Najlepsza odpowiedź
Kursy nauki danych Udacity są wyjątkowe. Materiał jest zwięzły, ale dokładny, a ćwiczenia i projekty zapewniają dobrą praktykę. Jeśli poważnie myślisz o nauce danych, nie możesz się pomylić z Udacity.
To powiedziawszy, istnieje kilka powodów, dla których warto rozważyć alternatywy.
Po pierwsze, poszerzając katalog i dbając o aktualność treści (a większość kursów jest świeża i zawiera najnowsze trendy i najlepsze praktyki), niektóre z oferowanych przez nie materiałów szkoleniowych wydają się pospieszne.
Udacity szybko naprawia problemy. Mimo to nie zdziw się, jeśli znajdziesz zadania lub materiały, które wydają się nieintuicyjne lub trochę nierealne. Kursy te stale się rozwijają, na lepsze lub na gorsze (w dłuższej perspektywie na lepsze).
Po drugie, Udacity jest biznesem nastawionym na zysk. Ponieważ wszystkie firmy są skłonne, dążą do zysku. Chociaż są bardzo uprzejmi, oferując bezpłatne kursy na poziomie wprowadzającym, ich zamiarem jest skierowanie uczniów do jednego z ich programów Nanodegree.
Oczywiście, to nie jest problemem. Problem jest kosztowny.
Przy 399 USD miesięcznie, Nanodegrees są nieco strome. Jest to szczególnie ważne, gdy weźmiesz pod uwagę czas trwania niektórych z tych programów. Na przykład program „Analityk danych” trwa 4 miesiące. Zakładając, że jesteś w stanie poświęcić wymaganą ilość czasu w każdym tygodniu.
Kilka lat temu powiedziałbym, że to ZDECYDOWANIE warto . Jednak od początku 2018 r. Udacity wycofało obietnicę „gwarancji zatrudnienia” (lub zwrotu pieniędzy). To sprawiło, że trudniej było ręczyć za te programy, po części dlatego, że zwrot z inwestycji nie jest tak bezpieczny jak kiedyś.
Jak więc zdecydować, czy kursy nauki danych Udacity są tego warte?
- Jeśli szukasz tylko solidnego wprowadzenia do nauki o danych, każdy z bezpłatnych programów Udacity jest warty czasu, jaki zajmuje ich ukończenie. Są też bezpłatne!
- Jeśli chcesz uczynić naukę danych integralną częścią swojej kariery, powinieneś rozważyć ich programy Nanodegree – mogą być drogie, ale zostały zaprojektowane, aby ci pomóc zastosuj naukę o danych w środowisku zawodowym
- Jeśli chcesz zagłębić się w naukę o danych, ale nie chcesz robić z tego kariery ani mieć czasu na stworzenie własnego „programu nauczania”, wiele innych istnieją opcje (w takim przypadku czytaj dalej – przechodzimy do alternatyw)
W chwili pisania tego artykułu ponad 1200 kursy dotyczące nauki o danych – wiele z nich jest dostępnych za mniej niż 100 USD. Obejmują one uznane kursy, które szeroko wprowadzają naukę o danych:
- The Analytics Edge od MIT (bezpłatne, 150 USD za certyfikat)
- Applied Data Science with Python z University of Michigan (49 USD / miesiąc)
Istnieją także kursy nauki o danych, które koncentrują się na węższych aplikacjach:
- Programowanie funkcjonalne w Scali z EPFL (49 USD / miesiąc) Kurs, który wprowadza Scala i Spark do analizy dużych zbiorów danych
- Genomic Data Science z Johns Hopkins University (49 USD / miesiąc) Szczególnie dobrze nadaje się dla biologów molekularnych i osoby studiujące lub pracujące w dziedzinach związanych z genetyką
- Excel to MySQL: techniki analityczne dla biznesu z Duke University Dla tych, którzy chcą wykorzystać dane do mierzyć wydajność i podejmować decyzje w kontekście biznesowym
- Data Mining: 6-kursowa specjalizacja z University of Illinois at Urbana-Champaign Zaprojektowana dla osób zainteresowanych eksploracją danych i zastosowaniem technik przetwarzania języka naturalnego (NLP) do analizy danych nieustrukturyzowanych
- Deep Learning: 5-daniowa specjalizacja od deeplearning.ai Przeznaczony dla osób zainteresowanych głębokim uczeniem się, potężną gałęzią sztucznej inteligencji, która napędza wiele dzisiejszych postępów w dziedzinach takich jak ja pojazdy do prowadzenia pojazdów
Te alternatywy kosztują ułamek tego, co można zapłacić za Udacity Nanodegree. Nie oferują takiego samego poziomu wsparcia (na przykład Udacity oferuje mentoring, podczas gdy inne nie).
Mimo to, jeśli wiesz, czego chcesz się nauczyć, nie jest to dziś trudne (z tak wiele dostępnych opcji), aby zebrać kilka kursów, które odpowiadają Twoim potrzebom.
Jeśli uznasz tę odpowiedź za pomocną, wykonaj ją i sprawdź OpenCourser , witryna, która pomaga uczniom znaleźć kursy online.
Odpowiedź
Jako osoba, która ukończyła około 10 kursów związanych z nauką o danych na Udacity (i wiele więcej w Coursera, Codecademy, DataCamp, Treehouse i Khan Academy) i 90\% w nanodegree Data Analyst i 91\% w Machine Learning Engineer również na Udacity Mogę powiedzieć, że zdecydowanie warto wziąć udział w jednym konkretnym kursie Data Science na Udacity: Wprowadzenie do maszyny Nauka | Udacity !
Jest to jeden z najwyższej jakości kursów, jakie kiedykolwiek widziałem (z wyjątkiem nanodegra Udacity dla Androida) i bardzo wszechstronny jako kurs wprowadzający, chociaż bardziej przypominał pełny program nanodegree . Częścią jego uroku jest to, że sam Sebastian Thrun wyjaśnia większość koncepcji w kategoriach laika i można powiedzieć, że naprawdę wie, o czym mówi. Utknąłem w kilku quizach i końcowym projekcie, ale forum tego konkretnego kursu było tętniące życiem, a każde pytanie, na które utknąłem, zostało już zadane przez kogoś innego, a na nie odpowiedział legendarny mentor forum Miles.
Mój najlepszą rekomendacją dla Ciebie, jeśli zdecydujesz się na to, jest zakup książki Sebastiana Raschki o uczeniu maszynowym w Pythonie: Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, i TensorFlow, 2nd Edition , które można znaleźć na Amazon, a nawet w formacie Kindle. Osobiście użyłem go do przeczytania każdego z modułów, szczególnie PCA, ponieważ zostało to krótko wyjaśnione w kursie, ale jest tak ważne w praktycznym uczeniu maszynowym.
Edycja: Kilka osób skontaktowało się z mnie na LinkedIn i przez e-mail z prośbą o bardziej spersonalizowane porady. Nie wahaj się, zrób to! Doradzam już 80 osobom w mojej lokalnej społeczności w zakresie samorozwoju, ciągłego uczenia się, a czasem także nauki o danych. Zapraszam również do śledzenia mnie, ponieważ będę odpowiadać na więcej pytań dla osób zainteresowanych przejściem do nauki o danych ze środowisk niezwiązanych z technologią. Dziękuję wszystkim bardzo!