Αν θέλετε να μάθετε Επιστήμη Δεδομένων, ξεκινήστε με μία από αυτές τις τάξεις προγραμματισμού

Πριν από ένα χρόνο, ήμουν geek αριθμών χωρίς υπόβαθρο κωδικοποίησης. Αφού δοκίμασα ένα διαδικτυακό μάθημα προγραμματισμού, με ενέπνευσε τόσο πολύ που εγώ εγγραφή σε ένα από τα καλύτερα προγράμματα επιστήμης υπολογιστών στον Καναδά.

Δύο εβδομάδες αργότερα, συνειδητοποίησα ότι μπορούσα να μάθω ό, τι χρειαζόμουν μέσω edX, Coursera και Udacity. Γι 'αυτό έφυγα.

Η απόφαση δεν ήταν δύσκολη. Θα μπορούσα να μάθω το περιεχόμενο που ήθελα να κάνω γρηγορότερα, πιο αποτελεσματικά και για ένα μικρό μέρος του κόστους.

Είχα ήδη πτυχίο πανεπιστημίου και, ίσως το πιο σημαντικό, είχα ήδη την πανεπιστημιακή εμπειρία. Η πληρωμή 30 χιλ. $ + Για επιστροφή στο σχολείο φαινόταν ανεύθυνη.

Άρχισα να δημιουργώ το δικό μου μεταπτυχιακό δίπλωμα επιστήμης δεδομένων χρησιμοποιώντας διαδικτυακά μαθήματα λίγο αργότερα, αφού συνειδητοποίησα ότι μου ταιριάζει καλύτερα από την επιστήμη των υπολογιστών. Έριξα την εισαγωγή του τοπίου προγραμματισμού. Έχω ήδη παρακολουθήσει πολλά μαθήματα και έχω ελέγξει τμήματα πολλών άλλων. Γνωρίζω τις επιλογές και ποιες δεξιότητες απαιτούνται εάν στοχεύετε σε έναν αναλυτή δεδομένων ή έναν ρόλο επιστήμονα δεδομένων.

Για αυτόν τον οδηγό, πέρασα 20+ ώρες προσπαθώντας να βρω κάθε διαδικτυακή εισαγωγή στο μάθημα προγραμματισμού που προσφέρεται από τον Αύγουστο του 2016, εξάγοντας βασικές πληροφορίες από τη διδακτέα ύλη και τις κριτικές τους και συγκεντρώνοντας τις βαθμολογίες τους. Για αυτήν την εργασία, στράφηκα σε καμία άλλη από την ανοιχτή κοινότητα Class Central και τη βάση δεδομένων της με χιλιάδες βαθμολογίες και κριτικές μαθημάτων.

Από το 2011, ο ιδρυτής της Class Central, Dhawal Shah, παρακολουθεί στενά τα διαδικτυακά μαθήματα από ό, τι είναι αναμφισβήτητα οποιοσδήποτε άλλος στον κόσμο. Ο Dhawal με βοήθησε προσωπικά να συγκεντρώσω αυτήν τη λίστα πόρων.

Πώς επιλέξαμε μαθήματα για εξέταση

Κάθε μάθημα έπρεπε να πληροί τέσσερα κριτήρια:

  • Εισάγει τον προγραμματισμό και, προαιρετικά, την επιστήμη των υπολογιστών . Δείτε "Μια σημείωση για τον Προγραμματισμό εναντίον της Πληροφορικής" παρακάτω.
  • Η γλώσσα διδασκαλίας είναι Python ή R. Αυτές είναι μακράν οι δύο πιο δημοφιλείς γλώσσες προγραμματισμού που χρησιμοποιούνται στην επιστήμη των δεδομένων.
  • Πρέπει να είναι ένα διαδραστικό διαδικτυακό μάθημα, οπότε δεν υπάρχουν βιβλία ή σεμινάρια που βασίζονται σε κείμενο. Όσον αφορά το τελευταίο, τα μαθήματα που βασίζονται σε βίντεο και πρόγραμμα επεξεργασίας κειμένου της Codecademy θα πληρούν τις προϋποθέσεις, αλλά αυστηρά μαθήματα κειμένου όπως αυτά από το R φροντιστήριο δεν θα πληρούνταν. Αν και τα βιβλία είναι βιώσιμοι τρόποι για να μάθουν προγραμματισμό, Python και R, αυτός ο οδηγός εστιάζει σε μαθήματα.
  • Πρέπει να έχει αξιοπρεπή διάρκεια: τουλάχιστον δέκα ώρες συνολικά για την εκτιμώμενη ολοκλήρωση.

