De bästa gratis datavetenskapskurserna under låsning

Om du är låst på grund av COVID-19-pandemin kan du bara ha lite extra tid på dina händer. Binging Netflix är bra och bra, men kanske blir du trött på det och du vill lära dig något nytt.

Ett av de mest lukrativa fälten som har öppnats under de senaste åren är datavetenskap. De resurser jag listar nedan kommer att hjälpa dem som är tekniska nog för att förstå matematik på nivå med statistik och differentiell kalkyl för att integrera maskininlärning i sina färdigheter. De kan till och med hjälpa dig att starta en ny karriär som datavetare. 

Om du redan kan programmera i Python eller R, kommer den färdigheten att ge dig ett steg i tillämpad datavetenskap. Å andra sidan är programmeringen inte den svåra delen för de flesta - det är de numeriska metoderna.

Coursera erbjuder många av följande kurser. Du kan granska dem gratis, men om du vill ha kredit måste du betala för dem.

Jag rekommenderar att du börjar med boken The Elements of Statistical Learning så att du kan lära dig matematiken och begreppen innan du börjar skriva kod.

Jag bör också notera att det finns flera bra kurser på Udemy, även om de inte är gratis. De kostar vanligtvis cirka 200 dollar vardera för livstidsåtkomst, men jag har sett många av dem rabatterade till mindre än 20 dollar de senaste dagarna.

Jeff Prosise från Wintellectnow berättar för mig att han planerar att göra några fler av sina kurser gratis, så håll ögonen öppna.

The Elements of Statistical Learning, andra upplagan

Av Trevor Hastie, Robert Tibshirani och Jerome Friedman, Springer

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

Den här kostnadsfria e-boken på 764 sidor är en av de mest rekommenderade böckerna för nybörjare inom datavetenskap. Det förklarar grunderna för maskininlärning och hur allt fungerar bakom kulisserna, men innehåller ingen kod. Om du föredrar en version av boken med applikationer i R kan du köpa eller hyra den via Amazon.

Tillämpad datavetenskap med Python-specialisering

Av Christopher Brooks, Kevyn Collins-Thompson, VG Vinod Vydiswaran och Daniel Romero, University of Michigan / Coursera

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

De fem kurserna (89 timmar) i denna specialisering från University of Michigan introducerar dig till datavetenskap genom programmeringsspråket Python. Denna specialisering är avsedd för elever som har en grundläggande Python- eller programmeringsbakgrund och som vill tillämpa statistik, maskininlärning, informationsvisualisering, textanalys och sociala nätverksanalystekniker genom populära Python-verktygslådor som Pandas, Matplotlib, Scikit-learning, NLTK och NetworkX för att få insikt i deras data.

Datavetenskap: Stiftelser med R-specialisering

Av Jeff Leek, Brian Caffo och Roger Peng, Johns Hopkins / Coursera

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

Denna 68-timmars specialisering (fem kurser) omfattar grundläggande datavetenskapliga verktyg och tekniker, inklusive att få, städa och utforska data, programmering i R och genomföra reproducerbar forskning.

Djup lärning

Av Andrew Ng, Kian Katanforoosh och Younes Bensouda Mourri, Stanford / deeplearning.ai / Coursera

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

På 77 timmar (fem kurser) lär denna serie grunden för djupinlärning, hur man bygger neurala nätverk och hur man leder framgångsrika maskininlärningsprojekt. Du kommer att lära dig om konvolutionsnätverk (CNN), återkommande neurala nätverk (RNN), långa korttidsminnesnätverk (LSTM), Adam, Dropout, BatchNorm, Xavier / He-initialisering och mer. Du kommer att arbeta med fallstudier från hälso- och sjukvård, autonom körning, teckenspråkläsning, musikgenerering och naturlig språkbehandling. Förutom teorin kommer du att lära dig hur den tillämpas i industrin med hjälp av Python och TensorFlow, som de också lär ut.

Grundläggande för maskininlärning

Av Jeff Prosise, Wintellectnow

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

I den här gratis två timmar långa introduktionsvideokursen tar Prosise dig igenom regression, klassificering, Support Vector Machines, Principal Component Analysis och mer med Scikit-learning, det populära Python-biblioteket för maskininlärning. 

Maskininlärning

Av Andrew Ng, Stanford / Coursera

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

Denna 56-timmars videokurs ger en bred introduktion till maskininlärning, datautvinning och statistiskt mönsterigenkänning. Ämnen inkluderar övervakad inlärning (parametriska / icke-parametriska algoritmer, supportvektormaskiner, kärnor, neurala nätverk), inlärning utan tillsyn (kluster, dimensioneringsreduktion, rekommendatorsystem, djupinlärning) och bästa praxis inom maskininlärning och AI (bias / varianssteori och innovationsprocessen). Du lär dig också hur du använder inlärningsalgoritmer för att bygga smarta robotar, webbsökning, skräppost, datorsyn, medicinsk information, ljud, databasutvinning och andra områden.

Maskininlärning

Av Carlos Guestrin och Emily Fox, University of Washington / Coursera

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

Denna 143-timmars (fyra-rätters) specialisering från ledande forskare vid University of Washington introducerar dig till det spännande, höga efterfrågan inom maskininlärning. Genom en serie praktiska fallstudier får du tillämpad erfarenhet inom viktiga områden inom maskininlärning inklusive förutsägelse, klassificering, kluster och informationssökning. Du kommer att lära dig att analysera stora och komplexa datamängder, skapa system som anpassar sig och förbättras över tiden och bygga intelligenta applikationer som kan göra förutsägelser från data.