来源：Pexels

在21世纪，传统教诲已经转变为一种选择，而不是人生中的必经阶段。

随着互联网的繁荣和大规模网络公开课（mooc慕课）的兴起，人们可以选择在线学习数据科学，以避免学生的债务包袱。

统计数据显示，线上传授教化使学生在每小时的演习中可以多学习5倍的材料。
在线学习的好处是无限的，包括降落本钱和灵巧的韶光安排和环境。

数据科学的民主化

现在是2020年，数据科学比以往更加民主化。
这意味着任何个人只要有适当的工具和大量的数据，就可以在险些没有专业知识的情形下进行数据科学研究。
随着数据渗透到全体行业的每一个角落，拥有数据科学家的技能是大势所趋，也因此产生了一支会说数听说话的员工军队。

考虑到这一点，通过在线课程，对付一个完备的初学者来说，开始研究数据科学是可能的。
所须要的只是一个构造合理的学习课程、精确的学习方法、坚持不懈的动力和激情以及赞助演习项目。

如何线长进修数据科学？

最好的慕课 + 精确的学习方法 + 激情 + 项目

以是在这篇文章中，我将先容最好的慕课，它们是免费的，对付想成为数据科学家的人是非常有代价的。

数据科学韦恩图

Drew Conway

数据科学的多学科交叉性可以通过德鲁 · 康威这张饱受嫌弃的维恩图可视化。
通过这个图表，我们可以推断出数据科学领域包括黑客技能、机器学习和多重变量剖析。

我已经打消了领域专业知识，由于这取决于你所在的公司，而在线课程无法得到沟通技能等硬技能，你须要与现实生活中的人交谈才能做到这一点（只管这可能令人畏缩）。

以下20个课程将分为3个部分:

1. 数据科学

2. 黑客技能

- Python

- R措辞

- 构造化查询措辞

3. 机器学习与人工智能

- 机器学习与人工智能根本

- 深度学习

- 自然措辞处理

- 打算机视觉

我没有实地稽核不同课程，也没有花几个小时过滤网上的滋扰信息，而是编辑了这个列表，个中包含了我创造在机器学习、人工智能、数据科学和编程学习中很有用的课程。

下面，就来看看这个列表吧！

慕课

0. 学会如何学习

这门课程能教你的人生中最主要的技能之一，便是学会如何学习。
它会教你一些技巧和方法，确保你能记住你所学到的东西，并帮助你在现实生活中运用它们。
由于拥有精确的学习方法是学习任何东西的一个主要先决条件，这便是为什么它被列为序号0，由于它为下面的每一门课程奠定了根本。

数据科学

1.CS109数据科学——哈佛

CS109是先容调查的五个关键方面的课程:

· 数据纠缠、清理和取样，以得到得当的数据集

· 数据管理能够快速、可靠地访问大数据

· 产生假设和直觉的探索性数据剖析

· 基于回归和分类等统计方法的预测

· 通过可视化、故事和可阐明的择要来互换结果。

其余，它是用Python教的！

2. 从数据中学习——加州理工

对付所有数据爱好者来说，深刻理解机器如何从数据中学习以及如何改进处理过程是至关主要的。
这是一门先容机器学习的课程，包括基本理论，算法和运用。

你将学到什么:

· 学习是什么？

· 机器能学习吗？

· 如何做到？

· 如何做好？

3. 大数据概论——加州大学圣地亚哥分校

现在是大数据时期，所有的数据科学爱好者都有责任去理解大数据是什么以及它为什么主要。

你将学到什么:

· 大数据问题、运用程序和系统背后的术语和核心观点。

· 大数据在个人的业务或职业生涯中有多大用途。

· 先容最常用的框架之一 Hadoop

4.数据科学——约翰·霍普金斯大学（JHU）

简而言之，本课程教你如何提出精确的问题，操作数据集，以及创建可视化来互换结果。

你将学到什么:

