本文来自“成为更好的数据科学家必须学习的在线课程”
作者:大卫·阿德里安·卡内斯
翻译:氹欞侊
故事要从很久以前说起。2015年，我开始学习数据科学。最初的目的是为了满足雇主的需求。我在一家为西班牙公司提供自动化服务的公司工作。我需要使用数据来自动化复杂的任务，这些任务的规则不容易硬编码。那时候我刚从一场可怕的经济危机中毕业。作为一名工程师，对统计建模有一定的了解，能熟练使用MATLAB。
2015年，没有专门的数据科学学位、训练营和获取近期研究的途径，至少在西班牙没有。那时候数学家大多集中精力成为公立教育系统的老师或教授，而软件工程师相对于枯燥的数据科学，更倾向于应用开发或创造一个类似优步的新“X”。
在这种情况下，大部分数据科学从业者都是一群应届毕业生，大部分都有量化学位。在这种背景下，我找到了一些对我有很大帮助的有价值的网络资源，从长远来看，我会成为今天更好的数据科学家。
放弃
在线课程不会让你成为数据科学家。要成为数据科学家，您需要具备以下条件:
数量上的程度。使用工具和技术的实际知识。这些都可以从训练营里学到，就像我和佩德罗教的那样。有实际项目和相关项目的实践经验。这是这个列表中最重要也是最难的一点。氛围，周围都是优秀的专业人士。正如我的前老板曾经告诉我的那样:如果你是房间里最聪明的人，你应该开始担心了。对数据科学有很好的理解，包括数据结构、系统和算法如何工作的理论知识。
最后一点是本文的重点。我将在这里向您展示的在线课程是那些专注于获取数据科学理论基础的课程，这些课程有一些共同的特点:
这不是典型的训练营迷你课程。通勤一小时内就能完成。这些课程时间长，难度大，时间成本必须投入。由顶尖大学的优秀教授授课。被公司、招聘人员等认可。这些课程不会让你成为一名数据科学家，但是当你练习你的技能和实际项目，学习你需要的工具等等的时候，这些课程会把你训练成一名长期成功的基础数据科学家，除了那些训练机器学习模型和编写代码，但不知道真正发生了什么和为什么的平庸的数据科学家。
“本文不是这些课程赞助的！”
记住这一点很重要。与其他推荐数据科学课程的帖子和列表相反，这篇文章对你有两个好处:第一，我已经完成了这里列出的每一门课程。我推荐它们的原因是，根据我的个人经验，它们是值得的。每门课我都会附上相应的证书来证明我的话，虽然没有人会给我送钱。
课程推荐
那么，今天就言归正传，我们按时间顺序逐一介绍。
1.计算机科学和使用Python编程简介
计算机科学和使用Python编程简介
这是麻省理工学院埃里克·格里姆森教授讲授的一门优秀课程。根据我在MATLAB的经验，作为一名数据科学家，我的首要目标之一是学习Python。我上这门课的时候，内容是为Python 2写的，最近更新到Python 3了。
这门课有趣的地方在于，它介绍了计算机科学的重要概念，这些概念通常被许多数据科学家遗忘，比如数据结构、计算复杂性、面向对象编程、算法和递归。
如果你是一名经验丰富的数据科学家，但不具备Python知识，那么这门课程是一个不错的选择，而且它现在是一门标准课程。
2.计算思维和数据科学导论
计算思维和数据科学导论
这是对上一门课的进阶学习。注意应用于统计学的编程。内容编码了很多模拟，生动有趣。
3.分析优势
分析相关性
这是Dimitris Bertsimas教授的一门很好的课程，侧重于机器学习算法和优化算法的结合，利用ggplot进行可视化。包括线性模型，决策树，随机森林，聚类，线性规划，一些NLP。另外需要注意的是，所有内容都是用R语言讲授的。
4.机器学习
机器学习
这门课不需要介绍。可能是最著名的关于机器学习的课程，也是过去几年ML宣传的一大功臣。
本课程由斯坦福大学著名教授、人工智能倡导者吴恩达教授主讲。课程很优秀，重点介绍了最流行的机器学习算法，包括它们的数学基础。这是该领域最有价值的课程之一。
早在2016年，该课程就使用MATLAB/Octave进行教学。最近更新到Python。
5.从数据中学习
数据学习
