Jei esate uždarytas dėl COVID-19 pandemijos, jums gali prireikti šiek tiek papildomo laiko ant rankų. „Binging Netflix“ yra gerai ir gerai, bet galbūt jums tai atsibodo ir norėtumėte sužinoti ką nors naujo.
Viena iš pelningiausių sričių, kuri atsivėrė per pastaruosius porą metų, yra duomenų mokslas. Toliau išvardyti šaltiniai padės tiems, kurie pakankamai techniniai, kad suprastų matematiką statistikos ir diferencinio skaičiavimo lygiu, kad mašininis mokymasis būtų įtrauktas į jų įgūdžių rinkinį. Jie netgi gali padėti jums pradėti naują duomenų mokslininko karjerą.
Jei jau galite programuoti „Python“ arba „R“, šis įgūdis padės jums pritaikyti duomenų mokslą. Kita vertus, daugumai žmonių programavimas nėra sunkus dalykas - tai skaitiniai metodai.
„Coursera“ siūlo daugybę šių kursų. Galite juos nemokamai tikrinti, tačiau jei norite kreditų, už juos turite sumokėti.
Rekomenduoju pradėti nuo knygos Statistinio mokymosi elementai kad galėtumėte išmokti matematikos ir sąvokų prieš pradėdami rašyti kodą.
Taip pat turėčiau pažymėti, kad „Udemy“ yra keletas gerų kursų, nors jie nėra nemokami. Jie paprastai kainuoja apie 200 USD už prieigą visą gyvenimą, tačiau pastarosiomis dienomis mačiau, kad daugelis jų yra mažesni nei 20 USD.
Jeffas Prosise'as iš „Wintellectnow“ man sako, kad jis planuoja dar keletą savo kursų padaryti nemokamus, todėl sekite naujienas.
Statistinio mokymosi elementai, antrasis leidimas
Trevoras Hastie, Robertas Tibshirani ir Jerome'as Friedmanas, Springeris
//web.stanford.edu/~hastie/Papers/ESLII.pdf
Ši nemokama 764 puslapių knyga yra viena iš labiausiai rekomenduojamų knygų pradedantiesiems duomenų mokslo srityje. Tai paaiškina mašininio mokymosi pagrindus ir tai, kaip viskas veikia užkulisiuose, tačiau joje nėra kodo. Jei norite knygos versijos su programomis R, galite ją nusipirkti arba išsinuomoti per „Amazon“.
Taikomasis duomenų mokslas su „Python“ specializacija
Christopheris Brooksas, Kevynas Collinsas-Thompsonas, V. G. Vinodas Vydiswaranas ir Danielis Romero, Mičigano universitetas / Coursera
//www.coursera.org/specializations/data-science-python
Penki šios Mičigano universiteto specializacijos kursai (89 valandos) supažindina jus su duomenų mokslu per „Python“ programavimo kalbą. Ši specializacija skirta besimokantiems, turintiems pagrindinį „Python“ ar programavimo pagrindą ir norintiems taikyti statistikos, mašininio mokymosi, informacijos vizualizavimo, teksto analizės ir socialinių tinklų analizės metodus, naudojant populiarius „Python“ įrankių rinkinius, tokius kaip „Pandas“, „Matplotlib“, „Scikit-learn“ NLTK ir „NetworkX“, kad gautumėte įžvalgos apie savo duomenis.
Duomenų mokslas: fondai, naudojantys R specializaciją
Jeffas Leekas, Brianas Caffo ir Rogeris Pengas, Johnsas Hopkinsas / Coursera
//www.coursera.org/specializations/data-science-foundations-r
Ši 68 valandų specializacija (penki kursai) apima pagrindines duomenų mokslo priemones ir metodus, įskaitant duomenų gavimą, valymą ir tyrimą, programavimą R ir atkartojamų tyrimų atlikimą.
Gilus mokymasis
Andrew Ng, Kianas Katanforooshas ir Younesas Bensouda Mourri, Stanfordas / deeplearning.ai / Coursera
//www.coursera.org/specializations/deep-learning
Per 77 valandas (penkis kursus) ši serija moko giluminio mokymosi pagrindų, kaip kurti neuroninius tinklus ir kaip vadovauti sėkmingiems mašininio mokymosi projektams. Sužinosite apie konvoliucinius tinklus (CNN), pasikartojančius neuroninius tinklus (RNN), ilgalaikius trumpalaikius atminties tinklus (LSTM), „Adam“, „Dropout“, „BatchNorm“, „Xavier / He“ inicijavimą ir kt. Dirbsite su sveikatos priežiūros, autonominio vairavimo, gestų kalbos skaitymo, muzikos kūrimo ir natūralios kalbos apdorojimo atvejų tyrimais. Be teorijos, sužinosite, kaip ji taikoma pramonėje, naudojant „Python“ ir „TensorFlow“, kurių jie taip pat moko.
Mašininio mokymosi pagrindai
Jeffas Prosise'as, Wintellectnowas
//www.wintellectnow.com/Videos/Watch?videoId=fundamentals-of-machine-learning
Šiame nemokamame dviejų valandų įvadiniame vaizdo įrašo kurse „Prosise“ jus apims regresijos, klasifikavimo, palaikymo vektorių mašinų, pagrindinių komponentų analizės ir dar daugiau, naudodamas „Scikit-learn“, populiarią „Python“ biblioteką, skirtą mašininiam mokymuisi.
Mašininis mokymasis
Autorius Andrew Ng, Stanfordas / Coursera
//www.coursera.org/learn/machine-learning
Šis 56 valandų trukmės vaizdo kursas plačiai supažindina su mašininiu mokymusi, duomenų gavyba ir statistinių modelių atpažinimu. Temos apima prižiūrimą mokymąsi (parametriniai / neparametriniai algoritmai, palaikomosios vektorinės mašinos, branduoliai, neuroniniai tinklai), neprižiūrimą mokymąsi (klasteriai, matmenų mažinimas, rekomenduojančios sistemos, gilus mokymasis) ir geriausios mašininio mokymosi ir dirbtinio intelekto praktikos (šališkumo / dispersijos teorija) naujovių procesas). Taip pat sužinosite, kaip pritaikyti mokymosi algoritmus kuriant išmaniuosius robotus, paiešką žiniatinklyje, apsaugą nuo šlamšto, kompiuterio matymą, medicininę informatiką, garsą, duomenų bazių kasybą ir kitas sritis.
Mašininis mokymasis
Autoriai Carlosas Guestrinas ir Emily Fox, Vašingtono universitetas / Coursera
//www.coursera.org/specializations/machine-learning
Ši 143 valandų (keturių kursų) specializacija iš pagrindinių Vašingtono universiteto tyrėjų supažindina jus su įdomia, labai paklausia mašininio mokymosi sritimi. Atlikdami praktinių atvejų tyrimus, įgysite praktinės patirties pagrindinėse mašininio mokymosi srityse, įskaitant numatymą, klasifikavimą, grupavimą ir informacijos paiešką. Išmoksite analizuoti didelius ir sudėtingus duomenų rinkinius, kurti sistemas, kurios laikui bėgant prisitaiko ir tobulėja, ir kurti intelektualias programas, kurios gali daryti prognozes iš duomenų.
