Guia final e recursos para Data science 2019.

purnasai gudikandula Blocked Unblock Seguir Seguindo 29 de outubro de 2018

Se você conhece ciência de dados até certo ponto, confira este blog sobre análise exploratória de dados usando o conjunto de dados habberman . leia este blog e anote seus comentários. porque mais do que seus gostos, seus comentários me ensinam mais. obrigado

Eu sou um iniciante nos campos de ciência de dados e aprendizado de máquina. final de ano da minha graduação venho a conhecer DS & ML em tempos de final de ano do projeto. depois de sair da formatura eu comecei a me concentrar nessas palavras de zumbido.

AI vs ML vs DS vs DL

haverá duas maneiras de aprender qualquer coisa. quer auto-ensinada (moocs) ou sala de aula seguinte.

Eu preferi ir para o autodidata, mas como? então eu comecei a navegar e encontrei muitos recursos por aí. junto com recursos eu também encontrei algumas dúvidas.

  1. algumas vezes, ter mais recursos nos confunde qual deles tomar, qual não, quando você não tem tempo.
  2. posso conseguir um emprego apenas fazendo esses cursos?
  3. que linguagens de programação devo estudar?
  4. como fazer meu portfólio e networking ?

Trending AI Articles:

1. Reconhecimento facial: desenvolvimento de máscaras em tempo real

2. Aprendizagem profunda para o reconhecimento da atividade humana baseada em sensores

3. Como construir um servidor de aprendizado profundo baseado no Docker

4. Aprendizagem de transferência: reciclagem do Inception V3 para classificação personalizada de imagens

A) Linguagem de programação: Python e R?

Anteriormente, existem ferramentas estatísticas como SAS e R são usadas mais do que python. mas agora o python está no topo da lista, já que vários pacotes de computação científica são implementados especialmente para ciência de dados e aprendizado de máquina. Se você é um profissional de trabalho à procura de transição de emprego, então é sua escolha para escolher um, dependendo do seu cargo anterior. mas para iniciantes eu sugiro que você tome python como é tão fácil onde R é uma estatística concentrada.

tirar : eu sugiro python.

Depois de consultar 2 a 3 sites e livros, você será bom em programação python, pois cada um ensina diferentes lógicas, truques, métodos com os mesmos conceitos.

existem vários sites como codeacademy, udemy (curso de bootcamp completo python3), data camp, data quest, w3schools . livros como " aprenda python do jeito difícil", python for dummies, automatize o material chato com python.

B) e matemática e estatísticas?

matemática e estatísticas são importantes para a ciência de dados e aprendizado de máquina, mas não é tudo. Aprender cada conceito de matemática e estatística é como nadar no oceano, o que é impossível e não é necessário. mas sim, conhecer todos os conceitos básicos e suas implementações na vida real que acompanham a prática é bom. restante você aprenderá no campo.

especialmente conceitos como álgebra linear, cálculo, estatística e probabilidade.

tirar : nenhum cientista de dados / profissional de aprendizado de máquina sabe todos os conceitos de matemática.

os links abaixo são de kdnuggets e twowards data science.

15 MOOCs de Matemática para Ciência de Dados

Matemática essencial para a ciência de dados – 'Por que' e 'Como'

C) Ciência de dados: é tão difícil de aprender?

a cada minuto, uma enorme quantidade de dados foi gerada. os seres humanos têm a capacidade cognitiva de processar tais dados em certa medida para reconhecer, comunicar, prever, revisar e analisar dados. mas, para obter os melhores insights dos dados, precisamos da ciência de dados. a ciência de dados não é tão necessária para aprender. para iniciantes, parece difícil, mas na verdade não. é como depois de estudar o 7 º padrão, 6 º padrão não é mais difícil. da mesma forma, antes de aprender ciência de dados, parece pouco difícil, depois você não se sentirá mais duro.

tirar : antes de aprender, mas depois não é.

existem vários cursos, mas sugiro curso de curso

ciência de dados aplicada com python

outros cursos como o udemy (python para ciência de dados e bootcamp machinelearning), IBM (cognitiveclass.ai), Edx, udacity, coursera.

D) devo aprender Aprendizado de máquina para ciência de dados?

O aprendizado de máquina não é ciência de dados. mas a ciência de dados cobre alguns algoritmos para trazer os insights e previsões. sabendo regressão linear, regressão logística, k vizinhos mais próximos, árvores de decisão e florestas aleatórias, k-means clustering, análise de componentes principais é obrigação. para um mais fresco, saber esses conceitos e matemática por trás desses conceitos é bom.

para iniciantes: ir para udemy ( course1 , course2 ) cursos.

as pessoas também sugerem este curso de primeira classe : curso de aprendizado de máquina por andrewng

E) Posso conseguir um emprego apenas fazendo esses cursos?

provavelmente não. ninguém se importa com seus certificados e lista de cursos que você fez. A única coisa que importa é o que você pode fazer depois de fazer esses cursos. Uma boa maneira de mostrar suas habilidades é fazer projetos, participar de competições, hackathons, noites de código, escrever blogs explicando o que você aprendeu. Demora muito tempo em pouco tempo você tem.

tirar : projetos, participando de competições, hackathons, noites de código, escrevendo blogs irá ajudá-lo a obter.

