博文翻译系列——如何入门数据科学 without spending a penny

TensorSense

于 2021-10-22 10:07:02 发布

阅读量442

点赞数

分类专栏： machine learning deep-learning 文章标签：线性代数数据科学教学视频深度学习机器学习

本文链接：https://blog.csdn.net/u011995719/article/details/120899558

版权

deep-learning 同时被 2 个专栏收录

35 篇文章 9 订阅

订阅专栏

machine learning

21 篇文章 17 订阅

订阅专栏

转载请注明出处：https://blog.csdn.net/u011995719/article/details/120899558
博文翻译转载系列——基于“输入输出”学习方法，非直译的方式转载国外博文，取其精华去其糟粕转化为自己的语言，供大家学习交流。

目录

数学与代码基础
机器学习与深度学习基础
总结与建议

原文：https://medium.com/@pranshumshr.04/how-i-learned-data-science-without-spending-a-penny-67d2ac5d04a1

译文：
博文翻译系列——How I learned Data Science without spending a penny.
看看我是如何不花一分钱学习数据科学相关知识

数据科学（Data Science）是很大的方向，想要学习数据科学，堪比登天（毕竟涉及太多的课程）。数据科学的学习需要很多预备知识，因此，想要掌握好数据科学，就需要有一个良好的计划。很多初学者不知道怎么学习，就会花费高昂的价格购买各种学习课程。而我是一个提倡自学的自学主义者，这里就介绍一些免费的自学资源给大家，包括好评如潮的免费资源。
先来看预备知识的学习资源：

数学与代码基础

线性代数（Linear Algebra）: 线性代数的重要性不言而喻（通常大一就会上这门课），线代中需要了解向量和矩阵的概念及其基础操作，如点积（dot products）和矩阵乘法（matrix multiplication）等待。
3Blue1Brown’s playlist “Essence of Linear Algebra” is a really good resource to develop an intuition for Linear Algebra.
You can also try the Mathematics for Machine Learning Specialization’s Course 1: Linear Algebra.
微积分(calculus)：入门数据科学不需要深奥的微积分知识，只需要先了解基础的概念，如梯度下降法，它是机器学习重要的组成部分，也是神经网络的基石。
Again 3Blue1Brown’s playlist “Essence of Calculus” is a really good resource to develop an intuition for Calculus.
Similarly, you can also try the Mathematics for Machine Learning Specialization’s Course 2: Multivariate Calculus.
统计学（statistics）：统计学可以说是数据科学最重要的预备知识了，统计学、线代、微积分可以说是大学数学的三大基石，一般统计学是在大二上的课，线代和微积分大一就会上，不过即使不熟悉线代和微积分也能把统计学学好，不过这里不建议大家这么做。如果不了解统计学，那么就不能理解各种模型得出的结果。
Krish Naik’s playlist: Statistics in Machine Learning. There’s also some content related to stats in his Feature Engineering playlist, but I would recommend going through it after you’ve learned some ML Basics.
There are a lot of statistics courses on Coursera as well which you can try, but I think Krish Naik’s playlist is enough to get started.
Python：数据科学领域中最热门的编程语言就是python，毕竟“人生苦短，我用Python”（Life is short,you need Python），python及其容易上手。python的基础语法非常简单，2天就可以学会，但是如果你把python想得那么简单那就太年轻了，python之所以强大是得益于它的各种工具包，因此除了python语法之外，还需要学习常用的工具包（工具库），如numpy, pandas, matplotlib, seaborn等。
Again, Krish Naik’s python playlist cover’s everything from installing Anaconda to the libraries I mentioned above.
Also, a bit of practice on Hackerrank wouldn’t hurt if you don’t already have a programming background.

机器学习与深度学习基础

线性代数、微积分、统计学和python就是你入门数据科学的前置知识了。接下来还有很多其他理论知识需要去学习，例如机器学习和深度学习里的各种算法概念，只要把前置知识学扎实了，相信你再看机器学习和深度学习的算法概念就会简单一些。

机器学习（Machine Learning）：我（作者）在学习机器学习时就犯了一个大错误，这里分享给大家，千万别和我一样！一开始我是跳过机器学习直接学习深度学习的，很快就失去兴趣，因为很多内容看不懂，就容易打退堂鼓。因此建议大家先学习机器学习的基础知识，把基础打牢固之后再往后学习其他知识，这样会简单很多。虽然深度学习在众多领域的效果远超传统机器学习算法，但是在结构化数据中，机器学习算法仍然是首选。
结构化数据和非结构化数据：结构化数据是指高度组织和格式整齐的数据，可以放入表格中的，如日期、财务金额、电话号码、地址等。非结构化数据就是不符合预定义的模型，它们存储于非关系数据库中。简单说，非结构化数据是字段可变的数据。常见的非结构化数据有：图像、视频、新闻稿、聊天信息等。
You might have heard of the Machine Learning course by Andrew Ng on Coursera.
There’s also Stanford’s CS229 Course on YouTube which is an in-depth version of the above course.
And again there’s Krish Naik’s Machine Learning playlist which focuses more on the practical side of things.
深度学习（Deep Learning）：深度学习相较于传统机器学习的优点在于它能端到端的完成任务，无需人工提取特征，减少了很多工作量，甚至是避免了传统机器学习无法提取有效特征的这一工作。传统机器学习是人工寻找特征，然后定义方法从原始数据中计算出这些特征，再进行分类、回归。但是，在非结构化数据中，很难发现通用的特征，这就使得任务难以完成，例如猫、狗图像二分类，人类如何定义一张图像中是猫呢？这个很难，毕竟可能的情况有太多种可能。而深度学习具备端到端的学习能力，可以自动的提取抽象特征用于分类。
Again, Andrew NG’s Deep Learning Specialization course on Coursera is one of the best there is.
There’s also Stanford’s CS230 Course on YouTube which is an in-depth version of the above course.
Also, there’s Krish Naik’s Deep Learning playlist which focuses more on the practical side of things.

掌握以上知识（线性代数、微积分、统计学、python、机器学习、深度学习）后，就可以开始干项目了。根据任务的不同，又有很多子领域，如CV、NLP、DM等等，不同的领域又需要不同的基础知识要去学习，这里就先不吓唬大家了，关于CV、NLP、DM等知识后面有机会再给大家分享。

总结与建议

最后给几点建议，帮助大家更好的学习上述课程：

看视频时利用2倍速：不过不建议一开始就调整到2倍，而是从1.25倍开始慢慢递增。
在Coursera网站中选择旁听（the audit option）进行免费学习，不过这样是没有证书的。如果想要证书又承受不起钱包的压力，你还可以试试申请“助学金”（financial aid）。
好书推荐：DL by Ian Goodfellow, Pattern Recognition and ML by Christopher M Bishop, ML Engineering by Andriy Burkov, Approaching (Almost) Any Machine Learning Problem by Abhishek Thakur to name a few.
到Kaggle的Kernels和discussion中去学习，那里有代码、有理论、有实战技巧分享，强烈推荐大家到Kaggle中学习。
干、干、干，计算机是写代码的世界，数据科学有太多的理论知识，光学知识背算法没意义，一定
要将你所学的知识用到实际项目中，学以致用，放码过来，才是最好的方式。

以上，祝好运，保持学习。