Bild vom Autor

# Einführung

Mit der Datenwissenschaft Schritt zu halten ist nicht immer einfach. Jeden Tag gibt es neue Bibliotheken, Artikel, Datensätze und Instruments, und ich kann mich nicht an alle erinnern. Ich habe festgestellt, dass das bloße Verfolgen von Newslettern oder Threads nicht wirklich funktioniert. Was noch hilfreicher ist, ist, ein paar nützliche Ressourcen parat zu haben. Für mich ist es wie ein kleiner Knotenpunkt, an dem ich Recherchen, Codierungsmaterial, Datensätze, Visualisierungen und Kurzreferenzen an einem Ort aufbewahre. Nachdem ich eine Menge Dinge ausprobiert hatte, Ich habe jetzt 10 Lesezeichen, die ich ständig verwende. Sie helfen mir, konzentriert zu bleiben, Zeit zu sparen und zu wissen, was passiert. Jeden Morgen öffne ich sie und sie geben irgendwie den Ton für meinen Tag vor. Hier ist ein Blick auf meine High-Lesezeichen und warum ich sie behalte:

# 1. arXiv: Maschinelles Lernen (cs.LG) Neue Artikel

arXiv Hier schaue ich mir die neuesten Forschungsergebnisse zum maschinellen Lernen an. Der Abschnitt cs.LG deckt alles von der Theorie bis zum angewandten maschinellen Lernen in NLP, Imaginative and prescient und RL ab. Ich setze ein Lesezeichen und schaue oft nach, damit ich keine Beiträge verpasse, die zu neuen Ideen oder Projekten inspirieren könnten. Dies ist eine großartige Möglichkeit, auf dem Laufenden zu bleiben und sich über neue Methoden zu informieren, bevor sie in Artikeln oder auf GitHub erscheinen.

# 2. GitHub Trending Python Repos

Diese Seite zeigt jede Woche die beliebtesten Python-Projekte, von neuen Bibliotheken bis hin zu experimentellen Instruments. Ich behalte es im Lesezeichen, weil es bei der Datenwissenschaft nicht nur um Algorithmen, sondern auch um Instruments geht. Das Scannen von Developments hilft mir, nützliche Bibliotheken oder Muster frühzeitig zu erkennen, bevor sie zu überfüllt sind. Nur 10 Minuten professional Woche hier bringen mir normalerweise ein oder zwei Dinge, die es wert sind, ausprobiert zu werden.

# 3. Daten sind Plural

Daten sind Plural ist ein E-newsletter und Archiv voller ungewöhnlicher und interessanter Datensätze. Ich behalte es in meinen Lesezeichen, weil es sich hervorragend zum Auffinden von Projektideen, Tutorials oder Hackathon-Herausforderungen eignet. Jeder Datensatz verfügt über eine kurze Beschreibung und einen Hyperlink. Es ist eine einfache Möglichkeit, neue Daten zu erkunden und Ideen zu erhalten, die über Kaggle oder die üblichen Quellen hinausgehen.

# 4. Die heruntergekommene KI

Die heruntergekommene KI fasst die wichtigsten Nachrichten und Artikel zu KI und maschinellem Lernen zusammen und erspart mir so stundenlanges Suchen. Ganz gleich, ob es sich um ein neues Papier, eine Software-Veröffentlichung oder einen neuen Ansatz handelt: Es bietet einen schnellen Überblick, sodass ich erkennen kann, was related ist. Im Grunde eine einfache Möglichkeit, informiert zu bleiben und über Developments auf dem Laufenden zu bleiben.

# 5. RAWGraphs

RAWGgraphs ist ein kostenloses, browserbasiertes Software zum schnellen Erstellen sauberer, anpassbarer Diagramme. Ich kann Visualisierungen direkt aus CSV oder JSON erstellen, ohne kompliziert schreiben zu müssen matplotlib oder seegeboren Code. Es eignet sich hervorragend zum Erkennen von Developments und Ausreißern oder zum Erstellen von Diagrammen für Berichte. Die Diagramme lassen sich problemlos in Vektorformate exportieren, sodass sie in Folien oder Artikeln professionell aussehen.

# 6. Quartz Unhealthy Information Information

Der Quarz-Leitfaden für fehlerhafte Daten ist eine meiner Anlaufstellen, wenn ich unordentliche Daten bereinige. Es geht auf häufige Probleme wie fehlende Werte, verstümmelten Textual content, inkonsistente Formatierung und falsch eingegebene Zahlen ein und gibt Tipps zu deren Behebung. Unordentliche Daten sind nur ein Teil der Arbeit, und dieser Leitfaden erspart mir viel Zeit bei der Fehlerbehebung. Mir gefällt auch die Strukturierung danach, wer was reparieren soll, was das Verfolgen und Lösen von Problemen viel einfacher macht.