Πώς αξιολογήσαμε τα μαθήματα

Πιστεύουμε ότι καλύψαμε κάθε αξιοσημείωτη πορεία που υπάρχει και πληροί τα παραπάνω κριτήρια. Δεδομένου ότι υπάρχουν φαινομενικά εκατοντάδες μαθήματα σχετικά με το Udemy στο Python και το R, επιλέξαμε να εξετάσουμε μόνο τα πιο αξιολογημένα και υψηλότερα βαθμολογημένα. Ωστόσο, υπάρχει πιθανότητα να χάσαμε κάτι. Ενημερώστε μας εάν πιστεύετε ότι ισχύει.

Συγκεντρώσαμε τη μέση βαθμολογία και τον αριθμό αξιολογήσεων από το Class Central και άλλους ιστότοπους κριτικών. Υπολογίσαμε μια σταθμισμένη μέση βαθμολογία για κάθε μάθημα. Εάν μια σειρά είχε πολλαπλά μαθήματα (όπως το Rice University's Part 1 και Part 2), υπολογίσαμε τη σταθμισμένη μέση βαθμολογία σε όλα τα μαθήματα. Διαβάσαμε επίσης κριτικές κειμένου και χρησιμοποιήσαμε αυτά τα σχόλια για να συμπληρώσουμε τις αριθμητικές βαθμολογίες.

Πραγματοποιήσαμε υποκειμενικές κλήσεις κρίσης αναλυτικού προγράμματος βάσει τριών παραγόντων:

  1. Κάλυψη των βασικών αρχών του προγραμματισμού.
  2. Κάλυψη πιο προηγμένων, αλλά χρήσιμων, θεμάτων στον προγραμματισμό. (Π.χ. πολλά μαθήματα επιλέγουν να μην καλύπτουν αντικειμενοστρεφή προγραμματισμό. Πιστεύουμε ότι αυτό είναι ένα βασικό θέμα, αν και δεν είναι ένας διαχωριστής συμφωνιών, επομένως αυτά τα μαθήματα είναι μόνο ελλιμενισμένα σήματα και δεν αποκλείονται από την εξέταση.)
  3. Πόσο μέρος του προγράμματος σπουδών σχετίζεται με την επιστήμη των δεδομένων;

Μια σημείωση για τον προγραμματισμό εναντίον της επιστήμης των υπολογιστών

Ο προγραμματισμός δεν είναι επιστήμη υπολογιστών και το αντίστροφο. Υπάρχει μια διαφορά για την οποία οι αρχάριοι μπορεί να μην γνωρίζουν καλά. Δανεισμός αυτής της απάντησης από το Programmers Stack Exchange:

Η επιστήμη των υπολογιστών είναι η μελέτη του τι μπορούν να κάνουν οι υπολογιστές. ο προγραμματισμός είναι η πρακτική να κάνουμε τους υπολογιστές να κάνουν πράγματα.

Το μάθημα που αναζητούμε εισάγει προγραμματισμό και προαιρετικά αγγίζει σχετικές πτυχές της επιστήμης των υπολογιστών που θα ωφελήσουν έναν νέο προγραμματιστή όσον αφορά την ευαισθητοποίηση. Πολλά από τα μαθήματα που εξετάζονται, θα παρατηρήσετε, έχουν πράγματι ένα τμήμα επιστήμης των υπολογιστών.

Κανένα από τα μαθήματα, ωστόσο, δεν είναι αυστηρά μαθήματα πληροφορικής, γι 'αυτό αποκλείεται κάτι σαν το CS50x του Harvard στο edX.

Η επιλογή μας για το καλύτερο μάθημα προγραμματισμού για τους επιστήμονες δεδομένων είναι…

Η σειρά «Μάθετε να προγραμματίζετε» στο Πανεπιστήμιο του Τορόντο στο Coursera LTP1: The Fundamentals και LTP2: Crafting Quality Code έχουν σχεδόν τέλεια σταθμισμένη μέση βαθμολογία 4,71 στα 5 αστέρια πάνω από 284 κριτικές. Έχουν επίσης ένα μεγάλο μείγμα δυσκολίας περιεχομένου και πεδίο για τον αρχάριο επιστήμονα δεδομένων.

Αυτή η δωρεάν εισαγωγή με βάση το Python στον προγραμματισμό ξεχωρίζει από τα άλλα 20+ μαθήματα που εξετάσαμε.

