数据科学和机器学习的5大资源
数据科学和机器学习难吗？
好问题！
根据我的经验，答案是“是”和“否”。
如果您倾向于研究并努力前进，那么人工智能（以及扩展的机器学习）是最难的事情。对于这样的工作，即使是博士学位。计算机科学和数学中的每一个还不够。但是，普通人既没有野心，也没有时间进行这种追求。
另一方面，我称之为应用数据科学和机器学习。
也就是说，你利用现有的工具，技术和算法，并 应用它们来解决一些实际问题。这部分需要奉献，感知和创造性思维（以及一些简单的数学概念的知识，这些知识可以快速学习），但是对于真正的“技术”知识，比软件工程师的工作要宽容得多。
换句话说，这不是小菜一碟，但按奖励与努力比进行的投资是最好的投资之一。
现在，您已经坚定了成为数据科学家和机器学习工程师的决心，让我们开始探索最好的选择。
1Google
没有多少人知道，但是Google 开设了广泛的，高度实用的免费机器学习课程。据该公司称，这是他们致力于推进AI / ML技术并使知识公开的承诺的一部分。
谷歌ml课程
关于本课程的最好的事情是没有先决条件，但是请做好准备，花费更多的时间自己探索统计概念。
我的意思是，这不是必需的，但是，如果您的高级统计知识背景为零，那么本课程中的解释可能还不够。另一个要注意的是，本课程介绍了通过TensorFlow进行机器学习，TensorFlow是Google开发的ML实现。因此，从某种意义上说，谷歌旨在推广其用于机器学习的API，但是考虑到本课程提供的价值，我不认为这应该成为绊脚石。
如果有的话，TensorFlow是进入ML并获得疯狂的普及的简便方法之一。
2 CS109 Data Science
哈佛这个名字激发了敬畏的精神，本课程也是如此。
首先，这不是一门让我们陷入困境的快速课程，而是通过在此处编写代码段或在此处编写脚本来围绕机器学习进行脚步学习。这门课程是一场严峻的洗礼活动，需要艰苦的工作和大量的时间投入。
哈佛DS毫升课程
该课程包含免费视频，代码（托管在GitHub上）以及实验室练习的解决方案，因此，实际上，如果您愿意参加，则不受任何限制。
理想的观众？
你…我不是在开玩笑。
我要说的是，经过专业工作的专业人员必须接受过良好的数学教育，即使他们可能不再喜欢数学（推理和证明的习惯是最必要的）。但是，再次提醒您：您可能会认为自己很好，但是这门课程会让您感到早餐早已硬了-练习问题的挑战性足以使您流泪，但是那可能正是您所要解决的问题重新寻找！
3Andrew Ng
走进一个充满数据科学家的酒吧，询问吴恩达是谁，那将是您生命中的跳动。
在数据科学和机器学习领域，吴安德鲁（Andrew Ng）凭借他在Coursera – 机器学习方面的杰出课程而获得了神似的地位。
而且，如果您对吴安德（Andrew Ng）的资格存有疑问，我就这样说：
安德鲁
这是一门付费课程，因为它是Coursera定价计划的一部分，但是财务承诺和决心并不是唯一的先决条件。这是一个漫长的过程，因为安德鲁深入研究了ML所有事物背后的数学并剖析了流行的算法。但值得庆幸的是，这是一门完整的课程，您将逐步引导您进入最黑暗的深度，并重返校园。
强烈推荐，主要是因为标榜此课程的结业证书已成今天！
4Soursera
Coursera的专业课程包括一系列旨在使您从零开始精通特定概念的课程。如果您正在寻找有关使用Python进行数据科学和机器学习的完整，认真而友好的课程，那么我不能推荐足够的专业知识。
python专业课程
在课程结束时，您将获得证书。
5面向程序员的实用深度学习
如果您是一名编码人员，这门课程是很幸运的，也是我在此列表上最喜欢的建议。
我再说一遍：如果您是编码员。
这是因为本课程不花时间教您编程的基础知识。课程说明用非常明确的方式讲（重点是原文）：
我们假设参加本课程的每个人都具有至少一年的编码经验。本课程使用python作为教学语言，因此，如果您还不了解python，那么我们假设您将花时间学习-对于有经验的编码人员，您应该会发现python是一种非常容易学习的语言。
数据介绍
因此，如果您已经了解Python（如果不是在这里学习），或者可以很快适应，那么这对于想要构建实际的，可用的系统而又不必担心算法的理论基础的实用主义者来说，是完美的选择。
我什至可以说这是对讨厌仪式和单调的不耐烦的修补匠（像我一样！）的。
哦，我是否提到过它是100％免费的，并且拥有一个很棒的社区？
结论
唷！
这是一个很难编译的清单。不是因为没有足够的好资源，而是因为有太多的资源！
机器学习是一个领域，其领域确实迅猛发展，并且可以非常优雅地解决难题，因此，有数百种在线，免费和付费课程，其中大多数课程的确非常好。但这也可能引起混乱，这就是为什么我尝试根据学习者的经验水平将其简化为五个。