Եթե խոսենք 21-րդ դարի ամենասեքսուալ աշխատանքի մասին, ապա հաստատ Data Scientist-ը միշտ առաջինն է մեր միտքը, և օրեցօր տվյալների գիտության հմտությունները արագորեն գերիշխում են աշխատաշուկայում: Այս տենդենցի պես, թարմացվող և աշխատող մասնագետների մեծ մասը ցանկանում է սովորել տվյալների գիտություն և մեքենայական ուսուցում կամ սկսելու կամ փոխելու իրենց կարիերան այս ոլորտում: Այս հոդվածը նպատակ ունի տալ ճանապարհային քարտեզ, որի միջոցով յուրաքանչյուրը կարող է սկսել իր ճանապարհորդությունը տվյալների գիտության ոլորտում:
Առանց տվյալների, դուք պարզապես կարծիք ունեցող մեկ այլ մարդ եք:
Ի՞նչ է իրականում Data Science-ը և ինչու ենք մենք այն ընտրել որպես մեր կարիերա:
Տվյալների գիտությունը տվյալների ուսումնասիրությունն է: Խոսքը վերաբերում է տվյալների արդյունահանմանը, վերլուծությանը, պատկերացմանը, կառավարմանը և պահպանմանը՝ պատկերացումներ ստեղծելու համար: Այս պատկերացումներն օգնում են ընկերություններին կայացնել տվյալների վրա հիմնված հզոր որոշումներ: Տվյալների գիտությունը պահանջում է ինչպես չկառուցված, այնպես էլ կառուցվածքային տվյալների օգտագործում: Դա բազմամասնագիտական ոլորտ է, որն իր արմատներն ունի վիճակագրության, մաթեմատիկայի և համակարգչային գիտության մեջ: Դա ամենապահանջված աշխատատեղերից մեկն է տվյալների գիտության պաշտոնների առատության և եկամտաբեր վարձատրության սանդղակի շնորհիվ:
Ինչպե՞ս սկսել:
Data Science-ը սկսելու համար պետք է անպայման իմանալ ծրագրավորման մեկ լեզվի մասին, իսկ ML-ի և Data Science-ի նպատակների համար պետք է սովորել Python Programming Language:
Python սովորելու համար կարող եք հետևել.
- Պիթոն բոլորի համար մասնագիտացում Միչիգանի համալսարանի կողմից Coursera-ում:
- Իմացեք Python ծրագրավորում վարպետության դաս Udemy-ում:
- Python-ի ձեռնարկ սկսնակների համար (նշումներով) CodeWithHarry-ից: (Անվճար)
Ես միշտ ասում եմ բոլորին, որ բացարձակապես կարիք չկա վճարել ուսուցման համար թանկ դասընթացների համար, քանի որ կան բազմաթիվ անվճար նյութեր և ցածր գնով դասընթացներ ինտերնետում, որոնք կարող են օգնել ձեզ հայտնվել որպես տվյալների լավագույն գիտնական կամ մեքենայական ուսուցման ինժեներ:
Անհրաժեշտ մաթեմատիկայի համար ես կառաջարկեի գնալ այս անվճար դասընթացներին Udacity թեմայով.
- Վիճակագրության ներածություն.
- Նկարագրական վիճակագրության ներածություն.
- Ներածություն էֆեկտիվ վիճակագրությանը.
