全球每天大约有1.145万亿MB的数据创建。但是我们该如何处理这些数据呢?这就是a数据科学家进入图片。从它和零售到银行，金融服务和保险，每个部门都需要科学家使用技术和收集相关信息来处理这些数据。根据最近的一份报告，几乎存在印度数据科学家的95,000个职位空缺．在这篇文章中，我们将通过Coursera查看数据科学的最佳在线课程。
介绍
随着世界进入大数据时代，对大数据存储的需求也在增长。直到2010年，这一直是企业面临的主要挑战和担忧。主要的重点是构建存储数据的框架和解决方案。
现在Hadoop等框架已经成功地解决了存储问题，焦点转移到了数据的处理上。数据科学是秘密酱在这里。你在好莱坞科幻电影中看到的所有想法都可以通过数据科学变成现实。
数据科学是人工智能的未来。因此，了解数据科学以及如何为您的业务增加价值是非常重要的。
关于数据科学与工作市场不匹配的在线课程
有一系列巨大的数据科学课程可用，每个都有自己的优点，每个优点适用于不同类型的课程。其中许多也是昂贵的，因此在您做出任何致力之前，您需要进行彻底的研究。此外，不要指望，3个月或6个月的在线数据科学认证课程将帮助您立即提取数据科学家工作角色。有一个巨大的数据科学就业市场与数据科学在线课程之间的不匹配。
目录
数据科学在线课程的兴起
有许多电子学习和在线课程提供商在市场上。这些公司大量宣传很多评论（其中一些是数字营销人员，而不是总是真正的用户)，并提供基于R、Python、SAS、Tableau、excel的基础课程的不同排列和组合。
这些课程往往从数学/统计数据的一些基本介绍，然后进行动手可视化，转向预测和人工智能方面。一些课程还包含特定于域的分析 - 就像销售分析，人力资源分析，营销分析，财务分析等。
这不匹配或断开连接当所有这些课程或学习数据科学时，所有这些学习者都希望将自己称为数据科学家。他们认为他们可以申请数据科学家职位开口并成功。但是，课程提供者也需要归咎于。
对于Not-So-Len-Informed学习者，广告“在12周或6个月内成为一名数据科学家“误导了。
在像印度这样的价格敏感的市场中，当学习者没有最终的结果时，整个电子学习垂直面向反弹。这也伤害了该行业，因为学习者对高兴的技能和/或重新技能令人沮丧。
有抱负的数据科学家应该知道什么?
简而言之，作为一名数据科学家，您应该拥有
- 良好的理解机器学习技术和算法，例如K-NN，幼稚贝叶斯，SVM，决定林等。
- 共同经验数据科学工具包，如R，Python、Weka、NumPy、MatLab等
- 经验数据可视化工具，例如d3.js，ggplot等
- 熟练熟练使用查询语言如SQL、Hive、Pig等
- 经验NoSQL数据库，如MongoDB、Cassandra、HBase等
- 优秀应用统计技能，如分布，统计测试，回归等。
如你看到的，你不可能在3 - 6个月内学会或掌握上面列出的所有东西．它实际上需要5到10年。该领域正在快速发展。因此，此列表也可以在1 - 2年内更改。
“大多数程序员仍然是理论的。许多雇主抱怨说，虽然有许多数据科学认证，但他们没有我们寻找的技能“
- Scaler Academy的Cofounder（引用的Abhimanyu Saxena）MoneyControl）
对数据科学专业人员的明确需求
对具有精细调整技能的数据科学家们有巨大和越来越大的需求。几乎所有可想象的行业都存在工作。
在大多数情况下，您可以以低成本进入该领域（即，具有有限的先决条件知识和经验）。
他们赚了很多钱。数据科学家的平均工资范围从120000美元到350000美元在美国的在线就业平台上，有充足的就业机会。在印度，工资也可能达到七位数。
因此，数据科学主要用于做出决策和预测，利用预测因果分析、说明性分析(预测加决策科学)和机器学习。
数据科学家的最高角色和责任
预测因果分析：
如果您想要一个可以预测未来特定事件可能性的模型，则需要应用预测因果分析。说，如果您正在提供信贷资金，那么客户的概率会按时制定未来的信用付款是关注您的问题。在这里，您可以构建一个模型，可以在客户的支付历史上执行预测分析，以预测未来的付款将按时或不按时。
规定性分析：
如果您想要一个模型能够自己做出决策，并能够使用动态参数修改它，那么您当然需要对它进行说明性分析。这个相对较新的领域就是提供建议。换句话说，它不仅预测而且暗示了一系列规定的行动和相关的结果。
这是最好的例子是谷歌的自驾车，我早些时候讨论过。车辆收集的数据可用于培训自动驾驶汽车。您可以在此数据上运行算法以为IT带来智能。这将使您的汽车能够做出决策，如什么时候转弯，何时可以减慢或加速时间。
用于预测的机器学习:
如果你有来自一家金融公司的交易数据，需要建立一个模型来确定未来的趋势，那么机器学习算法是最好的选择。这属于监督学习的范例。它被称为监督性的，因为你已经有了可以训练机器的数据。例如，可以使用欺诈性购买的历史记录来训练欺诈检测模型。
机器学习模式发现：
如果您没有基于哪些方法可以进行预测的参数，则需要在数据集中查找隐藏的模式以能够进行有意义的预测。这只不过是无监督模型，因为您没有任何预定义的标签进行分组。用于模式发现的最常见的算法是群集。
假设你在一家电话公司工作，你需要通过在一个地区安装发射塔来建立一个网络。然后，您可以使用聚类技术找到那些塔的位置，这将确保所有用户收到最佳的信号强度。
