Я заинтересован в изучении науки о данных, машинного обучения и R языка. Как начать с любого из этих курсов?


Ответ 1:

Поскольку вы на втором курсе ИТ-инжиниринга, я бы посоветовал вам посетить:

эта ссылка, чтобы понять больше о науке данных на современном рынке.

Наука о данных

это обширная концепция. Есть так много терминов, придуманных с этим названием. Позвольте мне объяснить вам диаграмму Венна:

Как мы видим для достижения тега Data Science, мы должны иметь знания о многих других предметах.

  • Математика. Математика - это душа концепций и алгоритмов машинного обучения. Многие ML алгоритм основан на математической концепции. Хотя вам не нужно быть доктором наук по математике, достаточно математики на уровне средней школы. Вы можете освежить математические навыки здесь: Академия хана. Важны такие темы, как матрицы, линейная алгебра, исчисление.
  • Статистика: Ну, это определенно душа науки о данных, которую должен знать каждый ученый. Без статистики вы не сможете полностью понять науку о данных. Но не волнуйтесь, это не ракетостроение. Вы можете изучить статистику здесь: Хан Академия
  • Информатика: Вы можете делать моделирование из ваших данных, используя статистику, но вы не можете манипулировать ими. Вы хотите реализовать эти вещи в реальной жизни, тогда вам нужно изучить кучу предметов информатики. Очевидно, что без информатики нет науки о данных. Такие предметы, как база данных, Python, Java (для больших данных), R необходимы для работы с огромными наборами данных. Вы можете узнать это здесь: Ответ Акаша Дугама на Я хочу изучить Python для анализа данных и машинного обучения. С чего мне начать?
  • Машинное обучение: ML = Stat + Matmatics + Python / R Еще один важный предмет, который должен изучать каждый, - «Машинное обучение». Вы должны иметь математические знания, чтобы выучить ML. Вот лучший в мире учебник по ML: Коллекция лекций | Машинное обучение
  • Знание предметной области: Вы можете получить ее, выполнив поиск в Google или, в основном, обучение для этих областей домена, проводимое самой компанией.
  • Те, кто хочет больше узнать о R, могут посетить здесь: Ответ Акаша Дугама на Как я могу стать экспертом в R?
  • Те, кто хочет больше узнать о Python, могут посетить здесь: Ответ Акаша Дугама на Где я должен изучать Python?

Ответ 2:

Престижность для вас чувак, вы начинаете вещи в себе 2-й год самой инженерии.

Конечно, вы можете понять вещи напрямую без особых предпосылок, но для совершенства

Линейная алгебра + Статистика + Кодирование + Теория информации

Сконцентрируйте их на изучении выпускного курса. Изучите их с точки зрения применения, спросите своего профессора, где он используется? как я могу использовать это в обычной жизни? бла бла бла.

С точки зрения курса у вас уже есть много ответов.

я бы предложил

Форма ребра аналитики edx

MIT, а затем

Конкурс Kaggle

как все время следуют

AnalyticsVidya.com

веб-сайт для обмена опытом и хороших возможностей для начала работы. Всегда учитесь на математике, лежащей в основе науки о данных, никогда не учитесь с помощью инструментов, которые специфические технологии обучения (R или Python) изменяют науку.

Больше всего строят качество «Любопытство». Это действительно стимулирует изучение данных.


Ответ 3:

Что ж, хорошо, что вы решили изучать машинное обучение на втором курсе!

Наука о данных, аналитика, машинное обучение, глубокое обучение, как всегда называют это имя, и прежде всего важна статистика.

Статистика - это первое, что вы должны изучить, прежде чем изучать R или любой другой язык программирования. Если вы просто изучаете язык программирования, вы можете создавать модели, но не можете решить, насколько хороша ваша модель! Изучите описательную статистику, логическую статистику, вероятности достаточно для начала.

Выберите язык программирования или инструмент, который подходит для науки о данных R, Python, SAS являются популярными и простыми.

Вам нужны знания nosql, такие как mongodb, которые изначально не требовались для обучения, но после того, как они попали в индустрию, это необходимо.

Визуализация данных необходима для анализа данных перед моделированием и представления результатов после построения модели. Tableau, qlikview, d3.js, R и Pythons, используемые для этого.

Теперь, исходя из моего опыта обучения в классах imarticus, edx, coursera, udacity, я советую вам пройти курс нанодреджи из udacity.

  • Курсы создаются Facebook, Google и другими пионерами в соответствующей области.
  • Плата составляет 9800 в месяц, 50% возвращается, если вы можете завершить через 12 месяцев. также есть дополнительная скидка 20% в некоторых случаях. Это означает, что если вы можете завершить в течение 1 месяца, вы можете получить его только за 4-5k.
  • Если вы закончите, придя фев. В марте проходит ярмарка вакансий с ведущими компаниями.

