Bedste svar
Udacitys Data Science-kurser er usædvanlige. Materialet er kortfattet, men grundigt, og øvelserne og projekterne giver god praksis. Hvis du er seriøs omkring at pakke dit hoved omkring datalogi, kan du ikke gå galt med Udacity.
Når det er sagt, er der et par grunde til, at du måske vil overveje alternativer.
Den første er, at ved at udvide deres katalog og holde deres indhold opdateret (og de fleste af deres kurser er friske, komplet med de nyeste trends og bedste praksis), nogle af kursusmaterialerne, de tilbyder, føles skyndte.
Udacity er hurtig til at ordne ting. Vær stadig ikke overrasket over at finde opgaver eller materialer, der virker uintuitive eller lidt off. Disse kurser udvikler sig konstant, på godt og ondt (i det lange løb, til bedre).
Det andet er, at Udacity er en profitabel virksomhed. Da alle virksomheder er tilbøjelige, har de tendens til fortjeneste. Mens de er meget venlige med at tilbyde gratis intro-niveau kurser, er deres hensigt at trække elever ind i et af deres Nanodegree-programmer.
Det er selvfølgelig ikke problemet. Problemet er omkostninger.
Med $ 399 pr. Måned er Nanodegrees lidt på den stejle side. Det gælder især, når du tager med i hvor lang tid nogle af disse programmer tager. Programmet “Data Analyst” tager for eksempel 4 måneder. Det forudsættes, at du er i stand til at tilbringe den nødvendige tid hver uge.
For et par år siden ville jeg have sagt, at dette UDVIDELIG var det værd . Siden begyndelsen af 2018 trak Udacity imidlertid deres løfte om en “jobgaranti” (eller dine penge tilbage). Det har gjort programmerne sværere at stå inde for, dels fordi dit investeringsafkast ikke er så sikkert som det engang var.
Så hvordan skal du beslutte, om Udacitys datavidenskabskurser er det værd?
- Hvis du bare er på udkig efter en solid introduktion til datavidenskab, er ethvert af Udacitys gratis programmer værd den tid det tager at færdiggøre dem. De er også gratis!
- Hvis du er indstillet på at gøre datalogi til en integreret del af din karriere, skal du overveje deres Nanodegree-programmer – de kan være dyre, men de er designet til at hjælpe dig anvende datavidenskab i et professionelt miljø
- Hvis du vil dykke dybt ned i datalogi, men ikke ønsker at gøre det til en karriere eller have lidt tid til at sætte din egen “læseplan” sammen, masser af andre muligheder findes (i hvilket tilfælde læs videre – vi kommer til alternativerne)
I skrivende stund er der 1.200+ kurser om datalogi – mange tilgængelige for under $ 100. Disse inkluderer anerkendte kurser, der bredt introducerer datalogi:
- Analytics Edge fra MIT (gratis at tage, $ 150 for certifikat)
- Anvendt datalogi med Python fra University of Michigan ($ 49 / måned)
Der er også datavidenskabskurser, der fokuserer på smallere applikationer:
- Funktionel programmering i Scala fra EPFL ($ 49 / måned) Et kursus, der introducerer Scala og Spark til at analysere big data
- Genomisk datalogi fra Johns Hopkins University ($ 49 / måned) Særligt velegnet til molekylærbiologer og dem, der studerer eller arbejder inden for områder relateret til genetik
- Excel til MySQL: Analytiske teknikker til virksomheder fra Duke University For dem, der ønsker at udnytte data til måle ydeevne og drive beslutningstagning i forretningskontekst
- Data Mining: A 6-Course Specialization fra University of Illinois i Urbana-Champaign Designet til dem, der er interesserede i datamining og anvendelse af NLP-teknikker (Natural Language Processing) til at analysere ustrukturerede data
- Deep Learning: En 5-kursus specialisering fra deeplearning.ai Rettet mod dem, der er interesseret i Deep Learning, en stærk gren af AI, der driver mange af nutidens fremskridt inden for områder som selv -kørende køretøjer
Disse alternativer koster en brøkdel af det, du måske betaler for en Udacity Nanodegree. De tilbyder ikke det samme niveau af support (for eksempel tilbyder Udacity mentorordninger, mens andre ikke gør det).
Stadig, hvis du ved hvad du vil lære, er det ikke svært i dag (med så mange muligheder tilgængelige) for at sammensætte et par kurser, der imødekommer dine behov.
Hvis du finder dette svar nyttigt, skal du følge og tjekke ud OpenCourser , et websted, der hjælper eleverne med at finde online kurser.
Svar
Som en person, der har afsluttet omkring 10 datavidenskabelige kurser om Udacity (og mange flere på Coursera, Codecademy, DataCamp, Treehouse og Khan Academy) og 90\% ind i dataanalytikerens nanodegree og 91\% i Machine Learning Engineer også på Udacity. Jeg kan sige, at det bestemt er værd at tage et bestemt datalogisk kursus om Udacity: Introduktion til maskine Læring | Udacity !
Det er et af de højeste kvalitetskurser, jeg nogensinde har set (med undtagelse af Udacitys Android-nanodegree) og meget omfattende som et introduktionskursus, selvom det føltes mere som et komplet nanodegree-program . En del af charmen er, at Sebastian Thrun selv forklarer de fleste af begreberne i lægmandssprog, og du kan fortælle, at han virkelig ved, hvad han taler om. Jeg sidder fast i nogle quizzer og det afsluttende projekt, men forummet for dette særlige kursus var levende, og hvert spørgsmål, jeg sidder fast ved, blev allerede stillet af en anden og besvaret af den legendariske forummentor Miles.
Min den bedste anbefaling til dig, hvis du beslutter dig for at tage det, er at købe Sebastian Raskkas bog om maskinindlæring i Python: Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learning, og TensorFlow, 2. udgave som kan findes på Amazon og endda i Kindle-format. Jeg brugte det personligt til at læse op på hvert af modulerne, især PCA, da det kort blev forklaret i løbet, men det er så vigtigt i praktisk maskinlæring.
Rediger: Jeg har fået flere mennesker til at nå ud til mig på LinkedIn og via e-mail, der beder om mere personlig rådgivning. Tøv ikke med at gøre det! Jeg vejleder allerede 80 mennesker i mit lokalsamfund om selvudvikling, konstant læring og nogle gange også om datalogi. Du er også velkommen til at følge mig, da jeg vil besvare flere spørgsmål til folk, der er interesserede i at skifte til datavidenskab fra ikke-teknisk baggrund. Mange tak, alle sammen!