进入21世纪，传统教育已转变为一种选择，而不是生活中的必需品。随着互联网的繁荣和大规模开放在线课程(MOOC)的兴起，人们可以选择在线学习数据科学以避免学生债务。统计数据显示，在线教学让学生每小时学习的材料多5倍。在线学习的好处是无穷无尽的，包括降低成本以及灵活的时间表和环境。数据科学的民主化现在是2020年，数据科学比以往任何时候都更加民主化。这意味着任何拥有适当工具和大量数据的人都可以在几乎没有专业知识的情况下进行数据科学研究。随着数据渗透到行业的每个角落，拥有数据科学家的技能是不可避免的趋势，这导致劳动力队伍会说数据的语言。考虑到这一点，对于一个完全的初学者来说，通过在线课程开始从事数据科学工作是可能的。所需要的只是一个结构良好的学习计划、正确的学习方法、始终如一的动力和热情，以及辅助培训计划。如何在线学习数据科学？最好的MOOCs+正确的学习方式+激情+项目所以在这篇文章中，我将介绍最好的MOOCs，它们是免费的，对于想成为数据科学家的人来说非常有价值。DataScienceVennDiagramDrewConway数据科学的跨学科性质可以通过DrewConway绘制的这张非常讨厌的维恩图来形象化。从这张图中，我们可以推断数据科学领域包括黑客技能、机器学习和多元分析。我已经排除了领域专业知识，因为它取决于你工作的公司，并且在线课程无法获得沟通技巧等硬技能，你需要与现实生活中的人交谈才能做到这一点（尽管这可能令人生畏）.以下20门课程将分为3个部分：1.数据科学2.黑客技巧PythonR语言结构化查询语言3.机器学习与AIMachineLearningandAIFundamentalsDeepLearningNaturalLanguageProcessingComputerVision我花了几个小时在网上筛选噪音，整理了这份我认为对机器学习、人工智能、数据科学和编程学习有用的课程列表。接下来，我们就来看看这份榜单吧！MOOC0.LearnHowtoLearn这门课程可以教会你生活中最重要的技能之一，那就是学会如何学习。它将教给您技术和技巧，确保您记住所学内容，并帮助您将其应用到现实生活中。因为拥有正确的学习方法是学习任何东西的重要先决条件，所以它被列为序数0，因为它为下面的每门课程奠定了基础。数据科学1.CS109数据科学-哈佛CS109是一门介绍调查的五个关键方面的课程：数据整理、清理和抽样以获得合适的数据集数据管理能够快速可靠地访问大数据生成假设和直觉基于探索性数据分析基于统计方法（如回归和分类）的预测通过可视化、故事和可解释的摘要传达结果。另外，它是用Python教授的！2.LearningfromData-Caltech对于所有数据爱好者来说，深入了解机器如何从数据中学习以及如何改进流程至关重要。这是对机器学习的介绍，包括基础理论、算法和应用。你将学到什么：什么是学习？机器能学习吗？怎么做？了解什么是大数据及其重要性。您将学到什么：大数据问题、应用程序和系统背后的术语和核心概念。大数据对个人的业务或职业有多大用处。介绍最常用的框架之一Hadoop4.数据科学-约翰霍普金斯大学(JHU)简而言之，本课程将教您如何提出正确的问题、操作数据集以及创建可视化效果以传达结果。您将学到什么：使用R语言清理、分析和可视化数据。导航整个数据科学管道，从数据摄取到发布。使用GitHub管理数据科学项目。使用回归模型执行回归分析、最小二乘法和推理。最后，您将拥有一个顶点项目，您可以在其中构建真实的产品并通过应用真实世界的数据来学习。然后，这篇文章将描绘出你新发现的数据科学实力。Mathematics5.MathematicsforMachineLearningSpecialization-ImperialCollegeLondon本课程为机器学习数学专业，涵盖你需要的所有数学知识，帮助你刷新所有在学校可能遗忘的概念和理论。最重要的是，本课程教授您计算机科学的应用，让您更直观地了解矩阵和回归与机器学习和数据科学的关系。本专业分为三门主要课程：线性代数多元微积分降维主成分分析在本专业结束时，您将获得必要的数学知识以继续您的旅程并参加机器学习的更高级课程。6.LinearAlgebra-MIT由独一无二的GilbertStrong教授授课。斯特朗先生是最好的线性代数讲师（在我看来）。因此，如果您正在寻找一个好的线性代数课程，就是这样。本课程涵盖矩阵理论和线性代数，强调对其他学科有用的主题。7.多元微积分——麻省理工学院多元微积分是数据科学中的另一个重要概念。从简单的线性回归到支持向量机和神经网络，微积分对于一切事物都是必需的。本课程涵盖多变量函数的微分、积分和向量微积分。8.概率和统计——斯坦福大学概率和统计是数据科学中所有魔法发生的基础。如果没有p值分布和二项分布以及所有行话，用数据进行预测是不可能的。您将学到什么：探索性数据分析从数据中生成概率推论（推理）不幸的是，这门课程已经结束，所以这里有一个复习课程！或者，如果您想要卡内基梅隆大学的类似课程，请单击此处。黑客技巧9.GooglePythonCourseGoogle为初学者提供的免费课程。本课程主要由笔记、视频和大量编码练习组成，可帮助您开始使用Python进行编码。我发现它很有用，并推荐给任何想开始学习Python的人。10.AppliedDataSciencewithPython——密歇根大学的5门专业课程通过Python编程语言向学习者介绍数据科学。本课程使用方便直观的JupyterNotebooks。