· 利用R措辞来清理、剖析和可视化数据。

· 从数据采集到发布，浏览全体数据科学管道。

· 利用GitHub管理数据科学项目。

· 利用回归模型实行回归剖析、最小二乘和推断。

末了，你将拥有一个顶点项目，在这个项目中，通过运用真实天下的数据构建一个实际产品，并有所学习。
然后，这个作品将描述你新得到的数据科学实力。

数学

5. 机器学习专业化的数学——伦敦帝国理工学院

这门课程是机器学习的数学专业，它涵盖了你须要的所有数学知识，帮助更新你在学校可能已经忘却的所有观点和理论。
最主要的是，这门课程教你打算机科学的运用，让你对矩阵和回归与机器学习和数据科学的关系有更直不雅观的认识。

这一专业分为三个紧张课程:

1. 线性代数

2. 多元微积分

3. 降维主身分剖析

在这个专业的末了，你将得到必要的数学知识以连续你的旅程，并采纳更高等的课程在机器学习。

6. 线性代数——麻省理工

由独一无二的吉尔伯特·斯特朗教授授课。
斯特朗师长西席是最好的线性代数讲师（个人认为）。
因此，如果你正在探求一个好的线性代数课程，那便是它了。

本课程涵盖矩阵理论和线性代数，强调在其他学科有用的主题。

7. 多元微积分——麻省理工

多元微积分是数据科学中的另一个主要观点。
从大略线性回归到支持向量机，以及神经网络，微积分都是必要的。

本课程涵盖多元函数的微分、积分及向量微积分。

8.概率与统计——斯坦福大学

来源：Pexels

概率和统计是数据科学中所有奇迹发生的根本。
如果没有p值分布和二项分布以及所有行话，用数据进行预测将是不可能的。

你将学到什么:

1. 探索性数据剖析

2. 产生数据

3. 概率

4. 推论（Inference）

遗憾的是，这个课程已经结束了，以是下面是一个复习课程！
或者如果你想要卡内基梅隆大学的类似课程，请点击这里。

黑客技能

9. 谷歌Python课程

谷歌为初学者设计的免费课程。
本课程紧张由条记、视频和大量的代码练习组成，帮助您开始用Python写代码。
我创造它很有用，并向所有希望开始学习Python的人推举它。

10.运用数据科学与Python——密歇根大学

密歇根大学的5门专业课程，通过Python编程措辞向学习者先容数据科学。
本课程利用方便、直不雅观的木星条记本（JupyterNotebooks）。

这五门课程是:

1. 数据科学导论

2. 运用绘图、制图和数据表示

3. 运用机器学习

4. 运用文本挖掘

5. 运用社交网络剖析

11. R措辞统计学——杜克大学

这种专业化帮助您节制R措辞中的剖析和可视化，R措辞是数据科学领域中顶尖的编程措辞之一。

你将学到什么:

· 创建可重复的数据剖析报告

· 推论统计的统一性

· 实行频率推论统计和贝叶斯模型，以理解自然征象和作出基于数据的决定

· 在不依赖统计术语的情形下，精确、有效地传达统计结果，批评以数据为根本的哀求和评价以数据为根本的决定

· 用R措辞包为数据剖析辩论和可视化数据。

12.数据科学中的构造化查询措辞——加州戴维斯大学

构造化查询措辞（SQL）是数据科学家检索和处理数据的主要工具，是与数据库系统交互的公认措辞。
这个课程是为那些想要在领英（职场社交平台）技能部分中添加SQL，并开始利用它来挖掘数据的初学者量身定做的。
最主要的是，他们将学会提出精确的问题，并得出好的答案，为你的组织供应有代价的见地。

你将学到什么:

· 创建表格，并能够将数据移入表格

· 常用操作符和如何组合数据

· 案例语句、数据管理和概要剖析等观点

· 谈论有关数据的话题，并利用现实天下的编程作业进行练习

· 阐明源数据中的构造、含义和关系，并将 SQL 作为一种专业数据来塑造数据，以便进行目标剖析

机器学习和人工智能

13.机器学习速成班——谷歌

这个速成课程是一个为有抱负的机器学习实践者准备的自学指南，它以视频讲座、现实天下的案例研究和实践练习为特色。
这是在“与谷歌学习”人工智能倡议下的课程之一，鼓励所有人学习人工智能。

