データサイエンスリソース完全ガイド
データサイエンスの世界は広くて常に進化しています。数え切れないほどのリソースがある中で、この分野の本質をまとめたリストを見つけるのは大変です。私は、古典的な機械学習アルゴリズムからベイズ推論やディープラーニングまでを網羅するガイドを作りました。
私が実際にデータサイエンスの旅で役立った、無料のコース、電子書籍、インタラクティブなウェブページ、ポッドキャストを手選びしました。一つか二つ選んで、じっくりと取り組んでください。
🔋 - 頭を使う
🪫 - あまり頭を使わない
💎 - お気に入り
👑 - 独特なもの
機械学習の予測を理解する
ここでは、古典的な統計学と機械学習アルゴリズムの基本を紹介します。
🔋🔋🪫🪫🪫
-
Python Data Science Handbook - Jake VanderPlas
-
An Introduction to Statistical Learning - Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani - \w Python PDF
-
Mathematics for Machine Learning - MLに必要な数学の紹介のPDF、動画、Jupyterノートブック
-
Algorithms for Decision Making - 💎 不確実性の下での意思決定アルゴリズムについての幅広い概要、数学的な定式化と解答。
-
Understanding Machine Learning: From Theory to Algorithms - Cambridge PDF - Shai Shalev Shwartz and Ben David
-
CS50's Introduction to Artificial Intelligence with Python - ハーバード工学応用科学スクール
-
Introduction to Machine Learning - MITオープンラーニングライブラリ
-
CS229 - Machine Learning - Andrew Ng スタンフォード大学
-
Machine Learning Foundations - 古典的なノートブック、Udemy|Youtubeコースで数学とコードをカバーするJon Khrohn
-
mlcourse.ai - オープンマシンラーニングコース
ディープ + 強化学習
ニューラルネットワークとディープ構造の世界は広大です。MIT 6.S191 が包括的なイントロを提供しており、Deep Learning for Coders with fastai & PyTorch のようなリソースは理論と実世界のアプリケーションの間に懸け橋をかけています。
-
Deep Learning - DS-GA 1008 · Spring 2020 · NYUデータサイエンスセンター
-
Deep Learning for Coders with fastai & PyTorch - Jeremy Howard & Sylvain Gugger - Practical Deep Learning コース
-
Deep Reinforcement Learning - UCバークレーのCS 285
-
mlcourse.ai - オープンマシンラーニングコース
-
機械学習アルゴリズムを見る
視覚的に学ぶ人には、このカテゴリーが貴重です。Illustrated ML や Distill のようなリソースは、複雑なMLの概念を視覚的に分解して、理解しやすく魅力的なものにしています。
-
Illustrated ML - 👑 機械学習の複雑な世界を明確なイラストで簡単にすることを目指しています。
-
Seeing Theory - 確率と統計学への視覚的入門 💎
-
MLU-Expl{ai}n - 機械学習のコアコンセプトの視覚的説明
-
Distill - 機械学習研究は明瞭で、ダイナミックで、生き生きしているべきです
ベイジアンモデリング: ホワイトボックス機械学習
🔋🔋🔋🔋🪫
ベイズ統計学はデータサイエンスコミュニティで大きな注目を集めています。Think Bayes や Bayesian Methods for Hackers のようなリソースは、理論と実践の完璧な組み合わせを提供します。もっと深い理解を求めるなら、Richard McElreath の Statistical Rethinking の講義は宝物です。
- Think Bayes - Jupyter BookとしてのAllen Downeyの古典
- Bayesian Modeling and Computation in Python - Martin Osvaldo A, Kumar Ravin; Lao Junpeng, 2021
- Bayesian Methods for Hackers - 確率プログラミングとベイズ推論 - DevAuthors
- Statistical Rethinking 2019 - 👑 2017年秋のコース + 2022年録音講義 - 2022年の資料 - ライプツィヒ大学のRichard McElreath講義 - PyMCコード
- Bayes Rules! - 応用ベイジアンモデリングへのイントロ - Alicia A. Johnson, Miles Q. Ott, and Mine Dogucu - PyMCコード - Jim Albert and Jingchen Hu - GitBook
- Probability and Bayesian Modeling -
- Probabilistic Machine Learning - Kevin Murphyによる書籍シリーズ + GitHub資料
- Statistical Thinking for the 21st Century - Russell A. PoldrackのGitBook
- Bayesian Thinking - Statistics with Rコースのコンパニオン
- Causal Inference for The Brave and True
- Probability Distribution Explorer - 確率分布とその背後の物語
オプション: 凸最適化
多くのアルゴリズムの中心には最適化があります。BoydとVandenbergheの_凸最適化_は必読で、スタンフォードからのコースは深い理解を提供します。
- Convex Optimization – BoydとVandenberghe
- EE364A - Convex Optimization I & II - スティーブンP.ボイド - スタンフォード大学
ポッドキャスト
移動中の人のために、Learning Bayesian Statistics や Linear Digressions のようなポッドキャストは、データサイエンスのトレンド、方法論、応用についての洞察を提供します。
- Learning Bayesian Statistics - ベイズ推論に関する最新の会話
- Linear Digressions - ホスト: Katie Malone & Ben Jaffe - 2020年に終了したMLの会話
このカレーションされたリストは、私がデータサイエンスの初心者からベテランのプロフェッショナルになるときに収集した、私の一つのガイドです。視覚的に学ぶ人も、熱心な読者も、実際にやって学ぶ人も、ここには皆さんのための何かがあります。飛び込んで、探究を始めましょう！
追加する価値のあるリソースがあれば、コメントで知らせてください。
それでは、学び続けましょう…
こちらの記事はdev.toの良い記事を日本人向けに翻訳しています。
https://dev.to/proteusiq/the-ultimate-one-stop-guide-to-data-science-resources-4in6