- Կամ նույնիսկ կարող եք գնալ Մաթեմատիկա մեքենայական ուսուցման մասնագիտացման համար Coursera-ում: (Ամենաառաջարկվող)
Մեքենայի ուսուցման ալգորիթմներ Մաս
- Եթե դուք նորեկ եք այս ոլորտում և ցանկանում եք սկսել Data Science-ով առանց շատ մաթեմատիկայի, ապա Machine Learning A-Z™: Hands-On Python & R In Data Science-ը Udemy-ում Կիրիլ Էրեմենկոյի կողմից լավագույնն է: դասընթաց գնալու համար: Եթե դուք նորեկ եք այս ոլորտում և ցանկանում եք սկսել Data Science-ով առանց շատ մաթեմատիկայի, ապա Machine Learning A-Z™: Hands-On Python & R In Data Science-ը Udemy-ում Կիրիլ Էրեմենկոյի կողմից լավագույնն է: դասընթաց գնալու համար:
- (Խորհուրդ է տրվում) Եթե ցանկանում եք սուզվել մեքենայական ուսուցման ավելի լավ ինտուիցիաների և մաթեմատիկական ուսուցման մեջ, ապա Սթենֆորդի մեքենայական ուսուցումը Coursera-ում լավագույնն է և պետք է հետևեք որպես բացատրությունների: Էնդրյու Նգի յուրաքանչյուր հայեցակարգը շատ կօգնի բոլորին: Բայց ես բոլորին կառաջարկեմ կատարել ծրագրավորման բոլոր առաջադրանքները Python-ում միայն, քանի որ դասընթացում օգտագործվող լեզուն Matlab-ն ու Octave-ն է, քանի որ սրանք երկուսն էլ մեքենայական ուսուցման ստանդարտ լեզուները չեն:
- Տվյալների գիտության մասնագիտացումը Ջոնս Հոփկինսի համալսարանի կողմից Coursera-ում լավագույնը կլինի գնալ ամբողջական փաթեթ, քանի որ այն ներառում է ընդհանուր առմամբ 10 դասընթաց՝ հիմնականից մինչև առաջադեմ մակարդակ:
Որոշ գրքեր, որոնք ես խորհուրդ կտամ ML & Data Science-ի համար.
- Վիճակագրական ուսուցման տարրերը» Հասթիի, Թրեվորի, Թիբշիրանիի, Ռոբերտի, Ֆրիդմանի, Ջերոմի կողմից:
"Գնիր հիմա"
2. «Ձեռքի վրա մեքենայական ուսուցում Scikit-Learn-ի և TensorFlow-ի հետ. հասկացություններ, գործիքներ և տեխնիկա խելացի համակարգեր կառուցելու համար», հեղինակ՝ Aurelien Geron:
"Գնիր հիմա"
3. «Մոտենալով (գրեթե) մեքենայական ուսուցման ցանկացած խնդրին» Աբհիշեկ Թակուրի կողմից
"Գնիր հիմա"
Իմ անձնական առաջարկը սովորողներին
Ես կառաջարկեի բոլորին, որ պարզապես վստահ լինեն և պարզ լինեն ձեր հիմունքների և հիմունքների վրա, քանի որ սրանք միակ բաներն են, որոնք կօգնեն ձեզ ավելի ամուր հիմքեր ձևավորել տվյալների գիտության և մեքենայական ուսուցման մեջ, և հիմնականում այդ հարցերը հարցվում են հարցազրույցներում: Երբեք մի վախեցեք մաթեմատիկայից, քանի որ սա մեքենայական ուսուցման ողնաշարն է, և որքան շատ կիմանաք Տվյալների գիտության այս ավելի ուժեղ հասկացությունները, դուք կվճարեք ձեր աշխատանքի ընդունվելու հնարավորությունները: Թույլ մի տվեք, որ որևէ մեկը լվացի ձեր ուղեղը, որ այս NLP, Computer Vision կամ Reinforcement ուսուցումը առաջնային է և շատ կարևոր, քանի որ դրանք առաջադեմ թեմաներ են, որոնք հիմնականում հարցվում են հարցազրույցի հետագա փուլերում կամ ամենաբարձր պաշտոնների համար: Ես պարզապես կասեի` եղեք ինքներդ ձեզ, վստահ եղեք ձեր նախագծերի վրա և պատրաստեք ձեր սիրտը, վստահաբար, ձեզ կընդունեն աշխատանքի:
Հուսով եմ, որ ձեզ դուր է գալիս հոդվածը, կիսվեք ձեր կարծիքով: Եկեք միանանք Linkedin-ին և ստուգենք իմ աշխատանքը GitHub-ում:
