Εάν είστε κλειδωμένοι λόγω της πανδημίας COVID-19, ίσως να έχετε λίγο περισσότερο χρόνο στα χέρια σας. Το Binging Netflix είναι όλα καλά και καλά, αλλά ίσως έχετε κουραστεί από αυτό και θα θέλατε να μάθετε κάτι νέο.
Ένα από τα πιο προσοδοφόρα πεδία τα τελευταία δύο χρόνια είναι η επιστήμη των δεδομένων. Οι πόροι που παραθέτω παρακάτω θα βοηθήσουν αυτούς τους τεχνικούς να κατανοήσουν τα μαθηματικά στο επίπεδο των στατιστικών και του διαφορικού λογισμού για να ενσωματώσουν τη μηχανική μάθηση στα σετ δεξιοτήτων τους. Μπορούν ακόμη και να σας βοηθήσουν να ξεκινήσετε μια νέα καριέρα ως επιστήμονας δεδομένων.
Εάν μπορείτε ήδη να προγραμματίσετε σε Python ή R, αυτή η ικανότητα θα σας δώσει ένα βήμα στην εφαρμοσμένη επιστήμη δεδομένων. Από την άλλη πλευρά, ο προγραμματισμός δεν είναι το δύσκολο μέρος για τους περισσότερους ανθρώπους - είναι οι αριθμητικές μέθοδοι.
Η Coursera προσφέρει πολλά από τα παρακάτω μαθήματα. Μπορείτε να τους ελέγξετε δωρεάν, αλλά αν θέλετε πίστωση, πρέπει να πληρώσετε για αυτά.
Συνιστώ να ξεκινήσετε με το βιβλίο Τα Στοιχεία της Στατιστικής Μάθησης ώστε να μπορείτε να μάθετε τα μαθηματικά και τις έννοιες πριν ξεκινήσετε να γράφετε κώδικα.
Πρέπει επίσης να σημειώσω ότι υπάρχουν πολλά καλά μαθήματα στο Udemy, αν και δεν είναι δωρεάν. Συνήθως κοστίζουν περίπου 200 $ το καθένα για πρόσβαση σε όλη τη διάρκεια ζωής, αλλά έχω δει πολλές από αυτές να έχουν έκπτωση σε λιγότερο από 20 $ τις τελευταίες ημέρες.
Ο Jeff Prosise του Wintellectnow μου λέει ότι σκοπεύει να κάνει μερικά ακόμη από τα μαθήματά του δωρεάν, οπότε μείνετε συντονισμένοι.
Τα Στοιχεία της Στατιστικής Μάθησης, Δεύτερη Έκδοση
Από τους Trevor Hastie, Robert Tibshirani και Jerome Friedman, Springer
//web.stanford.edu/~hastie/Papers/ESLII.pdf
Αυτό το δωρεάν ebook 764 σελίδων είναι ένα από τα πιο ευρέως προτεινόμενα βιβλία για αρχάριους στην επιστήμη των δεδομένων. Εξηγεί τις βασικές αρχές της μηχανικής μάθησης και πώς λειτουργούν όλα πίσω από τα παρασκήνια, αλλά δεν περιέχει κώδικα. Εάν προτιμάτε μια έκδοση του βιβλίου με εφαρμογές σε R, μπορείτε να το αγοράσετε ή να το νοικιάσετε μέσω του Amazon.
Εφαρμοσμένη επιστήμη δεδομένων με εξειδίκευση Python
Από τους Christopher Brooks, Kevyn Collins-Thompson, V. G. Vinod Vydiswaran και Daniel Romero, University of Michigan / Coursera
//www.coursera.org/specialization/data-science-python
Τα πέντε μαθήματα (89 ώρες) σε αυτήν την ειδικότητα του Πανεπιστημίου του Μίσιγκαν σας εισάγουν στην επιστήμη των δεδομένων μέσω της γλώσσας προγραμματισμού Python. Αυτή η εξειδίκευση προορίζεται για μαθητές που έχουν βασικό υπόβαθρο Python ή προγραμματισμού και που θέλουν να εφαρμόσουν στατιστικές, μηχανική μάθηση, οπτικοποίηση πληροφοριών, ανάλυση κειμένου και τεχνικές ανάλυσης κοινωνικού δικτύου μέσω δημοφιλών εργαλείων Python όπως Pandas, Matplotlib, Scikit-learn, NLTK και NetworkX για να αποκτήσουν πληροφορίες σχετικά με τα δεδομένα τους.
