資料科學領域線上課程大彙整(全部免費)

表格123

因為之前寫的「如何成為資料科學家」大哉問 1:當資料科學家數學是不是要很好?頗受好評,大概是我的部落格文章中點擊率最高,觸及人數最多的人一篇,大家都很需要線上學習資源,因此我決定來跟大家說,怎麼樣一毛錢不花,全部看免費的,把很多資料科學家的知識補齊!當然,實務經驗是比較難在課程中學會的,因此這邊文章的課程只能幫大家補足學術上的知識。 (如果想花錢學,大家可以匯100萬台幣給我,我會把這篇文章製作精美的pdf檔寄給您 XD)

 

微積分與線性代數

 

 

  • 初階課程 (難易度:2星,推薦度:5星)
    線性代數 (交大 巫木誠 教授)
    http://ocw.nctu.edu.tw/course_detail.php?bgid=3&nid=50#.WCcJ07J97IU
    這門課程就是線性代數的基本觀念及相關定理與運算,算是比較計算與應用的課程,作為對理論不大有興趣的人這門課程算滿不錯的,而且老師講得很簡單易懂,很適合初學者!

 

 

機率論

 

  • 中階課程 (難易度:3.5 星,推薦度:5星)
    機率論 (清大 鄭少為老師)
    http://www.stat.nthu.edu.tw/~swcheng/Teaching/math2810/index.html
    鄭少為老師真的教的非常非常非常的好!會讓你很系統性、觀念很清楚地學完大學部的機率論,當然這不算是一門簡單的課程,需要一定的微積分基礎。儘管我沒上過鄭老師現場的課程,但是啟發我走向統計這條路的老師!

 

  • 中階課程  (難易度:3.5星,推薦度:4 星)
    Probability (Prof. Joe Blitzstein, Havard University)
    http://projects.iq.harvard.edu/stat110/home
    這門課程滿有趣的,其實是之前我曾經接到一個生意,要寫這個課程的期末考考卷,才發現知道原來有這門課。跟鄭老師的課程比起來,他是一個更偏「機率學」的課,許多習題都是對隨機實驗描述在做機率計算的,這堂課的缺點是比較難去了解機率論的全貌。

 

統計與數理統計

 

  • 中階課程 (難易度:3.5 星,推薦度:5星)
    統計學  (清大 鄭少為老師)
    http://www.stat.nthu.edu.tw/~swcheng/Teaching/math2820/index.html
    鄭少為老師真的教的非常非常非常的好!(再說一次 XD) 這門課程雖然叫做統計學,但其實是數理統計/高等統計學的難度,針對估計與檢定的部分真是精采絕倫!

 

 

應用統計方法

 

在這裡列出的課程,全部都是鄭少為老師的上課內容!我只有上過線性模式(也就是迴歸分析)跟 多變量分析,都非常精彩有用喔!基本上這些都算是進階課程,難易度都有4.5顆星喔!

 

 

 

 

 

時間序列分析

 

  • 初階課程 (難易度:2星,推薦度:5星)
    Business Analytics Using Forecasting (Prof. Galit Shmueli, NTHU)
    https://www.futurelearn.com/courses/business-analytics-forecasting
    這門課程是清大的徐茉莉教授的時間序列預測課程,課程不需要任何數學或是程式背景,可以幫助你從無到有建立資料分析的觀念,並學習到時間序列預測的精神喔!

 

  • 中階課程 (難易度:3.5星,推薦度:5星)
    Forecasting: principles and practice (Prof. Rob J Hyndman, Monash University)
    http://robjhyndman.com/seminars/uwa/
    這門課程沒有影片檔,但有相關的講義、投影片、以及 R code,其實光看這些教材就完全可以搞懂了。  Hyndman 教授是時間序列(應該可以說是最有名)的套件 forecast 的作者,他也是莫莉老師的好朋友,他的課程內容非常豐富,但需要一點點數學跟coding的基礎。

 

 

機器學習 ─ 一般領域

 

  • 中階課程 (難易度:3.5 星,推薦度:4.5 星)
    Statistical Learning (Prof. Trevor Hastie and Prof. Rob Tibshirani)
    https://goo.gl/fTf4Tl
    這兩位是 Stanford 統計系的兩位大神教授,Tibshirani 是 LASSO 的發明人,Hastie則是 elastic net 的發明人,兩位都是高維度資料分析的大師,我自己看過機器學習的書中寫的最平易近人的應該就是他們的 An Introduction to Statistical Learning,這門課便是以這本書作為主要課本,裡面也有  R 語言的實作,非常棒!

