數據科學學習新資源：哈佛大學9門免費課程亮相
編譯／夏洛特
在當今的就業市場中，數據科學已成為最搶手的人才之一。對於從金融到醫療保健等各個行業來說，從大量數據中提取有價值的見解的能力非常重要。在所有教育機構中，哈佛大學無疑是世界上最富盛名的之一。基於認識到資料科學的重要性，為了幫助大家掌握該領域，該大學也提供一系列免費課程。本文我們就將帶你看看哈佛大學的九門免費課程，讓大家都能輕鬆學習數據科學。
程式設計（R、Python）
學習資料科學的第一步就是學習程式設計。為此，哈佛大學也提供了專門為數據科學學生設計的免費 R 語言入門課程：「數據科學：R 基礎知識」的課程；而若是更喜歡 Python，也可以參加哈佛大學的免費 CS50 Python 程式設計簡介課程。 本課程將涵蓋函數、變數、參數、資料類型、條件、循環、方法、物件和其他概念。
數據視覺化（data visualization）
視覺化是將數據結果傳達給另一個人的最強大方法之一。作為哈佛大學資料視覺化專案的一部分，大家也能將學習使用 ggplot2 工具在 R 語言課程中創建視覺化，以及傳達資料驅動的見解的概念。
機率（probability）
機率課程將教大家對數據進行統計測試所必需的重要機率原理。 其涵蓋主題包括隨機變數、蒙特卡羅方法、獨立性、期望值、標準誤差和中央極限定理。
統計數據（statistics）
建議大家可以在了解機率後再學習本課程，如此一來就可以掌握統計推論和建模的原理。該課程將教大家如何定義總體估計和誤差範圍，並介紹貝氏統計和預測建模基礎知識。
生產力工具（productivity tools）
在這門專案管理課程中，大家將學習如何利用 Unix／Linux 進行檔案管理、GitHub 進行版本控制以及用R 來建立報表等。
資料預處理（Data Pre-Processing）
資料預處理將教你如何準備資料並將其轉換為機器學習模型可以輕鬆消化的格式。包括將資料匯入 R、處理字串資料、清理資料、解析 HTML、與日期時間物件互動等都涵蓋在內。透過該課程，大家將能了解如何整理和清理數據，以從中提取關鍵見解。
線性回歸（Linear Regression）
線性迴歸則是一種機器學習方法，用於對兩個或多個變數之間的線性連接進行建模。 它也可用於發現和糾正混雜因素。本課程將教大家關於線性迴歸模型背後的理論，包括如何研究兩個變數之間的關係，以及如何在開發機器學習演算法之前找到並消除混雜變數等。
機器學習（Machine Learning）
哈佛大學的機器學習課程將教大家有關機器學習的基礎知識，以及減輕過度學習的策略、監督、無監督建模方法，以及推薦系統。
頂點專案（Capstone Project）
最後，在完成上述所有課程後，大家就能夠完成哈佛大學的資料科學頂點項目，該項目將對大家在資料視覺化、機率、統計、資料整理、資料組織、回歸和機器學習方面的能力進行測試。
參考資料：Analytics Insight
瀏覽 733 次
