Die besten kostenlosen Data Science-Kurse während der Sperrung

Wenn Sie wegen der COVID-19-Pandemie gesperrt sind, haben Sie möglicherweise etwas mehr Zeit. Binging Netflix ist alles schön und gut, aber vielleicht haben Sie es satt und möchten etwas Neues lernen.

Eines der lukrativsten Gebiete, das in den letzten Jahren erschlossen wurde, ist die Datenwissenschaft. Die Ressourcen, die ich unten aufführe, helfen denjenigen, die technisch genug sind, um Mathematik auf der Ebene der Statistik und der Differentialrechnung zu verstehen, um maschinelles Lernen in ihre Fähigkeiten einzubeziehen. Sie könnten Ihnen sogar helfen, eine neue Karriere als Datenwissenschaftler zu beginnen. 

Wenn Sie bereits in Python oder R programmieren können, erhalten Sie mit dieser Fähigkeit einen Einblick in die angewandte Datenwissenschaft. Andererseits ist die Programmierung für die meisten Menschen nicht der schwierige Teil - es sind die numerischen Methoden.

Coursera bietet viele der folgenden Kurse an. Sie können sie kostenlos prüfen, aber wenn Sie Guthaben wünschen, müssen Sie dafür bezahlen.

Ich empfehle, mit dem Buch Die Elemente des statistischen Lernens zu beginnen, damit Sie die Mathematik und die Konzepte lernen können, bevor Sie mit dem Schreiben von Code beginnen.

Ich sollte auch beachten, dass es bei Udemy mehrere gute Kurse gibt, die jedoch nicht kostenlos sind. Normalerweise kosten sie für den lebenslangen Zugriff jeweils etwa 200 US-Dollar, aber ich habe gesehen, dass viele von ihnen in den letzten Tagen auf weniger als 20 US-Dollar reduziert wurden.

Jeff Prosise von Wintellectnow sagt mir, dass er plant, noch ein paar seiner Kurse kostenlos zu machen, also bleiben Sie dran.

Die Elemente des statistischen Lernens, 2. Auflage

Von Trevor Hastie, Robert Tibshirani und Jerome Friedman, Springer

//web.stanford.edu/~hastie/Papers/ESLII.pdf

Dieses kostenlose 764-seitige E-Book ist eines der am häufigsten empfohlenen Bücher für Anfänger in der Datenwissenschaft. Es erklärt die Grundlagen des maschinellen Lernens und wie alles hinter den Kulissen funktioniert, enthält jedoch keinen Code. Wenn Sie eine Version des Buches mit Anwendungen in R bevorzugen, können Sie es über Amazon kaufen oder mieten.

Angewandte Datenwissenschaft mit Python-Spezialisierung

Von Christopher Brooks, Kevyn Collins-Thompson, VG Vinod Vydiswaran und Daniel Romero, Universität Michigan / Coursera

//www.coursera.org/specializations/data-science-python

Die fünf Kurse (89 Stunden) in dieser Spezialisierung der University of Michigan führen Sie in die Datenwissenschaft über die Programmiersprache Python ein. Diese Spezialisierung richtet sich an Lernende mit einem grundlegenden Python- oder Programmierhintergrund, die statistische, maschinelles Lernen, Informationsvisualisierung, Textanalyse und Analyse sozialer Netzwerke mithilfe beliebter Python-Toolkits wie Pandas, Matplotlib, Scikit-learn, anwenden möchten. NLTK und NetworkX, um Einblick in ihre Daten zu erhalten.

Data Science: Grundlagen mit R-Spezialisierung

Von Jeff Leek, Brian Caffo und Roger Peng, Johns Hopkins / Coursera

//www.coursera.org/specializations/data-science-foundations-r

Diese 68-stündige Spezialisierung (fünf Kurse) umfasst grundlegende datenwissenschaftliche Tools und Techniken, einschließlich Abrufen, Bereinigen und Erkunden von Daten, Programmieren in R und Durchführen reproduzierbarer Forschung.

Tiefes Lernen

Von Andrew Ng, Kian Katanforoosh und Younes Bensouda Mourri, Stanford / deeplearning.ai / Coursera

//www.coursera.org/specializations/deep-learning

In 77 Stunden (fünf Kurse) vermittelt diese Reihe die Grundlagen des tiefen Lernens, den Aufbau neuronaler Netze und die Leitung erfolgreicher Projekte für maschinelles Lernen. Sie erfahren mehr über Faltungsnetzwerke (CNNs), wiederkehrende neuronale Netze (RNNs), Langzeit-Kurzzeitgedächtnisnetzwerke (LSTM), Adam, Dropout, BatchNorm, Xavier / He-Initialisierung und vieles mehr. Sie arbeiten an Fallstudien aus den Bereichen Gesundheitswesen, autonomes Fahren, Lesen von Gebärdensprachen, Musikgenerierung und Verarbeitung natürlicher Sprache. Zusätzlich zur Theorie lernen Sie, wie sie in der Industrie mit Python und TensorFlow angewendet wird, die sie auch lehren.

Grundlagen des maschinellen Lernens

Von Jeff Prosise, Wintellectnow

//www.wintellectnow.com/Videos/Watch?videoId=fundamentals-of-machine-learning

In diesem kostenlosen zweistündigen Einführungsvideokurs führt Sie Prosise mithilfe von Scikit-learn, der beliebten Python-Bibliothek für maschinelles Lernen, durch Regression, Klassifizierung, Support Vector Machines, Hauptkomponentenanalyse und mehr. 

Maschinelles Lernen

Von Andrew Ng, Stanford / Coursera

//www.coursera.org/learn/machine-learning

Dieser 56-stündige Videokurs bietet eine umfassende Einführung in maschinelles Lernen, Data Mining und statistische Mustererkennung. Zu den Themen gehören überwachtes Lernen (parametrische / nicht parametrische Algorithmen, Support-Vektor-Maschinen, Kernel, neuronale Netze), unbeaufsichtigtes Lernen (Clustering, Dimensionsreduktion, Empfehlungssysteme, Deep Learning) sowie Best Practices für maschinelles Lernen und KI (Bias / Varianz-Theorie) und Innovationsprozess). Sie lernen auch, wie Sie Lernalgorithmen auf den Aufbau intelligenter Roboter, Websuche, Anti-Spam, Computer Vision, medizinische Informatik, Audio, Datenbank-Mining und andere Bereiche anwenden.

Maschinelles Lernen

Von Carlos Guestrin und Emily Fox, Universität Washington / Coursera

//www.coursera.org/specializations/machine-learning

Diese 143-stündige Spezialisierung (vier Kurse) von führenden Forschern der University of Washington führt Sie in das spannende und gefragte Feld des maschinellen Lernens ein. Durch eine Reihe praktischer Fallstudien sammeln Sie angewandte Erfahrung in wichtigen Bereichen des maschinellen Lernens, einschließlich Vorhersage, Klassifizierung, Clustering und Informationsabruf. Sie lernen, große und komplexe Datensätze zu analysieren, Systeme zu erstellen, die sich im Laufe der Zeit anpassen und verbessern, und intelligente Anwendungen zu erstellen, die Vorhersagen aus Daten treffen können.