五门课程分别是：IntroductiontoDataScienceAppliedGraphing,Mapping,andDataRepresentationAppliedMachineLearningAppliedTextMiningAppliedSocialNetworkAnalysis11.RLanguageStatistics-DukeUniversity这个专业帮助你掌握R语言Visualization,R的分析和分析语言是数据科学领域最顶尖的编程语言之一。您将学到：创建可重现的数据分析报告推论统计的一致性执行频繁的推论统计和贝叶斯模型以了解自然现象并做出基于数据的决策不依赖统计术语的正确和高效有效地传达统计结果，批判基于数据的主张和评估基于数据的决策使用R包对数据进行论证和可视化以进行数据分析。12.StructuredQueryLanguageinDataScience-加州大学戴维斯分校结构化查询语言（SQL）是数据科学家检索和处理数据的重要工具，是公认的与数据库系统交互的语言。本课程专为希望将SQL添加到LinkedIn技能部分并开始使用它来挖掘数据的初学者量身定制。最重要的是，他们将学会提出正确的问题并得出好的答案，从而为您的组织提供有价值的见解。您将学到什么：创建表并能够将数据移动到表中常见运算符以及如何组合数据案例语句、数据治理和分析等概念讨论有关数据的主题并通过实际编程作业进行实践解释源数据结构，SQL中的含义和关系，以及SQL作为专门为目标分析塑造数据的专业机器学习和人工智能13.机器学习速成课程-Google由读者准备的自学指南，包括视频讲座和真实案例研究和动手练习。这是“LearnwithGoogle”人工智能计划下的课程之一，该计划鼓励所有人学习人工智能。14.ElementsofArtificialIntelligence-UniversityofHelsinki《人工智能要素》是Reaktor和赫尔辛基大学开发的一系列免费在线课程。它旨在鼓励每个人了解什么是AI、AI能做什么和不能做什么，以及如何开始创建AI路径。这些课程结合了理论和实践练习，可以按照您自己的进度完成。15.机器学习——吴恩达的机器学习是互联网上最受欢迎的在线课程之一，它涵盖了一切。从最基础的到神经网络和支持向量机，最后加上一个应用项目。这门课程的好处是AndrewNg是一位了不起的老师。不利的一面是，它是在MATLAB中教授的（我更喜欢Python）。16.程序员实用深度学习课程-Fast.ai如果你想免费学习深度学习，Fast.ai是一个在线课程。互联网上的每个人都推荐它，对于那些想了解深度学习的人来说，这无疑是一个宝贵的资源。本课程使用jupytorch笔记本作为编写深度学习代码的主要工具。17.深度学习——斯坦福大学深度学习是人工智能领域最抢手的技能之一。在本课程中，您将学习深度学习的基础知识，学习如何构建神经网络，以及如何领导成功的机器学习项目。您将了解卷积网络、RNN、LSTM、Adam、Dropout、BatchNorm、Xavier/He初始化等。18.CS224NNaturalLanguageProcessingandDeepLearning-斯坦福大学自然语言处理（NLP）是信息时代的重要技术之一，也是数据科学的重要组成部分。NLP无处不在——网络搜索、电子邮件、语言翻译、聊天机器人等等。在本课程中，学生将全面了解自然语言处理深度学习的前沿研究。您将学到什么：设计、实施和理解您的神经网络模型。火炬！19.CS231n:ConvolutionalNeuralNetworksforVisualRecognition-Stanford计算机视觉已经在我们的社会中变得无处不在，在搜索、面部识别、无人机和最著名的特斯拉汽车中都有应用。本课程深入探讨深度学习架构的细节，重点是学习这些任务的端到端模型，尤其是图像分类。您将学到什么：实施、训练和调试他们的神经网络了解有关计算机视觉前沿研究的更多信息。最后一项任务涉及训练一个数百万参数的卷积神经网络并将其应用于最大的图像分类数据集(ImageNet)。荣誉提名可汗学院Kaggle课程线性代数、微积分和神经网络蓝棕色精髓数据科学学习部分行动计划在线学习数据科学有时很困难，因为您没有结构化的课程来告诉您该做什么。但不要那样看，要意识到你可以自由地构建一条适合你的学习路径，并发挥出你最好的一面。一个好处是，您可以在大脑最高效的时候学习，而在效率较低的时候休息。此外，您可以根据自己的兴趣和爱好决定学习什么。在线学习时建议的一些技巧是做简单的笔记，在一天结束时写下想法，或者写下你学到的东西。同样，使用费曼技术向朋友和家人解释你学到的东西也很重要，尤其是对于数据科学等复杂主题。另外，在学习机器学习算法和神经网络时，边写代码边学习是很重要的，这样你就能看到你在学什么，更好地理解手头的主题。成为Reddit、Discord等在线社区的一员也很棒，这样您就可以提出问题并从专家那里获得很好的答案。总结一下：记笔记/写博客使用费曼技术编码和概念（从头开始创建神经网络）加入数据科学在线社区提问最后，引用ArthurW.Chickling和StephenC.Ellman的话仅仅通过坐在课堂上听老师讲课、记住预先打包的作业并吐出答案就可以学到很多东西。他们必须谈论他们正在学习的东西，写下关于它的反思，并将其与过去的经验联系起来，并将其应用到他们的日常生活中。他们必须将所学变成自己的一部分。”感谢阅读，希望这篇文章能给您带来很大的启发。大学课程推荐：深度学习工程师实战系列（基本原理+主流框架+项目实战）
