera提供，由Google深度学习研究部门的创始人、Google Brain和百度AI负责人吴恩达教授创设。
整个课程有可以免费学习的部分，也可以选择支付认证费用，如果您打算使用您对AI的理解来提高您的职业前景，那么这项选择是很有用的。
该课程涵盖了从语音识别和增强网页搜索的实际机器学习实施范围，同时涉及统计学主题的深入讨论，例如线性回归、神经网络的反向传播方法以及Matlab教程——一个最广泛使用的编程语言的概率AI工具。
哥伦比亚大学 - 机器学习
https://ai.google/education/#?modal_active=none
本课程也可以免费在线使用，如果需要，还可以选择支付认证费用。
它承诺教授模型、方法和应用程序来解决实际问题，也能使用概率和非概率方法以及监督和无监督学习。
为了充分利用课程，您应该每周花费大约8到10个小时的时间在材料和练习上，超过12周的时间。这是免费的常春藤联盟级教育，所以它不会是轻而易举就可以完成的。
它是通过非营利edX在线课程提供商提供的，它构成了人工智能纳米学的一部分。
Nvidia - 计算机视觉深度学习基础
https://www.class-central.com/course/fundamentals-of-deep-learning-for-computer-vision-10730
计算机视觉是建立计算机的AI子学科，它可以像我们的大脑那样通过处理视觉信息来“看到”。
除了技术基础外，它还涵盖了如何识别能够受益于能够进行物体识别和图像分类的机器的情况或问题。
作为图形处理单元(GPU)的制造商，Nvidia毫不意外地涵盖了这些高性能图形引擎的重要组成部分，以前主要是为了展示尖端图像，现在它已经在计算机视觉应用的广泛应用中发挥作用。
最后的评估包括建立和部署一个神经网络应用程序，虽然整个课程可以按自己的步调进行研究，但建议您至少花费大约八个小时的时间。
麻省理工学院 - 自驾车的深度学习
https://selfdrivingcars.mit.edu/
与上面的课程一样，麻省理工学院采取的方法是将人工智能的一个主要的现实方面作为出发点来探索所涉及的具体技术。
普遍预期会成为我们日常生活的一部分，它依靠人工智能来感知所有的数据，这些数据会撞击车辆的传感器阵列，并安全地行驶在道路上。这涉及教学机器来解释来自这些传感器的数据，就像我们自己的大脑解读来自我们的眼睛、耳朵和触觉的信号。
它涵盖了MIT DeepTraffic模拟器的使用，该模拟器要求学生教导模拟汽车尽可能快地沿着繁忙的道路行驶，而不与其他道路使用者发生碰撞。