# 7. Fünf-Minuten-Statistiken

Fünf-Minuten-Statistiken ist eine Kurzreferenz für wichtige Statistikkonzepte und -formeln. Ich kann Themen wie Hypothesentests, Wahrscheinlichkeitsverteilungen, Korrelationen und beschreibende Statistiken in nur wenigen Minuten problemlos auffrischen. Es ist perfekt, wenn Sie Berechnungen überprüfen, Unterrichtsstunden vorbereiten oder Tutorials schreiben möchten, ohne in Lehrbüchern wühlen zu müssen.

# 8. Fantastische Datenanalyse

Tolle Datenanalyse ist eine GitHub-Sammlung von Instruments und Ressourcen für alle Teile des Datenworkflows. Ich behalte es als Lesezeichen, weil es sich hervorragend zum Bereinigen, Bearbeiten und Visualisieren von Daten und zum Erstellen von Pipelines für maschinelles Lernen eignet. Wenn ich neue Bibliotheken ausprobiere, mein Toolkit auffrische oder mit Kollegen oder Studenten teile, hilft es mir, schnell zuverlässige, intestine gepflegte Instruments zu finden.

# 9. Mockaroo

Mockaroo ist ein Software zum Generieren von Zufallsdaten und Schein-APIs. Ich kann schnell realistische Datensätze in CSV, JSON, SQL oder Excel erstellen, ohne alles von Hand eintippen zu müssen. Es eignet sich hervorragend zum Testen von Code, Dashboards oder Machine-Studying-Workflows, einschließlich kniffliger Randfälle. Mit Mock-APIs kann ich auch gleichzeitig am Frontend und Backend arbeiten.

# 10. Foorilla

Foorilla ist eine Plattform für Stellenangebote im Technologie- und Datenbereich. Ich nutze es, um neue Stellenangebote zu durchsuchen, Unternehmen zu folgen und Jobs nach Thema, Standort oder Distant-Optionen zu filtern. Sie können Hear auch im CSV- oder JSON-Format exportieren, was es einfacher macht, den Überblick über Chancen zu behalten. Dies ist eine einfache Möglichkeit, über den Arbeitsmarkt auf dem Laufenden zu bleiben, ohne zwischen mehreren Web sites wechseln zu müssen.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor | Canva

Eines der ärgerlichsten Dinge, die passieren können, ist, dass Sie auf diesen Kurs stoßen und dort steht, dass er kostenlos ist. Während Sie sich anmelden und die Schritte durchgehen, stellen Sie fest, dass nur das erste Modul oder sogar die erste Lektion kostenlos ist.

In diesem Weblog gehe ich eine Liste tatsächlich kostenloser Kurse durch, speziell zu künstlicher Intelligenz und maschinellem Lernen.

KI für alle

Hyperlink: IBM: KI für alle: Beherrschen Sie die Grundlagen
Dauer: 4 Wochen, 1-2 Stunden professional Woche.

In diesem Kurs erfahren Sie, was KI ist, verstehen ihre Anwendungen und Anwendungsfälle und wie sie unser Leben verändert. Sie erkunden grundlegende KI-Konzepte wie maschinelles Lernen, Deep Studying und neuronale Netzwerke sowie Anwendungsfälle und Anwendungen von KI. Sie werden auch mit Fragen rund um KI konfrontiert, darunter Ethik, Voreingenommenheit, Arbeitsplätze und die Auswirkungen auf die Gesellschaft.

Sie erhalten einen Blick in die Zukunft der KI, Ratschläge zum Einstieg in eine KI-bezogene Karriere und schließen den Kurs mit einer Demonstration von KI in Aktion anhand eines Miniprojekts ab.

CS50s Einführung in künstliche Intelligenz mit Python

Hyperlink: CS50s Einführung in künstliche Intelligenz mit Python
Dauer: 7 Wochen, 10–30 Stunden professional Woche

Dieser Kurs untersucht die Konzepte und Algorithmen, die der modernen künstlichen Intelligenz zugrunde liegen, und befasst sich mit den Ideen, die zu Technologien wie Spiele-Engines, Handschrifterkennung und maschineller Übersetzung geführt haben. In praktischen Projekten erhalten die Studierenden Einblick in die Theorie hinter Graphsuchalgorithmen, Klassifizierung, Optimierung, maschinellem Lernen, großen Sprachmodellen und anderen Themen der künstlichen Intelligenz, während sie diese in ihre eigenen Python-Programme integrieren.