Η Jennifer Campbell και ο Paul Gries, δύο αναπληρωτές καθηγητές στο τμήμα της επιστήμης των υπολογιστών του Πανεπιστημίου του Τορόντο (το οποίο θεωρείται ως ένας από τους καλύτερους στον κόσμο) διδάσκουν τη σειρά. Τα αυτόνομα βήματα, τα αυτόνομα μαθήματα Coursera ταιριάζουν με το υλικό στο βιβλίο τους, «Πρακτικός προγραμματισμός: μια εισαγωγή στην επιστήμη των υπολογιστών που χρησιμοποιεί το Python 3.» Το LTP1 καλύπτει το 40-50% του βιβλίου και το LTP2 καλύπτει ένα άλλο 40%. Το 10-20% που δεν καλύπτεται δεν είναι ιδιαίτερα χρήσιμο για την επιστήμη των δεδομένων, η οποία βοήθησε την υπόθεσή τους να είναι η επιλογή μας.

Οι καθηγητές μου έστειλαν ευγενικά και γρήγορα αναλυτικά μαθήματα, κατόπιν αιτήματος, τα οποία ήταν δύσκολο να βρεθούν στο διαδίκτυο πριν από την επίσημη επανεκκίνηση του μαθήματος τον Σεπτέμβριο του 2016.

Μάθετε να προγραμματίζετε: Οι βασικές αρχές (LTP1)

Χρονοδιάγραμμα: 7 εβδομάδες

Εκτιμώμενη δέσμευση χρόνου: 6-8 ώρες την εβδομάδα

Αυτό το μάθημα παρέχει μια εισαγωγή στον προγραμματισμό υπολογιστών που προορίζεται για άτομα χωρίς εμπειρία προγραμματισμού. Καλύπτει τα βασικά του προγραμματισμού στο Python συμπεριλαμβανομένων των στοιχειωδών τύπων δεδομένων (αριθμητικοί τύποι, συμβολοσειρές, λίστες, λεξικά και αρχεία), ροή ελέγχου, συναρτήσεις, αντικείμενα, μέθοδοι, πεδία και μεταβλητότητα.

Ενότητες

  1. Εγκατάσταση Python, IDLE, μαθηματικές εκφράσεις, μεταβλητές, δήλωση ανάθεσης, συναρτήσεις κλήσης και καθορισμού, σύνταξη και σημασιολογικά σφάλματα.
  2. Συμβολοσειρές, είσοδος / έξοδος, επαναχρησιμοποίηση λειτουργίας, συνταγή σχεδίασης λειτουργιών και συμβολοσειρές.
  3. Booleans, εισαγωγή, χώροι ονομάτων και αν δηλώσεις.
  4. Για βρόχους και φανταχτερό χειρισμό συμβολοσειρών.
  5. Ενώ βρόχους, λίστες και μεταβλητότητα.
  6. Για βρόχους πάνω από δείκτες, παράλληλες λίστες και συμβολοσειρές και αρχεία.
  7. Tuples και λεξικά.

Μάθετε να προγραμματίζετε: Κωδικός ποιότητας κατασκευής (LTP2)

Χρονοδιάγραμμα: 5 εβδομάδες

Εκτιμώμενη δέσμευση χρόνου: 6-8 ώρες την εβδομάδα

Γνωρίζετε τα βασικά του προγραμματισμού στο Python: στοιχειώδεις τύποι δεδομένων (αριθμητικοί τύποι, συμβολοσειρές, λίστες, λεξικά και αρχεία), ροή ελέγχου, συναρτήσεις, αντικείμενα, μέθοδοι, πεδία και μεταβλητότητα. Πρέπει να είστε καλοί σε αυτά για να πετύχετε σε αυτό το μάθημα.

LTP: Ο κωδικός ποιότητας δημιουργίας καλύπτει τα επόμενα βήματα: σχεδιασμό μεγαλύτερων προγραμμάτων, δοκιμή του κώδικα σας, ώστε να γνωρίζετε ότι λειτουργεί, ανάγνωση κώδικα για να καταλάβετε πόσο αποτελεσματικό είναι και δημιουργία δικών σας τύπων.

Ενότητες

  1. Σχεδιασμός αλγορίθμων: πώς αποφασίζετε τι να κάνετε σε ένα σώμα λειτουργίας; Πώς καταλαβαίνετε ποιες λειτουργίες γράφετε πρώτα;
  2. Αυτοματοποιημένη δοκιμή: Dokest και Unittest.
  3. Ανάλυση κώδικα για ταχύτητα - λεπτομέρειες αναζήτησης και ταξινόμησης.
  4. Δημιουργία νέων τύπων: τάξεις στο Python.
  5. Λειτουργεί ως ορίσματα, προεπιλεγμένες τιμές παραμέτρων και εξαιρέσεις.