Ответ 4:

Пройдите эти курсы, и все готово для вашего путешествия по науке о данных.

Название курса:

Основы анализа данных, часть 1 и 2

В то время как выше два курса преподают статистику, используя R, очень полезны, и курс ниже обучает применению практики машинного обучения, используя R.

Название курса: край аналитики

Все эти курсы доступны на EdX

Или же

Coursera

Специализация в области наук о данных с использованием R

Университет Джона Хопкинса.

Или же

Вы можете следовать

Аналитик данных с R или

Специалист по данным с карьерным треком R

Datacamp

,

Пройдя любой из этих курсов, вы готовы к поездке в науку о данных. После этого вы можете тренироваться самостоятельно, используя разные наборы данных.

Всего наилучшего


Ответ 5:

Начните с 1, линейной алгебры и оптимизации 2. Базовая статистика 3, Машинное обучение 4, Python и R 5, SQL и DB

Отредактировано ::

Линейная алгебра и оптимизация для машинного обучения

Машинное обучение - Стэнфордский университет | Coursera

Машинное обучение - Стэнфордский университет | Coursera

Добро пожаловать в машинное обучение! - Стэнфордский университет | Coursera

Python для машинного обучения

Прикладное машинное обучение в Python - Университет Мичигана | Coursera

7 шагов к овладению машинным обучением на Python

Сац для Мл

Основная статистика - Университет Амстердама | Coursera

R Программирование для ML

Машинное обучение в R для начинающих

Углубленное знакомство с машинным обучением за 15 часов экспертных видеороликов

Обработка естественного языка

Дэн Юрафски и Крис Мэннинг: обработка естественного языка

18 новых обязательных книг для ученых по R и Python


Ответ 6:

Наука о данных

это общий термин, который охватывает несколько доменов, таких как:

  • Статистический анализ
  • Машинное обучение
  • Визуализация данных
  • Манипуляция данными

Сейчас,

р

, это язык, который может быть использован для реализации

концепции интеллектуального анализа данных

на реальных наборах данных. Он имеет более 10000 бесплатных пакетов и является

Тьюринг завершен.

Я понимаю, что вы хотите изучать науку о данных, поэтому я бы посоветовал вам выполнить следующие шаги:

  • Начните с изучения основных концепций интеллектуального анализа данных.
  • Изучите основы языка R:
  • VectorsListsMatricesData-кадры
  • Когда вы хорошо разбираетесь в основах, вы можете пойти дальше и реализовать концепции интеллектуального анализа данных, используя R

Это видео, которое охватывает основные концепции интеллектуального анализа данных, после чего следует тематическое исследование в R.

  • Вы можете выполнить некоторые задачи визуализации данных, используя пакет «ggplot2» в R
  • Наконец, чтобы овладеть своими навыками в области науки о данных, вы можете начать соревноваться в Kaggle.

Ответ 7:

Возраст это то, что не имеет значения, имеет значение только ваше любопытство, чтобы понять любую концепцию, в любом месте. Мне приятно знать о вашей заинтересованности в изучении этих курсов.

Наука о данных - это очень обширная концепция на современном рынке. Он состоит из следующих разделов:

Статистические исследования (предметная экспертиза + математика)

Обработка данных (предметная экспертиза + информатика)

Машинное обучение (информатика + математика)

Чтобы быть опытным в науке о данных, мы должны иметь знания о многих вещах. Вы должны иметь представление о статистических понятиях, которые являются душой науки о данных. Для машинного обучения вы должны быть сильны в математике. Чтобы манипулировать статистическими данными, знание информатики обязательно. Информатика является корнем науки о данных. Для машинного обучения необходимо знание статистики, математики и Python. Вы можете получить знания о домене, выполнив поиск в Google.

Но главное - откуда взять знания по науке о данных, машинному обучению и языку программирования R? Я знаю один институт, обеспечивающий образование

ZeoLearn

, где вы можете получить больше, чтобы исследовать и учиться. У них есть 10 курсов по науке о данных, которые включают в себя знаменитый курс Big Data и Hadoop, курс машинного обучения с использованием языка программирования Python и R, а также с хорошими преподавателями. У них более 105 курсов сертификации по языкам программирования, которые помогут вам повысить интерес к кодированию. Для получения дополнительной информации вы можете напрямую посетить их официальный сайт.


Ответ 8:

Все упомянутые ранее mooc хороши, особенно в Stanford для машинного обучения. Но прежде всего я должен сказать, что сначала вы должны сделать основы в исчислении, векторах и во всей инженерной математике прочными.

А также вы должны хорошо разбираться в логической и дифференциальной статистике. При условии, что знание ML будет легче понять.

Счастливого обучения !!