Am Ende des Kurses verfügen die Studierenden über Erfahrungen mit Bibliotheken für maschinelles Lernen sowie über Kenntnisse der Prinzipien der künstlichen Intelligenz, die es ihnen ermöglichen, eigene intelligente Systeme zu entwerfen.

Google KI für jedermann

Hyperlink: Google KI für jedermann
Dauer: 4 Wochen, 2–3 Stunden professional Woche

Wie der Identify schon sagt, ist dieser Kurs für jedermann geeignet – Sie brauchen keine Informatik-, Mathematik- oder KI-Kenntnisse, um ihn zu verstehen. Es sind keine Programmierkenntnisse oder Vorkenntnisse erforderlich.

Sie erfahren von den Grundprinzipien an, worum es bei dem ganzen Trubel geht, und können praktisch mit Daten experimentieren, um einem Laptop beizubringen, Bilder, Töne und mehr zu erkennen.

Während Sie erkunden, wie KI in der realen Welt eingesetzt wird (Empfehlungssysteme, Laptop Imaginative and prescient, autonomes Fahren usw.), entwickeln Sie auch ein Verständnis für neuronale Netzwerke und die Arten des maschinellen Lernens, einschließlich überwachtem und unüberwachtem Lernen, Verstärkung usw. Sie werden auch sehen (und erleben), wie die Programmierung von KI aussieht und wie sie angewendet wird.

HarvardX: Maschinelles Lernen und KI mit Python

Hyperlink: HarvardX: Maschinelles Lernen und KI mit Python
Dauer: 6 Wochen, 4–5 Stunden professional Woche

In „Maschinelles Lernen und KI mit Python“ erkunden Sie den grundlegendsten Algorithmus als Grundlage für Ihr Lernen und Verständnis des maschinellen Lernens: Entscheidungsbäume. Die Entwicklung Ihrer Kernkompetenzen im maschinellen Lernen schafft die Grundlage für die Ausweitung Ihres Wissens auf Bagging und Random Forests und von dort aus auf komplexere Algorithmen wie Gradient Boosting.

Anhand realer Fälle und Beispieldatensätze untersuchen Sie Prozesse, stellen Ihre Erwartungen grafisch dar, überprüfen die Ergebnisse und messen die Wirksamkeit der Techniken der Maschine. Während des Kurses werden Sie Zeuge der Entwicklung der Modelle für maschinelles Lernen, bei der zusätzliche Daten und Kriterien einbezogen werden. Dabei testen Sie Ihre Vorhersagen und analysieren die Ergebnisse, um ein Übertraining Ihrer Daten zu vermeiden, Überanpassungen zu mildern und verzerrte Ergebnisse zu verhindern.

IBM: Einführung in generative KI

Hyperlink: IBM: Einführung in generative KI
Dauer: 3 Wochen, 1–3 Stunden professional Woche

In diesem Kurs lernen Sie die Grundlagen und die Entwicklung der generativen KI kennen. Sie erkunden die Möglichkeiten der generativen KI in verschiedenen Bereichen, darunter Textual content, Bild, Audio, Video, virtuelle Welten, Code und Daten. Sie verstehen die Anwendungen der generativen KI in verschiedenen Sektoren und Branchen. Sie lernen die Möglichkeiten und Funktionen gängiger Modelle und Instruments der generativen KI kennen, wie GPT, DALL-E, Steady Diffusion und Synthesia.

In den praktischen Übungen des Kurses können Sie die Anwendungsfälle der generativen KI mithilfe des IBM Generative AI Classroom und beliebter Instruments wie ChatGPT erkunden. Außerdem erfahren Sie von den Praktikern mehr über die Fähigkeiten, Anwendungen und Instruments der generativen KI.

HarvardX: Datenwissenschaft: Maschinelles Lernen

Hyperlink: HarvardX: Datenwissenschaft: Maschinelles Lernen
Dauer: 8 Wochen, 2–4 Stunden professional Woche

In diesem Kurs, der Teil des Skilled Certificates Program in Knowledge Science ist, erlernen Sie gängige Algorithmen des maschinellen Lernens, Hauptkomponentenanalyse und Regularisierung durch den Aufbau eines Movie-Empfehlungssystems.

Sie lernen Trainingsdaten kennen und erfahren, wie Sie mithilfe eines Datensatzes potenziell prädiktive Beziehungen entdecken. Während Sie das Movie-Empfehlungssystem erstellen, lernen Sie, wie Sie Algorithmen mithilfe von Trainingsdaten trainieren, damit Sie das Ergebnis für zukünftige Datensätze vorhersagen können. Sie lernen auch etwas über Übertraining und Techniken zu dessen Vermeidung, wie beispielsweise Kreuzvalidierung. All diese Fähigkeiten sind für das maschinelle Lernen von grundlegender Bedeutung.