Ο αναπληρωτής καθηγητής Gries παρείχε επίσης τα ακόλουθα σχόλια για τη δομή του μαθήματος: «Κάθε ενότητα έχει περίπου 45 λεπτά έως λίγο περισσότερο από μία ώρα βίντεο. Υπάρχουν ερωτήσεις για κουίζ σε βίντεο, οι οποίες θα φέρουν τον συνολικό χρόνο που αφιερώνεται για τη μελέτη των βίντεο σε ίσως 2 ώρες. "

Αυτά τα βίντεο είναι γενικά μικρότερα από δέκα λεπτά το καθένα.

Συνέχισε: «Επιπλέον, έχουμε μια άσκηση (δώδεκα ή δύο περίπου ερωτήσεις πολλαπλής επιλογής και σύντομης απάντησης) ανά ενότητα, η οποία θα διαρκέσει μία ή δύο ώρες. Υπάρχουν τρεις εργασίες προγραμματισμού στο LTP1, καθεμία από τις οποίες μπορεί να διαρκέσει τέσσερις έως οκτώ ώρες εργασίας. Υπάρχουν δύο αναθέσεις προγραμματισμού στο LTP2 παρόμοιου μεγέθους. "

Τόνισε ότι η εκτίμηση των 6-8 ωρών την εβδομάδα είναι μια πρόχειρη εικασία: «Η εκτίμηση του χρόνου που δαπανάται είναι απίστευτα εξαρτώμενη από τους μαθητές, οπότε παρακαλώ πάρτε τις εκτιμήσεις μου σε αυτό το πλαίσιο. Για παράδειγμα, κάποιος που γνωρίζει λίγο προγραμματισμό, ίσως σε άλλη γλώσσα προγραμματισμού, μπορεί να πάρει το μισό χρόνο από κάποιον εντελώς νέο στον προγραμματισμό. Μερικές φορές κάποιος θα κολλήσει σε μια ιδέα για μερικές ώρες, ενώ μπορεί να περάσει από άλλες έννοιες… Αυτός είναι ένας από τους λόγους για τους οποίους η αυτο-βηματική μορφή είναι τόσο ελκυστική για εμάς. "

Συνολικά, η σειρά Learn to Program του Πανεπιστημίου του Τορόντο διαρκεί περίπου 12 εβδομάδες σε 6-8 ώρες την εβδομάδα, κάτι που είναι τυπικό για τα περισσότερα διαδικτυακά μαθήματα που δημιουργούνται από πανεπιστήμια. Εάν προτιμάτε να μελετήσετε εκπληκτικά τα MOOC σας, αυτό είναι 72-96 ώρες, το οποίο θα μπορούσε να ολοκληρωθεί σε δύο έως τρεις εβδομάδες, ειδικά εάν έχετε λίγη εμπειρία προγραμματισμού.

Μια άλλη εξαιρετική επιλογή Python

Εάν έχετε ήδη εξοικειωθεί με τον προγραμματισμό και δεν σας πειράζει ένα πρόγραμμα σπουδών που έχει μια αξιοσημείωτη κλίση σε παιχνίδια και διαδραστικές εφαρμογές, θα συνιστούσα επίσης το Rice University's An Introduction to Interactive Programming in Python (Part 1 and Part 2) στο Coursera.

Με 6.000+ κριτικές και την υψηλότερη σταθμισμένη μέση βαθμολογία 4,93 / 5 αστέρων, αυτό το δημοφιλές μάθημα φημίζεται για τα ελκυστικά βίντεο, τα προκλητικά κουίζ και τα απολαυστικά μίνι έργα. Είναι ελαφρώς πιο δύσκολο και εστιάζει λιγότερο στις βασικές αρχές και περισσότερο σε θέματα που δεν ισχύουν στην επιστήμη δεδομένων από την επιλογή # 1.

Αυτά τα μαθήματα αποτελούν επίσης μέρος των 7 Αρχών του μαθήματος στην Υπολογιστική Ειδίκευση στο Coursera.

Τα υλικά είναι αυτοβηματικά και δωρεάν και διατίθεται πιστοποιητικό επί πληρωμή. Το μάθημα πρέπει να αγοραστεί για 79 $ (USD) για πρόσβαση σε βαθμολογημένο υλικό.

Η συνοπτική περιγραφή του μαθήματος και το πλήρες πρόγραμμα σπουδών έχουν ως εξής:

«Αυτό το μάθημα δύο μερών έχει σχεδιαστεί για να βοηθά τους μαθητές με πολύ μικρό ή καθόλου υπολογιστικό υπόβαθρο να μάθουν τα βασικά της δημιουργίας απλών διαδραστικών εφαρμογών… Για να κάνουμε τη μάθηση Python εύκολη, έχουμε αναπτύξει ένα νέο περιβάλλον προγραμματισμού βασισμένο σε προγράμματα περιήγησης που καθιστά την ανάπτυξη διαδραστικών εφαρμογών στο Python απλός. Αυτές οι εφαρμογές θα περιλαμβάνουν παράθυρα των οποίων το περιεχόμενο είναι γραφικό και ανταποκρίνεται σε κουμπιά, το πληκτρολόγιο και το ποντίκι.