Επιστήμη δεδομένων: Ιδρύματα που χρησιμοποιούν εξειδίκευση R
Από τους Jeff Leek, Brian Caffo και Roger Peng, Johns Hopkins / Coursera
//www.coursera.org/specialization/data-science-foundations-r
Αυτή η εξειδίκευση 68 ωρών (πέντε μαθήματα) καλύπτει τα θεμελιώδη εργαλεία και τεχνικές της επιστήμης δεδομένων, συμπεριλαμβανομένης της λήψης, του καθαρισμού και της εξερεύνησης δεδομένων, του προγραμματισμού στο R και της διεξαγωγής αναπαραγωγικής έρευνας.
Βαθιά μάθηση
Από τους Andrew Ng, Kian Katanforoosh και Younes Bensouda Mourri, Stanford / deeplearning.ai / Coursera
//www.coursera.org/specialization/deep-learning
Σε 77 ώρες (πέντε μαθήματα) αυτή η σειρά διδάσκει τα θεμέλια της βαθιάς μάθησης, πώς να χτίσει νευρωνικά δίκτυα και πώς να οδηγήσει επιτυχημένα προγράμματα μηχανικής μάθησης. Θα μάθετε για Convolutional network (CNNs), Recurrent neural network (RNNs), Long Short Term Memory network (LSTM), Adam, Dropout, BatchNorm, Xavier / He initialization και πολλά άλλα. Θα εργαστείτε σε μελέτες περιπτώσεων από υγειονομική περίθαλψη, αυτόνομη οδήγηση, ανάγνωση νοηματικής γλώσσας, παραγωγή μουσικής και επεξεργασία φυσικής γλώσσας. Εκτός από τη θεωρία, θα μάθετε πώς εφαρμόζεται στη βιομηχανία χρησιμοποιώντας Python και TensorFlow, τα οποία διδάσκουν επίσης.
Βασικές αρχές της μηχανικής μάθησης
Από τον Jeff Prosise, Wintellectnow
//www.wintellectnow.com/Videos/Watch?videoId=fundamentals-of-machine-learning
Σε αυτό το δωρεάν εισαγωγικό βίντεο διάρκειας δύο ωρών, το Prosise σας οδηγεί σε παλινδρόμηση, ταξινόμηση, Υποστήριξη Vector Machines, Principal Component Analysis και πολλά άλλα, χρησιμοποιώντας το Scikit-learn, τη δημοφιλή βιβλιοθήκη Python για μηχανική μάθηση.
Μηχανική εκμάθηση
Από τον Andrew Ng, Stanford / Coursera
//www.coursera.org/learn/machine-learning
Αυτό το μάθημα βίντεο διάρκειας 56 ωρών παρέχει μια ευρεία εισαγωγή στη μηχανική μάθηση, την εξόρυξη δεδομένων και την αναγνώριση στατιστικών προτύπων. Τα θέματα περιλαμβάνουν εποπτευόμενη μάθηση (παραμετρικοί / μη παραμετρικοί αλγόριθμοι, μηχανές διανυσμάτων υποστήριξης, πυρήνες, νευρωνικά δίκτυα), μη εποπτευόμενη μάθηση (ομαδοποίηση, μείωση διαστάσεων, συστήματα προτάσεων, βαθιά μάθηση) και βέλτιστες πρακτικές στη μηχανική μάθηση και AI (θεωρία προκατάληψης / διακύμανσης) και διαδικασία καινοτομίας). Θα μάθετε επίσης πώς να εφαρμόζετε αλγόριθμους εκμάθησης για τη δημιουργία έξυπνων ρομπότ, την αναζήτηση στον ιστό, το anti-spam, το computer vision, την ιατρική πληροφορική, τον ήχο, την εξόρυξη βάσεων δεδομένων και άλλους τομείς.
Μηχανική εκμάθηση
Από τους Carlos Guestrin και Emily Fox, Πανεπιστήμιο της Ουάσιγκτον / Coursera
//www.coursera.org/specialization/machine-learning
Αυτή η εξειδίκευση 143 ωρών (τεσσάρων μαθημάτων) από κορυφαίους ερευνητές του Πανεπιστημίου της Ουάσιγκτον σας εισάγει στον συναρπαστικό τομέα υψηλής ζήτησης της Μηχανικής Μάθησης. Μέσα από μια σειρά πρακτικών περιπτωσιολογικών μελετών, θα αποκτήσετε εφαρμοσμένη εμπειρία σε σημαντικούς τομείς της Μηχανικής Μάθησης, όπως Πρόβλεψη, Ταξινόμηση, Συγκέντρωση και Ανάκτηση Πληροφοριών. Θα μάθετε να αναλύετε μεγάλα και περίπλοκα σύνολα δεδομένων, να δημιουργείτε συστήματα που προσαρμόζονται και βελτιώνονται με την πάροδο του χρόνου και θα δημιουργείτε έξυπνες εφαρμογές που μπορούν να κάνουν προβλέψεις από δεδομένα.