Maschinelles Lernen mit Python: Von linearen Modellen zu Deep Studying

Hyperlink: MITx: Maschinelles Lernen mit Python: Von linearen Modellen zu Deep Studying
Dauer: 15 Wochen, 10–14 Stunden professional Woche

In diesem Kurs lernen die Studierenden Prinzipien und Algorithmen kennen, mit denen Trainingsdaten in effektive automatisierte Vorhersagen umgewandelt werden können. Sie lernen etwas über Darstellung, Überanpassung, Regularisierung, Generalisierung und VC-Dimension. Ebenso wie Clustering, Klassifizierung, Empfehlungsprobleme, probabilistische Modellierung und bestärkendes Lernen. Und nicht zuletzt tauchen Sie in On-line-Algorithmen, Help Vector Machines und neuronale Netzwerke/Deep Studying ein.

Einführung in maschinelles Lernen und KI

Hyperlink: RaspberryPiFoundation: Einführung in maschinelles Lernen und KI
Dauer: 4 Wochen, 2–4 Stunden professional Woche

In diesem vierwöchigen Kurs der Raspberry Pi Basis lernen Sie verschiedene Arten des maschinellen Lernens kennen und trainieren mithilfe von On-line-Instruments Ihre eigenen KI-Modelle. Sie erfahren, welche Arten von Problemen mit maschinellem Lernen gelöst werden können, diskutieren, wie KI die Welt verändert, und denken über die ethischen Aspekte des Sammelns von Daten zum Trainieren eines Modells für maschinelles Lernen nach.

Einführung in maschinelles Lernen auf AWS

Hyperlink: AWS: Einführung in maschinelles Lernen auf AWS
Dauer: 2 Wochen, 2–4 Stunden professional Woche

In diesem Kurs beginnen Sie mit einigen Diensten, bei denen Amazon das Trainingsmodell und die Rohinferenz für Sie übernimmt. Es werden Dienste behandelt, die die Schwerstarbeit in den Bereichen Laptop Imaginative and prescient, Datenextraktion und -analyse, Sprachverarbeitung, Spracherkennung, Übersetzung, ML-Modelltraining und virtuelle Agenten übernehmen. Sie denken über Ihre aktuellen Lösungen nach und sehen, wo Sie diese Lösungen mithilfe von KI, ML oder Deep Studying verbessern können. Alle diese Lösungen können mit Ihren aktuellen Anwendungen zusammenarbeiten, um Ihre Benutzererfahrung oder die Geschäftsanforderungen Ihrer Anwendung zu verbessern.

KI für JavaScript-Entwickler mit TensorFlow.js

Hyperlink: Google AI für JavaScript-Entwickler mit TensorFlow.js
Dauer: 7 Wochen, 3–4 Stunden professional Woche

Dieser Kurs soll Sie informieren, inspirieren und Ihnen die Möglichkeit geben, in dieser rasch wachsenden Branche schnell Ihre nächste ML-gestützte Idee umzusetzen. Gleichzeitig vermittelt er Ihnen eine solide Grundlage für das Verständnis des Bereichs und das Selbstvertrauen, die Branche weiter zu erkunden.

Für die Teilnahme am Kurs sind keine Vorkenntnisse im Bereich ML erforderlich. Grundlegende Kenntnisse in Webtechnologien wie HTML, CSS und JavaScript werden dringend empfohlen.

Einpacken

Wenn Sie eine neue Karriere anstreben oder Ihre Fähigkeiten verbessern möchten, ist es das Beste, so viel kostenloses Wissen wie möglich aufzusaugen. In diesem Weblog habe ich 10 verschiedene kostenlose Kurse aufgelistet, die Sie nutzen und mit denen Sie grundlegendes Wissen und Erfahrung sammeln können, ohne einen Cent ausgeben zu müssen.

Nisha Arya ist Datenwissenschaftlerin, freiberufliche technische Redakteurin und Redakteurin und Neighborhood-Managerin für KDnuggets. Sie ist besonders daran interessiert, Karriereberatung oder Tutorials für die Datenwissenschaft sowie theoriebasiertes Wissen rund um die Datenwissenschaft bereitzustellen. Nisha deckt ein breites Themenspektrum ab und möchte die verschiedenen Möglichkeiten erkunden, wie künstliche Intelligenz die Langlebigkeit des menschlichen Lebens verbessern kann. Als eifrige Lernerin möchte Nisha ihr technisches Wissen und ihre Schreibfähigkeiten erweitern und gleichzeitig anderen helfen, Anleitung zu geben.