Συνιστώμενο υπόβαθρο: Απαιτείται γνώση μαθηματικών γυμνασίου. Ενώ η τάξη έχει σχεδιαστεί για μαθητές χωρίς προηγούμενη εμπειρία προγραμματισμού, ορισμένοι αρχικοί προγραμματιστές θεωρούν την τάξη ως γρήγορη . Για μαθητές που ενδιαφέρονται για κάποια ελαφριά προετοιμασία πριν από την έναρξη του μαθήματος, προτείνουμε έναν αυτόνομο ιστότοπο εκμάθησης Python όπως το codecademy.com. "

Μέρος 1

Χρονοδιάγραμμα: 5 εβδομάδες

Εκτιμώμενη δέσμευση χρόνου: 7–10 ώρες την εβδομάδα

Εβδομάδα 0 - δηλώσεις, εκφράσεις, μεταβλητές

Κατανοήστε τη δομή αυτής της τάξης και εξερευνήστε την Python ως αριθμομηχανή.

Εβδομάδα 1 - συναρτήσεις, λογική, υπό όρους

Μάθετε τις βασικές δομές του προγραμματισμού Python και δημιουργήστε ένα πρόγραμμα που παίζει μια παραλλαγή του Rock-Paper-Scissors.

Εβδομάδα 2 - προγραμματισμός βάσει εκδηλώσεων, τοπικές / παγκόσμιες μεταβλητές

Μάθετε τα βασικά του προγραμματισμού βάσει συμβάντων, κατανοήστε τη διαφορά μεταξύ τοπικών και παγκόσμιων μεταβλητών και δημιουργήστε ένα διαδραστικό πρόγραμμα που παίζει ένα απλό παιχνίδι εικασίας.

Εβδομάδα 3 - καμβάς, σχέδιο, χρονόμετρα

Δημιουργήστε έναν καμβά στο Python, μάθετε πώς να σχεδιάζετε τον καμβά και δημιουργήστε ένα ψηφιακό χρονόμετρο.

Εβδομάδα 4 - λίστες, εισαγωγή πληκτρολογίου, τα βασικά στοιχεία της κίνησης μοντελοποίησης

Μάθετε τα βασικά των λιστών στο Python, μοντελοποιήστε κινούμενα αντικείμενα στο Python και δημιουργήστε ξανά το κλασικό παιχνίδι arcade "Pong".

Μέρος 2ο

Εβδομάδα 5 - εισαγωγή ποντικιού, μέθοδοι λίστας, λεξικά

Διαβάστε την είσοδο του ποντικιού, μάθετε για τις μεθόδους λίστας και τα λεξικά και σχεδιάστε εικόνες.

Εβδομάδα 6 - μαθήματα και αντικειμενοστραφής προγραμματισμός

Μάθετε τα βασικά του αντικειμενοστραφούς προγραμματισμού στο Python χρησιμοποιώντας τάξεις και εργαστείτε με εικόνες με πλακάκια.

Εβδομάδα 7 - βασική φυσική του παιχνιδιού, sprites

Κατανοήστε τα μαθηματικά της επιτάχυνσης και της τριβής, εργαστείτε με sprites και προσθέστε ήχο στο παιχνίδι σας.

Εβδομάδα 8 - σύνολα και κινούμενα σχέδια

Μάθετε για τα σύνολα στο Python, υπολογίστε τις συγκρούσεις μεταξύ των sprite και των animate sprites.

Εάν είστε ρυθμισμένοι στο R

Εάν είστε έτοιμοι για μια εισαγωγή στο μάθημα προγραμματισμού στο R, προτείνουμε τη σειρά μαθημάτων R της DataCamp: Εισαγωγή στις λειτουργίες R, Ενδιάμεσο R, Ενδιάμεσο R - πρακτική και γραφή στο R. Παρόλο που τα τρία τελευταία έρχονται σε σημείο τιμής $ 25 / μήνα, το DataCamp είναι το καλύτερο στην κατηγορία για την κάλυψη των βασικών θεμάτων προγραμματισμού και συγκεκριμένων θεμάτων R, το οποίο αντικατοπτρίζεται στη μέση βαθμολογία του στα 4,29 / 5 αστέρια.