 

  • 中階課程 (難易度:3.5 星,推薦度: 5 星)
    Coursera 機器學習專項課程 (University of Washington)
    https://www.coursera.org/specializations/machine-learning
    這系列的專項課程是我所有機器學習課程中最推薦的,除了老師上課的說明淺顯易懂外,作業也非常應用,但又不會太難,當初雖然我是為了學 Python 而看的,結果卻是所有機器學習課程中我最最最推薦的一門。

 

  • 進階課程 (難易度:4.5 星,推薦度: 4 星)
    大規模機器學習實務 (清大 吳尚鴻 教授)
    http://datalab-lsml.appspot.com/
    這門課程是清大吳尚鴻教授開的機器學習,雖然老師上課的投影片中數學量滿多的,但我覺得老師 lab demo 的 ipython notebook 非常棒,很推薦大家學習!之所以沒有 5 星推薦,是因為這門課程的網頁有可能在課程結束後會被老師關掉~

 

 

機器學習 ─ 其他主題

 

  • 深度學習 (難易度:4.5 星,推薦度:5 星)
    機器學習 ─ 結構化與深層化 (台大 李宏毅 教授)
    http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLSD15_2.html
    市面上比較少跟 Deep Learning 相關的課程,李宏毅老師的深度學習講解得非常清楚易懂,又有搭配 Theano 教學,雖然我還沒有時間看完,但修過的都說讚!

 

  • 深度學習 (難易度:? 星,推薦度:? 星)
    Convolutional Neural Networks for Visual Recognition (Stanford University)
    課程影片:https://goo.gl/KesbHp
    課程講義:http://cs231n.stanford.edu/syllabus.html
    這是我的朋友推薦的,將深度學習運用在視覺辨識上,感覺是無人車必備知識啊!

 

  • 增強學習 (難易度:5 星,推薦度:5 星)
    Reinforcement Learning (Prof. David Silver)
    課程影片:在 youtube上搜尋 David Silver 就可以找到
    課程講義:http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
    David Silver絕對是大師中的大師,如果大家有看 AlphaGo 發在 Nature 的 paper,作者第一位就是他!!!這門課程是相對比較理論一點的課程,但能帶大家看到 reinforcement learning的很多面向,超棒的!

 

  •  機器學習理論 (難易度:爆表 6 星,推薦度:3 星)
    Statistical Machine Learning (Prof. Larry Wrassman)
    http://www.stat.cmu.edu/~larry/=sml/
    這門課程是我非常非常喜歡的一門課(對於統計的人來說超棒的),課程很漂亮的討論了各種機器學習議題背後的統計理論,包括:RKHS、Empirical Risk Minimization、Concentration of Measure、Minimax Theory,到常見的regression, classification, clustering等技巧,有很深入的介紹。這門課真的非常非常非常的難,所以並沒有非常推薦大家去看。

 

有關 David’s Perspective 的最新文章,都會發布在大鼻的 Facebook 粉絲專頁,如果你喜歡大鼻的文章,還請您不吝嗇地按讚或留言給我喔!

大鼻觀點:https://www.facebook.com/davidperspective/

About David Huang

目前在台灣大學就讀統計碩士學位學程。我的研究領域是特徵表達與降維分析、序列決策模型、以及財務時間序列,我喜歡用商業的觀點切入大數據與資料科學!

6 Comments

  1. 太感謝了

    Coursera 機器學習專項課程 (University of Washington)
    這門課好像不是免費的啊?

發表迴響

你的電子郵件位址並不會被公開。 必要欄位標記為 *