Hvis du blir sperret på grunn av COVID-19-pandemien, har du kanskje litt ekstra tid på hendene. Binging Netflix er vel og bra, men kanskje du blir lei av det, og du vil gjerne lære noe nytt.
Et av de mest lukrative feltene som har åpnet seg de siste par årene er datavitenskap. Ressursene jeg lister opp nedenfor vil hjelpe de som er tekniske nok til å forstå matematikk på nivå med statistikk og differensialregning for å innlemme maskinlæring i ferdighetssettene sine. De kan til og med hjelpe deg med å starte en ny karriere som datavitenskapsmann.
Hvis du allerede kan programmere i Python eller R, vil den ferdigheten gi deg et inntrykk av anvendt datavitenskap. På den annen side er ikke programmeringen den vanskeligste delen for folk flest - det er de numeriske metodene.
Coursera tilbyr mange av følgende kurs. Du kan revidere dem gratis, men hvis du vil ha kreditt, må du betale for dem.
Jeg anbefaler å starte med boka Elementene til statistisk læring slik at du kan lære matematikken og konseptene før du begynner å skrive kode.
Jeg bør også merke meg at det er flere gode kurs på Udemy, selv om de ikke er gratis. De koster vanligvis rundt 200 dollar hver for livstidstilgang, men jeg har sett mange av dem rabattert til mindre enn 20 dollar de siste dagene.
Jeff Prosise fra Wintellectnow forteller meg at han planlegger å gjøre noen flere av kursene sine gratis, så følg med.
The Elements of Statistical Learning, andre utgave
Av Trevor Hastie, Robert Tibshirani og Jerome Friedman, Springer
//web.stanford.edu/~hastie/Papers/ESLII.pdf
Denne gratis e-boken på 764 sider er en av de mest anbefalte bøkene for nybegynnere innen datavitenskap. Den forklarer grunnleggende maskinlæring og hvordan alt fungerer bak kulissene, men inneholder ingen kode. Hvis du foretrekker en versjon av boka med applikasjoner i R, kan du kjøpe eller leie den gjennom Amazon.
Anvendt datavitenskap med Python-spesialisering
Av Christopher Brooks, Kevyn Collins-Thompson, V. G. Vinod Vydiswaran og Daniel Romero, University of Michigan / Coursera
//www.coursera.org/specializations/data-science-python
De fem kursene (89 timer) i denne spesialiseringen ved University of Michigan introduserer deg for datavitenskap gjennom Python-programmeringsspråket. Denne spesialiseringen er ment for elever som har grunnleggende Python- eller programmeringsbakgrunn, og som ønsker å bruke statistikk, maskinlæring, informasjonsvisualisering, tekstanalyse og sosiale nettverkanalyseteknikker gjennom populære Python-verktøysett som Pandas, Matplotlib, Scikit-learning, NLTK og NetworkX for å få innsikt i dataene deres.
Datavitenskap: Fundamenter ved bruk av R-spesialisering
Av Jeff Leek, Brian Caffo og Roger Peng, Johns Hopkins / Coursera
//www.coursera.org/specializations/data-science-foundations-r
Denne 68-timers spesialiseringen (fem kurs) dekker grunnleggende datavitenskapelige verktøy og teknikker, inkludert innhenting, rengjøring og utforsking av data, programmering i R og gjennomføring av reproduserbar forskning.
Dyp læring
Av Andrew Ng, Kian Katanforoosh og Younes Bensouda Mourri, Stanford / deeplearning.ai / Coursera
//www.coursera.org/specializations/deep-learning
På 77 timer (fem kurs) lærer denne serien grunnlaget for dyp læring, hvordan man bygger nevrale nettverk og hvordan man leder vellykkede maskinlæringsprosjekter. Du vil lære om konvolusjonsnettverk (CNN), tilbakevendende nevrale nettverk (RNN), Long Short Term Memory networks (LSTM), Adam, Dropout, BatchNorm, Xavier / He initialisering og mer. Du vil jobbe med casestudier fra helsetjenester, autonom kjøring, tegnspråklesing, musikkgenerering og naturlig språkbehandling. I tillegg til teorien lærer du hvordan den brukes i industrien ved hjelp av Python og TensorFlow, som de også underviser i.
Grunnleggende om maskinlæring
Av Jeff Prosise, Wintellectnow
//www.wintellectnow.com/Videos/Watch?videoId=fundamentals-of-machine-learning
I dette gratis to timers innledende videokurset tar Prosise deg gjennom regresjon, klassifisering, Support Vector Machines, Principal Component Analysis og mer, ved hjelp av Scikit-learn, det populære Python-biblioteket for maskinlæring.
Maskinlæring
Av Andrew Ng, Stanford / Coursera
//www.coursera.org/learn/machine-learning
Dette 56-timers videokurset gir en bred introduksjon til maskinlæring, data mining og statistisk mønstergjenkjenning. Temaene inkluderer veiledet læring (parametriske / ikke-parametriske algoritmer, støttevektormaskiner, kjerner, nevrale nettverk), uten tilsyn læring (klynging, dimensjonalitetsreduksjon, anbefalsystemer, dyp læring) og beste praksis innen maskinlæring og AI (skjevhet / varianssteori og innovasjonsprosess). Du lærer også hvordan du bruker læringsalgoritmer til å bygge smarte roboter, nettsøk, anti-spam, datasyn, medisinsk informatikk, lyd, databasedrift og andre områder.
Maskinlæring
Av Carlos Guestrin og Emily Fox, University of Washington / Coursera
//www.coursera.org/specializations/machine-learning
Denne 143-timers spesialiseringen (fire kurs) fra ledende forskere ved University of Washington introduserer deg for det spennende, høyt etterspurte feltet Machine Learning. Gjennom en rekke praktiske casestudier vil du få anvendt erfaring innen store områder innen maskinlæring, inkludert prediksjon, klassifisering, klynging og informasjonsinnhenting. Du vil lære å analysere store og komplekse datasett, lage systemer som tilpasser seg og forbedres over tid, og bygge intelligente applikasjoner som kan forutsi data.