Πιστεύουμε ότι η καλύτερη προσέγγιση για την εκμάθηση προγραμματισμού για την επιστήμη δεδομένων χρησιμοποιώντας διαδικτυακά μαθήματα είναι να το κάνουμε πρώτα μέσω της Python. Γιατί; Υπάρχει έλλειψη επιλογών MOOC που διδάσκουν βασικές αρχές προγραμματισμού και χρησιμοποιούν το R ως γλώσσα διδασκαλίας. Βρήκαμε έξι τέτοια μαθήματα R που ταιριάζουν στα κριτήριά μας, σε σύγκριση με είκοσι δύο μαθήματα με βάση το Python. Τα περισσότερα από τα μαθήματα R δεν έλαβαν εξαιρετικές βαθμολογίες και δεν κατάφεραν να πληρούν τα περισσότερα από τα υποκειμενικά κριτήρια δοκιμών μας.

Η ανάλυση της σειράς έχει ως εξής:

Εισαγωγή στο R

Εκτιμώμενη δέσμευση χρόνου: 4 ώρες

Κεφάλαια:

  1. Εισαγωγή στα βασικά
  2. Διανύσματα
  3. Πίνακες
  4. Παράγοντες
  5. Πλαίσια δεδομένων
  6. Τόπος αγώνων

Ενδιάμεσο R

Εκτιμώμενη δέσμευση χρόνου: 6 ώρες

Κεφάλαια:

  1. Προϋποθέσεις και ροή ελέγχου
  2. Βρόχοι
  3. Λειτουργίες
  4. Η οικογένεια που ισχύει
  5. Βοηθητικά προγράμματα

Ενδιάμεσο R - Πρακτική

Εκτιμώμενη δέσμευση χρόνου: 4 ώρες

Αυτό το μάθημα παρακολούθησης στο ενδιάμεσο R δεν καλύπτει νέες έννοιες προγραμματισμού. Αντ 'αυτού, θα ενισχύσετε τις γνώσεις σας για τα θέματα στο ενδιάμεσο R με μια σειρά από νέες και διασκεδαστικές ασκήσεις.

Λειτουργίες γραφής σε R

Εκτιμώμενη δέσμευση χρόνου: 4 ώρες

Κεφάλαια:

  1. Μια γρήγορη ανανέωση
  2. Πότε και πώς πρέπει να γράψετε μια συνάρτηση
  3. Λειτουργικός προγραμματισμός
  4. Προηγμένες είσοδοι και έξοδο
  5. Ισχυρές λειτουργίες

Μια άλλη επιλογή για το R θα ήταν να ακολουθήσετε μια εισαγωγή στο πρόγραμμα προγραμματισμού που βασίζεται σε Python για να καλύψει τις βασικές αρχές του προγραμματισμού και, στη συνέχεια, να πάρει τη σύνταξη R με ένα βασικό μάθημα R. Αυτό έκανα, αλλά το έκανα με την Ανάλυση δεδομένων Udacity με τον R. Δούλεψε καλά για μένα.

Μπορείτε επίσης να παραλάβετε το R με την κορυφαία πρόταση για μια τάξη στατιστικών, η οποία διδάσκει τα βασικά του R μέσω κωδικοποίησης προβλημάτων στατιστικών.

Ο ανταγωνισμός

Οι επιλογές μας # 1 και # 2 είχαν μέση σταθμισμένη βαθμολογία 4,71 και 4,93 αστέρων πάνω από 284 και 6.069 κριτικές, αντίστοιχα. Ας δούμε τις άλλες εναλλακτικές λύσεις.

Μαθήματα Python (φθίνουσα μέση βαθμολογία)