F) Ok, eu listo tudo acima, e agora? Networking

mesmo depois de fazer tudo acima, algumas vezes pode não funcionar. então a rede irá ajudá-lo. ligado em irá ajudá-lo nisso. Tente se conectar com cientistas de dados, engenheiros de aprendizado de máquina que estão trabalhando atualmente na indústria, tanto quanto você puder. conecte-se com eles, fale com eles, peça sugestões, obtenha ajuda, mostre seus projetos, obtenha referências, tenha sido colocado.

Eu sugiro que você siga estes, estes são ativos na comunidade de ciência de dados, comunidade de aprendizado de máquina, cada um tem suas próprias plataformas, próprios podcasts, canais do youtube para ajudar os cientistas de dados aspirantes / engenheiros de aprendizado de máquina.

Akshay Bahadur (seus projetos são criativos e surpresos).

Shivam Panchal ( lista de posts dos melhores cursos de código aberto e alguns insights).

Vincent Boucher (um post a cada 6 horas).

Nethra Sambamoorthi, PhD ( Pres. E CAO, CRM Portals Inc.)

Tarry Singh ( CEO, fundador e pesquisador de AI em deepkapha.ai)

Randy Lao (ativo, ajuda a aspirar cientistas de dados)

Kyle McKiou (Ajude os cientistas de dados aspirantes a conseguir empregos)

Favio Vázquez (mudando o mundo com dados científicos)

Avinash Ahuja ( cientista de dados no linkedin)

Sudalai Rajkumar ( kaggle grande mestre, especialista em competições, cientista de dados)

Ankit Rathi (arquiteto de ciência de dados, especialista em Kaggle)

Kristen Kehrer , Megan Silvey , Nic Ryan , Dat Tran , Mohammad Shahebaz

Imaad Mohamed Khan e purnasai gudikandula muitos mais todos acima de pessoas devem você pode seguir no linkedin

G) construir portofolio?

1. fazer projetos e enviá-los para o github.

2. escrever blogs no meio, kdnuggets, analyticsvidhya.

3. conectar-se com profissionais que trabalham no LinkedIn.

4.partcipate em competições de kaggle, competições analyticsvidhya.

5. trabalhar em algum projeto pessoal ou de sonho.

você pode perguntar que este blog é intitulado como recursos finais para a ciência de dados, mas onde estão os links para eles. abaixo eu lhe darei alguns links github (não meus) onde você pode encontrar quase 2000 recursos, incluindo recursos de codificação, hackathons, eventos, estágios, clubes, encontros, conferências, pessoas a serem seguidas, blogs a seguir, conjuntos de dados, podcasts, bibliotecas e tudo.

link1

link2

link3

link4

link5

link6

link7

link8

você pode baixar o pdf para alguns dos livros sobre ciência de dados e aprendizado de máquina aqui.

Aprenda Ciência de Dados Codificando sem mergulhar profundamente na teoria aqui.

finalmente

manter tudo acima em uma palavra simples.

aprenda python

aprender matemática (álgebra, cálculo, estatística, probabilidade)

aprender ciência de dados (análise exploratória de dados, engenharia de recursos, modelagem preditiva, visualização de dados).

aprende machinelearning (regressão linear, regressão logística, k vizinhos mais próximos, árvores de decisão e florestas aleatórias, k-means clustering, análise de componentes principais).

participar de competições (a maioria das pessoas sugere kaggle, analytic vidhya ou seus projetos de sonho, e hackathons, bootcamps)

construir portfólio (linkedin, projetos, github, blogs).

Nota 1 : saiba sobre ciência de dados quando você está no meio acadêmico, uma vez que você está fora da universidade por mais tempo, leva pelo menos um ano para obter conhecimento de alguma parte da ciência de dados e então você pode tentar por empregos. Para profissionais que procuram transição de emprego, pode ser fácil obter um emprego em ciência de dados com 6 meses de tempo, dependendo das suas taxas de aprendizado.

Nota 2 : mencionei poucas pessoas aqui e seus blogs e seus recursos sem saber para eles.

Conheço todas as lutas que um iniciante sentiu ao aprender ciência de dados. então, por favor, curtam e compartilhem este post para chegar a todos os novatos interessados em ser o futuro cientista de dados em todas as conexões do LinkedIn. ser a parte da jornada do cientista de dados e ajudá-lo a crescer.

Por favor, gosto e aplauso. cada batida que você dá me encoraja a fazer mais na ciência de dados e seus recursos que o ajudam. e compartilhe este post para evevryone até que ele alcance todos os novatos ou entusiastas da ciência de dados em suas conexões com o LinkedIn e os ajude a crescer.

por favor, sinta-se livre para me conectar em herein aqui abaixo:

Pudasai Gudikandula – Udacity Pytroch Scholar – Udacity Índia | LinkedIn
Veja o perfil de Purnasai Gudikandula no LinkedIn, a maior comunidade profissional do mundo. Purnasai tem 5 vagas listadas… www.linkedin.com

Muito obrigado. com muito amor. muito bem sucedida

Não se esqueça de nos dar o seu ?!