数据科学是当今市场上最热门的职业之一。公司一直在雇佣数据科学家，而且总是有很多人想成为一名数据科学家。然而，数据科学的存在时间不及其他技术学科，因此与软件开发不同，没有专门针对数据科学的学习平台来帮助有抱负和经验丰富的科学家。当然有Coursera和Udemy，还有一些像DataCamp这样知名的品牌平台。然后还有十几个或更多小型利基平台，旨在按照自己的方式培训数据科学家。我评估了数据科学界人士推荐的18个平台。根据您的学习方式和需求，这里有一个平台。本文的前半部分是我对平台的最终评估，最后是完整的平台列表，其中包含有助于评估它们的所有详细信息。本文的后半部分详细介绍了我评估平台的方法——了解不同的用户类型、购买平台和要评估的变量。所以，有时间的话，请跳到最后了解我的评价标准，再看结果。如果时间紧迫，请转到下一部分。TL;DR：为了我的评估，我创建了2个图来映射变量。它们是您在所有白皮书中看到的带有象限的图表。老实说，我有点羞于选择这种可视化（感觉就像在Excel中制作3D饼图），但我认为它可以让您快速确定哪个平台最适合您。图1：学习风格和经验问问自己：我的学习风格是什么？我想直接投入并开始编码吗？还是我想先看视频？我是新手，需要更多帮助吗？或者我可以直接跳进去吗？进入？>根据用户体验学习风格[图片由N.Rosidi创建]基于语音的平台的最末端是纯粹的被动语音，例如网页上的文本或某人对着视频说话。这些平台通常需要您自己安装软件，我认为这很懒惰，因为很容易启动包含所有软件的服务器以获得完整的开箱即用体验。用户并不总是先进的——这就是他们学习的原因——所以至少对我来说，这必须是一种可以通过浏览器轻松访问的软件、库和数据集的体验。交互式、自主学习让您可以按照自己的节奏工作，并选择您想要学习或练习的主题。最后，有一个功能齐全的IDE，可让您像在真正的专业环境中一样浏览、交互和操作数据。但它不仅是完全自学的，它还提供了可以帮助您解决问题和理解概念的解决方案。这里的方法是立即开始编码，并在问题出现时学习解决方案。这些平台非常适合有经验的用户，即使您只有中等经验。中间地带是讲座和交互式自主学习的结合。使用这些平台，你将踏上一条“路线”和“道路”，从头到尾学习一系列概念。您将看到文本和/或视频，然后要求您在交互式但受限的IDE中应用您学到的知识，您将在其中被问到复杂的问题。一个交互式但受限的IDE意味着IDE只接受回答提示问题的输入，所以你不能偏离轨道去探索数据或尝试不同的特性和技术——你知道，一个好的数据科学家会做什么。这非常适合从头开始学习并尝试从头开始学习新东西的人。图2：内容重点问问自己：我在努力学习Python吗？还是我想学习python成为数据科学家？我在准备面试吗？还是我正在尝试构建我的第一个机器学习模型？或者只是想学习基础知识？>技术重点的教育主题[图片由N.Rosidi创建]专业主题是针对特定目的的教育内容。例如，它为技术面试（数据科学或软件开发）做准备。这是为了学习使用python进行金融建模或构建梯度提升决策树。这些平台服务于小众受众，但它们在满足用户群方面做得非常好。通识教育只是介绍熟练掌握该语言的基本概念，例如如何创建pandas数据框来操作数据。一旦您掌握了这些概念，下一阶段将是深入研究满足您需求的特定主题。以用户为中心设计您的平台。在这种情况下，您是数据科学家还是软件开发人员？如果您正在阅读本文，您可能是一名数据科学家，但正如我之前提到的，还有更多的教学平台可以教授软件开发。有时这些平台提供Python教育，但它们的内容和示例并不总是适合数据科学家。这有点像向软件添加插件（它不是本机的，有??时可能很笨重）。对每个平台的详细评估，以防图表不够。每个平台的受欢迎程度和独特性>GoogleSheet链接：https://bit.ly/2UknbZ3哪种类型的用户将从每个平台中受益最多>GoogleSheet链接：https://bit.ly/2UknbZ3ly/2YaNlhR根据用户体验水平的教学风格和功能>Google表格链接：https://bit.ly/3f0SPm9按技术重点（数据科学和软件开发）划分的教育主题>Google表格链接：https://bit.ly/3f0SPm9/bit.ly/30kaqkS因此，根据您的职业目标和学习方式，每个人都有一个平台。您可能最终会在旅行时使用其中一些平台，因为每个平台都专注于特定的优势。选择一个数据科学平台，让你了解在你的阶段需要学习什么。希望这份清单对您有所帮助。请参阅下文了解我评估平台的方法...附录：我评估18个平台的方法1.用户角色我首先了解用户-你。在思考什么类型的人会对学习数据科学感兴趣时，我想到了3种不同的用户角色：经验丰富的数据科学家：这些是当前的数据科学家。他们要么有多年在公司工作的经历和经历，要么是第一份工作是数据科学家。无论哪种方式，这些人要么正在寻找新工作并需要准备/补充他们的面试技巧，要么想要学习其他数据科学技能以打入另一个数据科学领域。技术型、缺乏经验/有抱负的数据科学家：这些可能是CS学生或当前的业务分析师。他们编写代码，开始提高您的数据科学技能并不需要太多工作。他们可能对数据科学的职业转变感兴趣。非技术人员、缺乏经验/有抱负的数据科学家：这些人可能是学生或公司中的非技术人员。他们不会编码，也不知道从哪里开始，但他们对数据科学职业或涉足科技领域很感兴趣。2.采购公司（包括和不包括）我问自己，人们将如何了解数据科学平台。除了简单的谷歌搜索，大多数人会选择他们认可的品牌，或根据推荐选择平台。我选择从流行的subreddits中的建议中寻找平台，例如：r/datasciencer/programmingr/pythonR/SQL的Reddit有一个活跃的数据科学社区，所以它是一个很好的起点。我补充Quora、Google和Youtube。我有意识地选择排除(MOOCs)大规模开放在线课程（例如Udemy、EdX和Coursera）、训练营和大学课程，因为质量取决于讲师和课程，所以我很难从同类产品中进行评估.此外，我认为经验丰富的数据科学家实际上并没有参加Udemy课程来学习如何成为数据科学家，但我可能是错的。对于每个平台，我都注册并使用了一段时间。除非我不能按照自己的标准正确评估平台，否则我不会注册高级版。3.我评估中使用的变量我根据我认为对上述每个用户角色都很重要的4个主要变量评估了每个平台。返回“我的评估”部分阅读结果！
