Как говорил Бьерн Страуструп: «Наша цивилизация в значительной степени зависит от программного обеспечения. Мы должны совершенствовать наши системы и для этого должны расти профессионально». Продолжая мысль Бьерна, можно сказать, что для профессионального роста, мы не можем перестать учиться — у более опытных коллег, а также самостоятельно, используя различные инструменты, например, массовые открытые онлайн-курсы. О них и пойдет речь в статье.



Бенджамин Оби Тайо, известный физик и преподаватель Data Science, в одном из своих постов про массовые открытые онлайн-курсы (МООК) написал: «Большинство массовых открытых онлайн-курсов носят характер вводных. Они хороши для тех, кто имеет солидный опыт в смежных областях — физика, компьютерные науки, математика, инженерия, бухгалтерское дело, и пытается вникнуть в Data Science».

И он прав. Множество вводных курсов конкурируют между собой за тех, кто только начинает изучать Data Science. Это хорошо, когда вы ищете именно это. Но что, если вы уже достаточно продвинулись? Какие у вас есть варианты? Существуют ли вообще МООК для продолжающих?

Как отмечает Тайо, существует множество альтернатив МООК для изучения науки о данных.
Тем более что есть аргументы, ставящие под сомнение ценность МООК для более сложных целей:

Первый аргумент: есть представление, что каждый, кто проходит курс Data Science, не имеет абсолютно никакого предшествующего опыта или образования. И связанное с этим предположение: люди считают, что могут стать Data Scientist всего за 4 недели.

Второй аргумент: существует убеждение, что огромное количество людей проходят курс исключительно для того, чтобы получить соответствующие сертификаты, и связанное с этим предположение: люди верят, что такие сертификаты неизбежно приведут к успеху в Data Science.

Если вы игнорируете эти аргументы, то можете рассматривать МООК как возможность обучения и инструмент приобретения навыков. Учитывая, что многие МООК составляются институтами и преподавателями мирового уровня, есть хороший шанс почерпнуть из них нечто ценное.

С этой мыслью я писал пост, который вы читаете. Посмотрим на несколько продвинутых курсов Data Science для тех, у кого есть четкое представление о фундаментальных навыках в Data Science. Что значит продвинутых? Договоримся, что это субъективно. Но я делаю всё возможное, чтобы подобрать релевантные курсы. Что значит фундаментальные навыки Data Science? Это тоже субъективное понятие, и оно может меняться в зависимости от конкретного курса. Чтобы сузить широкий спектр предложений, я придумал критерии отбора:

  • Курс находится на платформе массовых открытых онлайн-курсов со свободным доступом к материалам и возможностью при желании получить платный сертификат.
  • Курс предлагается университетом, учебным заведением или аффилированными лицами
  • Это отдельные курсы в наборе из нескольких.

Примечательно, что первый пункт отсеивает Udacity и смежные платные платформы. Второй пункт отсеивает подобные Udemy платформы, где создать курс может каждый. Третий пункт в теории разрешает цепочки, позволяющие с течением времени выстраивать углубленное понимание предмета.

Среди основных платформ эти критерии оставляют нам Coursera и edX. Можно придумать другие критерии, но это подборка не претендует на то, чтобы быть исчерпывающей, а призвана поделиться идеями. Итак, если вам знакомы основы науки о данных, но вы не знаете, как продолжить обучение, посмотрите этот список.


Специализация «Продвинутое машинное обучение» от НИУ ВШЭ на Coursera по целому ряду тем машинного обучения.

Эта специализация — введение в глубокое обучение, обучение с подкреплением, понимание естественного языка, компьютерное зрение и байесовские методы. Лучшие практики машинного обучения Kaggle и ученые ЦЕРНа поделятся своим опытом решения реальных проблем и помогут заполнить пробелы между теорией и практикой. По окончании семи курсов вы сможете применять современные методы машинного обучения на предприятии и понимать подводные камни реальных данных и настроек.

Курсы этой специализации включают:

  1. Введение в глубокое обучение.
  2. Как выиграть соревнование в науке о данных: учитесь у лучших на Kaggle.
  3. Байесовские методы машинного обучения.
  4. Обучение с подкреплением на практике.
  5. Глубокое обучение в области компьютерного зрения.
  6. Обработка естественного языка.
  7. Решение проблем Большого Адронного Коллайдера с помощью машинного обучения.



Специализация «Вероятностное графическое моделирование» это три курса от профессора Стенфорда Дафны Коллер на Coursera.

Вероятностные графические модели представляют собой богатую структуру для кодирования распределений вероятности в сложных областях: совместных (многомерных) распределениях по большому числу случайных, взаимодействующих друг с другом величин. Представления находятся на стыке статистики и информатики, опираясь на концепции теории вероятностей, графовых алгоритмов, машинного обучения и многого другого. Они являются основой для самых современных методов в широком спектре областей: медицинской диагностике, понимании изображений, распознавании речи, обработке естественного языка и многих, многих других. Они также являются основополагающим инструментом в формулировании многих проблем машинного обучения.

Специализация состоит из этих курсов:

  • Вероятностные графические модели. Представление
  • Вероятностные графические модели. Вывод
  • Вероятностные графические модели. Обучение



Программа MicroMasters в области искусственного интеллекта из Колумбийского университета и edX состоит из 4 курсов и дает глубокое погружение в искусственный интеллект.

Приобретите опыт в одной из самых увлекательных и быстрорастущих областей информатики с помощью инновационной онлайн-программы, которая охватывает захватывающие темы в области искусственного интеллекта и его приложений. Эта программа от Колумбийского университета даст строгую, продвинутую, профессиональную, аспирантскую основу в области искусственного интеллекта. Программа представляет собой 25% курсовой работы по направлению к магистерской степени в области компьютерных наук в Колумбийском университете.

Вот 4 курса, которые составляют программу:

  1. Искусственный интеллект
  2. Машинное обучение
  3. Робототехника
  4. Анимация и движение CGI



Специализация по обучению с подкреплением из Университета Альберты на Coursera представляет собой сборник из 4 курсов, охватывающих использование подкрепляющего обучения для решения реальных проблем.

Использование всего потенциала искусственного интеллекта требует адаптивных систем обучения. Реализуя систему обучения с подкреплением от начала до конца, узнайте, как обучение с подкреплением помогает решать реальные проблемы через взаимодействия методом проб и ошибок. К концу этой специализации учащиеся поймут основы большей части современного вероятностного искусственного интеллекта и будут готовы пройти более продвинутые курсы или применить инструменты и идеи ИИ к реальным проблемам. Содержание сосредоточено на проблемах небольшого масштаба так, чтобы понимать основы обучения с подкреплением. Преподают всемирно известные эксперты факультета естественных наук Университета Альберты.

Курсы включают:

  1. Основы обучения с подкреплением
  2. Основанные на выборках методы обучения 
  3. Прогнозирование и управление с помощью приближения функций
  4. Завершенная система обучения с подкреплением (финальный проект)

Это всё на сегодня. Надеемся, что подборка будет вам полезной.

Сделать первые шаги в освоении Data Science или повысить имеющуюся квалификацию вы можете на одном из наших курсов прямо сейчас.

image




Читать еще