Hvis du er låst ned på grund af COVID-19-pandemien, har du muligvis lidt ekstra tid på dine hænder. Binging Netflix er alt sammen godt, men måske bliver du træt af det, og du vil gerne lære noget nyt.
Et af de mest lukrative felter, der har åbnet sig de sidste par år, er datavidenskab. De ressourcer, jeg nævner nedenfor, vil hjælpe dem, der er tekniske nok til at forstå matematik på niveau med statistik og differentieret beregning til at indarbejde maskinlæring i deres færdigheder. De kan endda hjælpe dig med at starte en ny karriere som dataforsker.
Hvis du allerede kan programmere i Python eller R, vil denne færdighed give dig et ben op af anvendt datalogi. På den anden side er programmeringen ikke den svære del for de fleste mennesker - det er de numeriske metoder.
Coursera tilbyder mange af følgende kurser. Du kan revidere dem gratis, men hvis du vil have kredit, skal du betale for dem.
Jeg anbefaler at starte med bogen Elementerne i statistisk læring så du kan lære matematikken og begreberne inden du begynder at skrive kode.
Jeg skal også bemærke, at der er flere gode kurser på Udemy, selvom de ikke er gratis. De koster normalt ca. $ 200 hver for livstidsadgang, men jeg har set mange af dem diskonteret til mindre end $ 20 de seneste dage.
Jeff Prosise fra Wintellectnow fortæller mig, at han planlægger at gøre et par flere af sine kurser gratis, så hold dig opdateret.
The Elements of Statistical Learning, anden udgave
Af Trevor Hastie, Robert Tibshirani og Jerome Friedman, Springer
//web.stanford.edu/~hastie/Papers/ESLII.pdf
Denne gratis e-bog på 764 sider er en af de mest anbefalede bøger til begyndere inden for datalogi. Det forklarer det grundlæggende i maskinindlæring, og hvordan alt fungerer bag kulisserne, men indeholder ingen kode. Hvis du foretrækker en version af bogen med applikationer i R, kan du købe eller leje den via Amazon.
Anvendt datalogi med Python-specialisering
Af 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 kurser (89 timer) i denne specialisering fra University of Michigan introducerer dig til datalogi gennem Python-programmeringssproget. Denne specialisering er beregnet til elever, der har en grundlæggende Python- eller programmeringsbaggrund, og som ønsker at anvende statistisk, maskinindlæring, informationsvisualisering, tekstanalyse og sociale netværkstekniske analyseteknikker gennem populære Python-værktøjssæt som Pandas, Matplotlib, Scikit-learning, NLTK og NetworkX for at få indsigt i deres data.
Datalogi: Fundamenter ved hjælp af R-specialisering
Af Jeff Leek, Brian Caffo og Roger Peng, Johns Hopkins / Coursera
//www.coursera.org/specializations/data-science-foundations-r
Denne 68-timers specialisering (fem kurser) dækker grundlæggende datavidenskabelige værktøjer og teknikker, herunder at få, rengøre og udforske data, programmering i R og udføre reproducerbar forskning.
Dyb læring
Af Andrew Ng, Kian Katanforoosh og Younes Bensouda Mourri, Stanford / deeplearning.ai / Coursera
//www.coursera.org/specializations/deep-learning
På 77 timer (fem kurser) lærer denne serie grundlaget for dyb læring, hvordan man bygger neurale netværk og hvordan man leder vellykkede maskinlæringsprojekter. Du vil lære om konvolutionsnetværk (CNN'er), tilbagevendende neurale netværk (RNN'er), Long Short Term Memory netværk (LSTM), Adam, Dropout, BatchNorm, Xavier / He initialisering og mere. Du vil arbejde på casestudier fra sundhedspleje, autonom kørsel, tegnsprogslæsning, musikgenerering og naturlig sprogbehandling. Ud over teorien lærer du, hvordan den anvendes i industrien ved hjælp af Python og TensorFlow, som de også underviser i.
Grundlæggende om maskinindlæring
Af Jeff Prosise, Wintellectnow
//www.wintellectnow.com/Videos/Watch?videoId=fundamentals-of-machine-learning
I dette gratis to timers introduktionsvideokurs tager Prosise dig gennem regression, klassificering, Support Vector Machines, Principal Component Analysis og mere ved hjælp af Scikit-learning, det populære Python-bibliotek til maskinindlæring.
Maskinelæring
Af Andrew Ng, Stanford / Coursera
//www.coursera.org/learn/machine-learning
Dette 56-timers videokursus giver en bred introduktion til maskinindlæring, datamining og statistisk mønstergenkendelse. Emner inkluderer overvåget læring (parametriske / ikke-parametriske algoritmer, understøttende vektormaskiner, kerner, neurale netværk), ikke-overvåget læring (klyngedannelse, dimensionalitetsreduktion, anbefalsystemer, dyb læring) og bedste praksis inden for maskinlæring og AI (bias / varianssteori) og innovationsproces). Du lærer også, hvordan du anvender indlæringsalgoritmer til opbygning af smarte robotter, websøgning, anti-spam, computersyn, medicinsk informatik, lyd, databasedrift og andre områder.
Maskinelæring
Af Carlos Guestrin og Emily Fox, University of Washington / Coursera
//www.coursera.org/specializations/machine-learning
Denne 143-timers (fire kursus) specialisering fra førende forskere ved University of Washington introducerer dig til det spændende, efterspurgte felt inden for maskinindlæring. Gennem en række praktiske casestudier får du anvendt erfaring inden for store områder inden for maskinindlæring, herunder forudsigelse, klassificering, klyngedannelse og informationssøgning. Du lærer at analysere store og komplekse datasæt, oprette systemer, der tilpasser sig og forbedres over tid, og opbygge intelligente applikationer, der kan forudsige data.