  • Προγραμματισμός για όλους (Ξεκινώντας με Python) και Python Data Structures (University of Michigan / Coursera): μια άλλη εξαιρετική επιλογή. Έχει επίσης έναν σπουδαίο δάσκαλο (Dr. Charles "Chuck" Severance). Αυτή η σειρά πλησίαζε τη σφραγίδα της # 1 επιλογής μας επειδή ταιριάζει στην βαθμολογία και στα περισσότερα από τα υποκειμενικά κριτήρια. Αυτό το μάθημα είναι πιο ήπιο, ωστόσο, με τους σχολιαστές να σημειώνουν ότι ενδέχεται να μην σας προετοιμάσουν καθώς και άλλες επιλογές. Ο ίδιος ο Δρ Chuck σημείωσε ότι αυτό το μάθημα είναι μια γέφυρα για πιο προχωρημένα μαθήματα προγραμματισμού: « Θα πρότεινα ότι αφού οι μαθητές ολοκληρώσουν το μάθημά μου στο Python, εάν ενδιαφέρονται για περισσότερο προγραμματισμό, θα πήραν το μάθημα Rice. Θεωρήσαμε επίσης ότι οι κριτικές για την πρώτη μας επιλογή ήταν πιο ενθουσιώδεις. Έχει μέση σταθμισμένη βαθμολογία 4,8 αστέρων πάνω από 4.800+ αξιολογήσεις.
  • Python AZ: Python For Data Science With Real Exercises (Udemy): κοστίζει χρήματα και έχει μέση σταθμισμένη βαθμολογία 4,7 αστέρων πάνω από 52 κριτικές.
  • Αυτοματοποιήστε το Boring Stuff with Python Programming (Udemy): κοστίζει χρήματα και έχει μέση βαθμολογία 4,6 αστέρων με πάνω από 2.000+ κριτικές.
  • Python for Beginners: From Noob to Expert in 22+ Hours (Udemy): κοστίζει χρήματα και έχει μέση σταθμισμένη βαθμολογία 4,6 αστέρων πάνω από 240 κριτικές.
  • Εισαγωγή στην Επιστήμη των Υπολογιστών και στον Προγραμματισμό με τη χρήση Python (MIT / edX): μια άλλη καλή επιλογή. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 240 κριτικές.
  • Πλήρης Python Bootcamp (Udemy): κοστίζει χρήματα και έχει μια σταθμισμένη μέση βαθμολογία 4,5 αστέρων πάνω από 4.700+ κριτικές.
  • Σειρά Python Treehouse (9 μαθήματα): κοστίζει χρήματα. Είναι μια δημοφιλής επιλογή, αλλά δεν υπάρχουν αρκετές κριτικές για να κρίνουμε την αξία. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 5 κριτικές.
  • Python (Codecademy): διαδραστικό μάθημα χωρίς βίντεο, βασισμένο σε πρόγραμμα επεξεργασίας κειμένου. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 20 κριτικές.
  • Εισαγωγή στο Python for Science Science (Microsoft / edX): έχει μέση σταθμισμένη βαθμολογία 4,47 αστέρων πάνω από 360 κριτικές.
  • Εισαγωγή στον προγραμματισμό Nanodegree (Udacity): έχει ιδιαίτερη έμφαση στην ανάπτυξη ιστού. Είναι μια εξαιρετική επιλογή για κάποιον που δεν ξέρει τι είδους προγραμματισμό θέλει να κάνει. Έχει μέση σταθμισμένη βαθμολογία 4,4 αστέρων πάνω από 730 κριτικές. Σημειώστε ότι περιέχει το πρώτο μισό του δημοφιλούς μαθήματος «Εισαγωγή στην Επιστήμη των Υπολογιστών» του Udacity, το οποίο δεν πληροί τα κριτήρια συμπερίληψης.
  • CS For All: Εισαγωγή στην Επιστήμη των Υπολογιστών και στον Προγραμματισμό Python (Harvey Mudd College / edX): έχει πολύ λίγες κριτικές και μέση σταθμισμένη βαθμολογία 4,33 αστέρων πάνω από 6 κριτικές.
  • Ιδρύματα προγραμματισμού με Python (Udacity): δεν καλύπτει τις βασικές αρχές. Έχει μια σταθμισμένη μέση βαθμολογία 4 αστέρων πάνω από 7 κριτικές.
  • Μάθετε να προγραμματίζετε χρησιμοποιώντας το Python (edX / University of Texas Arlington): έχει μια σταθμισμένη μέση βαθμολογία 4 αστέρων πάνω από 14 κριτικές.
  • Μάθετε να Κωδικοποιείτε για Ανάλυση Δεδομένων (The Open University / FutureLearn): έχει μια σταθμισμένη μέση βαθμολογία 3,5 αστέρων πάνω από 2 κριτικές.
  • Η σειρά Python του DataCamp (3 μαθήματα): δεν έχει κριτικές για τους δύο μεγάλους ιστότοπους κριτικών μαθημάτων, αλλά το DataCamp είναι μια δημοφιλής επιλογή.
  • SoloLearn's Python 3 Tutorial: δεν έχει κριτικές, αλλά έχει ένα περιεκτικό πρόγραμμα σπουδών και ένα ειδικό fanbase.
  • Σειρά Python της Dataquest (3 μαθήματα): δεν έχει κριτικές, αλλά έχει ένα περιεκτικό πρόγραμμα σπουδών και μια ανοιχτή βάση θαυμαστών.