这个有趣的课程由加州理工学院的亚塞尔·s·阿布-穆斯塔法教授撰写，深入介绍了什么是统计学习，为什么它是可行的，以及如何以正确的方式学习。它涵盖了诸如偏差权衡、过拟合、正则化、验证、归纳理论等深入的方面。它理性严谨地讲解了机器学习的基础，不推荐没有数学背景的人学习。
它的内容是基于同名的书:
6.深度学习专业化
深度学习专业化
这是吴恩达教授和他的新教育事业deeplearning.ai的深度学习专业知识，也是当今该领域最有价值的证书之一。
这是一门长期的专业课，有五门课专门讲神经网络，神经网络是当今最重要的算法之一，也是处理非结构化数据的最佳方式。从第一门课的神经网络基础和数学，到超级参数调整，项目规划和策略，卷积架构，最后是序列模型架构。这些课程结构严谨，基础实用，有很多实际的使用案例。
这些是我推荐的最好的课程。
当然，并不是我开始从事这一领域工作以来完成的全部课程。我总是在学习课程，有时甚至同时学习两门课程。虽然有时候会涉及到其他课题的知识，比如城市设计，能源等。，大部分都是关于数据科学的。如果你有兴趣，也许我会在另一篇文章中介绍这个话题。
虽然以下课程不足以列入上述课程推荐，但仍值得一看:
1.深度学习简介
深度学习简介
这是莫斯科高等经济学院的一门课程。上面没有列出来，因为它非常粗放，结构性比较弱，但是在某种程度上，粗放也可以是它的优势之一。
如果你正在寻找深度学习的简要介绍，这涉及到很多架构而不太关注背后的数学知识，并且不想花几个月的时间学习deeplearning.ai的所有深度学习专业知识，那么这门课程就是为你量身定制的。最终项目是建立一个应用程序，可以生成有趣的图像标题。
2.如何赢得数据科学竞赛:向顶级Kagglers学习
如何赢得数据科学竞赛:向顶尖的Kagglers学习
这是机器学习的另一门课。如果我这辈子只能而且必须选一门关于机器学习的课程，那我就选这门。本课程概述了成为高效数据科学家所需的几乎所有知识，涵盖以下重要主题:
探索性数据分析。从实用的角度来看，有许多不同的ML算法。
例如平均或目标编码。许多Kaggle比赛的真实例子，由比赛的获胜者和Kaggle大师解释。
这门课程虽然侧重于竞争数据科学，但与实际行业中的机器学习项目不同。在机器学习项目中，不仅要获得最好的结果，还要获得改进机器学习模型的灵感。
3.医学专业人工智能
人工智能医学专业
派爱
deeplearning.ai的最新专业知识是关于如何将人工智能应用于医疗保健。鉴于目前的新冠肺炎疫情，不用说，政府和个人都在努力寻找创新的解决方案来应对这场公共卫生危机。如今，将人工智能应用于医疗保健被认为是未来十年最有前途的领域。人工智能不会取代医生，但是用AI的医生会取代不用AI的医生。
在过去的几年里，人工智能解决方案在市场营销、客户管理、能源等领域取得了长足的进步。，但由于以下原因，医疗保健一直落后于人:
与数据隐私和道德考虑相关的管理障碍。在一个相当传统的领域，医生和技术人员之间的交流并不总是那么容易引起人们的兴趣。算法的性能如此重要，AI的实现必须非常谨慎。
最近的疫情改变了公众对健康数据使用的看法，政府和舆论都更愿意探索人工智能在医疗领域的可能性。
本专业分为3门课程，包括:
用于医疗诊断的人工智能:学习如何根据医学图像识别疾病。人工智能用于医疗预后:学习如何预测病人未来的健康状况。人工智能:理解因果推理，随机对照试验，模型可解释性。这在专业化的过程中并不是一个很有趣的过程，而且因为还很新，所以有些错误是不可避免的。
从技术角度来看，这些课程并不是很难。如果你打算学习这门专业课程，那么你有一些数据科学家的经验是一件好事，因为它专注于解释传统AI和医疗保健AI之间的关键差异，例如医疗保健的具体性能指标，适用于医学图像分割的深度学习架构，以及非常重视生存分析。
如果你想在十年后仍然是一名数据科学家，那么在通用数据科学正在成为竞争激烈的商品的环境下，这个专业是一个很好的途径。
感谢您阅读这篇文章。希望这些信息对你的职业发展或学习新知识有所帮助。