如果你正计划在数据科学领域开始你的职业生涯，并希望了解与此相关的技能，现在是时候投入进去了。下面列出了一些提供最好的网络数字营销课程的流行网站。
Coursera数据科学最佳在线课程
谷歌数据分析专业证书
4.8（14,555级）||250,000名学生注册
通过8门课程，获得入门级工作所需的技能。你将从谷歌员工那里学到一些东西，他们的数据分析基础是他们自己职业生涯的跳板。每周少于10小时，你可以在不到6个月的时间内完成证书。
IBM数据科学专业证书
4.6（47,858评分）||39,761名学生注册
该计划包括9个在线课程，将为您提供最新的工作工具和技能，包括开源工具和库，Python，数据库，SQL，数据可视化，数据分析，统计分析，预测建模和机器学习算法。您将通过使用真实数据科学工具和现实世界数据集通过IBM Cloud的实践实践来学习数据科学。
Python为每个人都专业化
4.8（172,799级）||1,081,260学生们参加了
此专业化构建了Python为每个人课程的成功，并将引入使用Python编程语言的数据结构，网络应用程序接口和数据库的基本编程概念。在Capstone项目中，您将使用整个专业化中学到的技术来设计，并为数据检索，处理和可视化创建自己的应用程序。
机器学习
4.9（161,517名评级）||4,259,647学生们参加了
本课程提供了机器学习、数据挖掘和统计模式识别的广泛介绍。
主题包括：
- (i)监督学习(参数/非参数算法，支持向量机，核，神经网络)。
- （ii）无监督学习（聚类，减少，推荐制度，深度学习）。
- （iii）机器学习中最佳实践（偏差/方差理论;机器学习中的创新过程和AI）。
这course will also draw from numerous case studies and applications so that you’ll also learn how to apply learning algorithms to building smart robots (perception, control), text understanding (web search, anti-spam), computer vision, medical informatics, audio, database mining, and other areas.
了解数据科学专业化的SQL基础知识
4.5（4,399级）||85771年学生们参加了
此专门化适用于以前没有编码经验，但希望开发SQL查询流畅性的学习者。通过四个逐步增加的更困难的SQL项目与数据科学应用，您将涵盖诸如SQL基础，数据争论，SQL分析，AB测试，使用Apache Spark分布式计算，Delta Lake等主题。
这些主题将准备您创造性地应用SQL来分析和探索数据;展示写作查询的效率;创建数据分析数据集;进行功能工程，使用SQL与其他数据分析和机器学习工具集;并使用具有非结构化数据集的SQL。
深度学习专业化
4.9（115,754级别）||614,383学生们参加了
在本专业中，您将构建和训练神经网络架构，如卷积神经网络，递归神经网络，LSTMs，变压器，并学习如何使它们更好的策略，如Dropout, BatchNorm, Xavier/He初始化等。准备好掌握理论概念和使用Python和TensorFlow的行业应用，并解决真实世界的案例，如语音识别，音乐合成，聊天机器人，机器翻译，自然语言处理，等等。
Deeplearning.ai Tensorflow开发商专业证书
4.7（16,565名评级）||123,279学生们参加了
在此实际上，四道课程专业证书计划，您将学习使用Tensorflow构建可扩展的AI供电的必要工具。完成此计划后，您将能够将新的Tensorflow技能应用于各种问题和项目。该计划可以帮助您准备谷歌Tensorflow证书考试并为您带来较近实现Google Tensorflow证书的一步。
自然语言处理专业化
4.6（3,404级）||60,065学生们参加了
本专业由NLP、机器学习和深度学习领域的两位专家设计和教授。尤尼斯·本苏达·莫里(Younes Bensouda Mourri)是斯坦福大学人工智能讲师，他也帮助建立了深度学习专门化。Łukasz Kaiser是谷歌Brain的研究员，也是Tensorflow、tensor2张量和Trax库以及Transformer论文的合著者。
数据可视化与Tableau特殊化
4.5(5,378评级)||75626年学生们参加了
与Tableau合作，这一专业化旨在为新人提供数据可视化，而没有使用Tableau的经验。我们利用Tableau的资源库来展示数据可视化和数据讲故事的最佳实践。您将查看来自领先媒体公司的真实业务案例和新闻示例的示论。
生成的对抗网络（GANS）专业化
4.7（1,295名评级）||19688年学生们参加了
这Deeplearning.ai生成的对抗网络（GANS）专业化通过易于理解的方法，提供与GAN的图像生成令人兴奋的图像生成介绍，从基础概念到高级技术。它还涵盖了社会影响，包括ML的偏见以及检测它的方法，隐私保存等。
建立一个全面的知识库，并在GANS中获得实践经验。使用Pytorch培训您自己的模型，使用它来创建图像，并评估各种高级GAN。