Μαθήματα R (φθίνουσα μέση βαθμολογία)

  • R Προγραμματισμός AZ ™: R Για Επιστήμη Δεδομένων με Πραγματικές Ασκήσεις! (Udemy): κοστίζει χρήματα. Δεν προσφέρει τόσο μεγάλο όφελος για τα χρήματα σας όσο η προσφορά # 1 R μας. Οι βαθμολογίες είναι παρόμοιες, λαμβάνοντας υπόψη το μέγεθος του δείγματος. Έχει μέση σταθμισμένη βαθμολογία 4,7 αστέρων πάνω από 785 κριτικές.
  • Εισαγωγή στο R for Science Science (Microsoft / edX): όχι τόσο βάθος όσο η προσφορά της DataCamp. Έχει μέση σταθμισμένη βαθμολογία 4,48 αστέρων πάνω από 500 κριτικές.
  • Προγραμματισμός R (Πανεπιστήμιο Johns Hopkins / Coursera): δεν καλύπτει επαρκώς τα βασικά του προγραμματισμού. Οι σχολιαστές σημειώνουν ότι είναι δύσκολο και όχι με καλό τρόπο. Έχει μέση σταθμισμένη βαθμολογία 4,04 αστέρων πάνω από 900+ κριτικές, παρά την βαθμολογία 2,5 αστέρων πάνω από 212 κριτικές στο Class Central.
  • TryR (CodeSchool): δεν είναι αρκετό για να ικανοποιεί τα κριτήρια δοκιμών και δεν καλύπτει επαρκώς τις βασικές αρχές προγραμματισμού. Έχει μια σταθμισμένη μέση βαθμολογία 4 αστέρων πάνω από 260 κριτικές.
  • Προγραμματισμός με R για Επιστήμη Δεδομένων (Microsoft / edX): περισσότερο μια εισαγωγή στη γλώσσα R παρά στον προγραμματισμό. Ο ιστότοπος του μαθήματος αναφέρει, "Εάν έχετε κάποια εμπειρία προγραμματισμού και θέλετε να μάθετε περισσότερα για το R, τότε είστε στο σωστό μέρος." Έχει μέση σταθμισμένη βαθμολογία 3 αστέρων πάνω από 12 κριτικές.

Τυλίγοντας το

Αυτή είναι η πρώτη σειρά έξι κομματιών που καλύπτει τα καλύτερα MOOCs για να ξεκινήσετε τον εαυτό σας στον τομέα της επιστήμης δεδομένων. Θα καλύψει αρκετές άλλες βασικές ικανότητες της επιστήμης δεδομένων: στατιστικές, τη διαδικασία της επιστήμης δεδομένων, οπτικοποίηση δεδομένων και μηχανική μάθηση.

Αν θέλετε να μάθετε Επιστήμη Δεδομένων, πάρτε μερικές από αυτές τις τάξεις στατιστικών

Ένας ολοκληρωμένος οδηγός για διαδικτυακά στατιστικά και μαθήματα πιθανότητας. medium.freecodecamp.com Κατάταξα κάθε μάθημα Εισαγωγής στην Επιστήμη Δεδομένων στο Διαδίκτυο, με βάση χιλιάδες σημεία δεδομένων

Ένας περιεκτικός οδηγός για διαδικτυακά μαθήματα εισαγωγής δεδομένων. medium.freecodecamp.com

Το τελευταίο κομμάτι θα είναι μια περίληψη αυτών των μαθημάτων και τα καλύτερα MOOC για άλλα βασικά θέματα, όπως η διαμάχη δεδομένων, οι βάσεις δεδομένων, ακόμη και η μηχανική λογισμικού.

Αν ψάχνετε για μια πλήρη λίστα των MOOCs Science Science, μπορείτε να τα βρείτε στη σελίδα του Science Central και του Big Data.

Αν σας άρεσε να το διαβάζετε, ρίξτε μια ματιά σε μερικά από τα άλλα κομμάτια του Class Central:

Ακολουθούν 250 μαθήματα Ivy League που μπορείτε να παρακολουθήσετε δωρεάν τώρα

250 MOOCs από Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton και Yale. medium.freecodecamp.com Τα 50 καλύτερα δωρεάν διαδικτυακά πανεπιστημιακά μαθήματα σύμφωνα με τα δεδομένα

Όταν ξεκίνησα το Class Central τον Νοέμβριο του 2011, υπήρχαν περίπου 18 δωρεάν διαδικτυακά μαθήματα και σχεδόν όλα… medium.freecodecamp.com

Αν έχετε προτάσεις για μαθήματα που έχω χάσει, ενημερώστε με στις απαντήσεις!

Εάν το θεωρήσατε χρήσιμο, κάντε κλικ στο? έτσι περισσότεροι άνθρωποι θα το δουν εδώ στο Medium.

Πρόκειται για μια συνοπτική έκδοση του αρχικού άρθρου που δημοσιεύτηκε στο Class Central, όπου περιλαμβάνονται περιγραφές μαθημάτων, αναλυτικά προγράμματα και πολλές κριτικές.