来源：Pexels

14.人工智能要素——赫尔辛基大学

《人工智能要素》是由Reaktor和赫尔辛基大学开拓的一系列免费在线课程。
它旨在鼓励每个人学习人工智能是什么，人工智能能做什么和不能做什么，以及如何开始创造人工智能路子。
这些课程结合了理论和实践练习，可以按自己的步调完成。

15.机器学习——吴恩达

吴恩达的机器学习是互联网上最受欢迎的在线课程之一，它包含方方面面。
从最根本的到神经网络和支持向量机，末了加上一个运用项目。
这门课程的好处是吴恩达是一位令人难以置信的老师。
坏的方面，是用MATLAB教的（我更喜好 Python）。

16.程序员的实用深度学习课程——Fast.ai

如果你想免费理解深度学习，Fast.ai是一个在线课程。
互联网上的每个人都推举它，对付那些想要学习深度学习的人来说，它无疑是一个有代价的资源。
本课程利用jupytorch的条记本进行学习，并将其作为编写深度学习代码的紧张工具。

17. 深度学习——斯坦福大学

深度学习是人工智能中最受欢迎的技能之一。
在本课程中，你将学习深度学习的根本，理解如何建立神经网络，并学习如何领导成功的机器学习项目。
您将学习卷积网络、RNNs、LSTM、Adam、Dropout、BatchNorm、Xavier/He初始化等等。

18. CS224N 自然措辞处理与深度学习——斯坦福大学

自然措辞处理（NLP）是信息时期的主要技能之一，是数据科学的主要组成部分。
NLP的运用无处不在——在网络搜索、电子邮件、措辞翻译、谈天机器人等领域。
在本课程中，学生将得到有关自然措辞处理的深度学习的前沿研究的全面先容。

你将学到什么:

· 设计、实现和理解你的神经网络模型。

· PyTorch!

19. CS231n: 用于视觉识别的卷积神经网络——斯坦福大学

打算机视觉已经在我们的社会中无处不在，其运用领域包括搜索、面部识别、无人机，最引人瞩目的是特斯拉汽车。
本课程深入磋商深度学习架构的细节，重点是学习这些任务的端到端模型，特殊是图像分类。

你将学到什么:

· 履行、演习和调试他们的神经网络

· 详细理解打算机视觉的前沿研究。

末了的任务包括演习一个数百万参数的卷积神经网络，并将其运用于最大的图像分类数据集（ImageNet）。

来源：Pexels

名誉提名

· 可汗学院

· Kaggle课程

· 线性代数、微积分和神经网络的蓝色布朗实质

· 迈向数据科学学习部分

行动操持

在线学习数据科学有时很困难，由于你没有一个构造化的课程来见告你该做什么。
但是，与其这样看待它，不快意识到你有自由去构建一条适宜自己的学习道路，并且可以让自己发挥出最好的一壁。
一个好处是，你可以在你的大脑处于最高效率的时候学习，在它效率较低的时候安歇。
此外，你可以根据自己的兴趣和激情亲切来决定学习什么。

建议

在网长进修的时候，一些小窍门便是保持做大略的条记，在一天结束的时候写一些心得，或者在博客上记录你所学到的东西。
同样，利用费曼技能向朋友和家人阐明你所学到的东西也很主要，尤其是对付像数据科学这样的繁芜课题。

此外，学习机器学习算法和神经网络时，在编写代码的同时学习它是至关主要的，这样你就可以看到你在学习什么，并对手头的主题有更好的理解。
成为诸如Reddit，Discord等在线社区的一部分也是很好的，这样你就可以提出问题并从专家那里得到很好的答案。

总结一下:

1. 记条记/写博客

2. 利用费曼技巧

3. 编码和观点（从头开始创建一个神经网络）

4. 加入数据科学在线社区提问

来源：Pexels

末了，引用阿瑟 · w · 奇克林和斯蒂芬 · c · 埃尔曼的一句话

“仅仅坐在教室上听老师讲课、影象预先包装好的作业、吐出答案，学生学不了多少东西。
他们必须评论辩论正在学习的东西，写下关于它的反思，将它与过去的经历联系起来，并将它运用到日常生活中。
他们必须让学到的东西成为自己的一部分。
”

感谢阅读，希望这篇文章对你来说能供应很多思路的。

请在评论中留下任何其他你建议的数据科学的免费在线课程！

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范