Путь к #DataScience или #MachineLearning интервью менее чем за 2 месяца.

"Что вы имеете в виду под #MachineLearning и #DataScience?"

Боюсь, что сразу после ответа на этот вопрос интервьюеры могут не спросить вас: «Спасибо, что вы здесь!».

Конечная цель этого блога - познакомить вас с ресурсами для самообучения #DataScience и #MachineLearning, а также с ограничениями по времени. Это не только поможет вам сформулировать ваше собственное конкретное определение #MachineLearning и #DataScience, но также поможет вам почувствовать себя достаточно уверенно, чтобы участвовать в любом собеседовании #DataScience и #MachineLearnign.

Не отнимая много времени, приступим…

ВНИМАНИЕ: если вы «думаете», что у вас нет потенциала к обучению, вы никогда не сможете учиться.

Прежде чем двигаться дальше, я хотел бы предложить вам начать решать одну или две головоломки ежедневно отсюда (https://www.geeksforgeeks.org/puzzles/).

Стратегия: прочитайте одну головоломку утром и дайте своему мозгу время подумать над ее решением в течение дня. Постучите плечом, если решите самостоятельно или видите решение (я) перед сном.

Делайте это ежедневно, пока не решите первые 30 головоломок. Это должно быть обязательство параллельно достижению следующих целей, я лично это сделал.

Решение головоломок поможет вашему мозгу научиться «мыслить нестандартно». Начни решать прямо сейчас!

Блог разделен на четыре раздела.

  1. Раздел 1: Предварительные условия
  2. Раздел 2: Какие темы нам нужно рассмотреть, прежде чем приступить к изучению реальных #DS и #ML.
  3. Раздел 3: Идеальное руководство по #DataScience и #MachineLearning.
  4. Раздел 4: Два основных проекта, которые вы можете добавить в свое резюме.

Раздел 1. Предварительные требования (0 минут)

Высокая самомотивация, высокая выносливость и высокая приверженность.

Само собой разумеется, «берегитесь обезвоживания !!!» :)

Раздел 2: темы для обсуждения (5 дней)

1. Python для науки о данных (2 дня):

(а.) https://www.coursera.org/learn/python-for-applied-data-science-ai (5 часов)

Пройдите аудит вышеупомянутого курса и посмотрите все видео. Здесь вы можете найти задания:

Https://github.com/ivrschool/coursera_IBM_Datascience/tree/master/Python%20for%20DS

Пожалуйста, перепишите коды в записной книжке самостоятельно. Для этого используйте Google Collab.

(б.) Несколько важных трюков с питоном: (30 минут)

I. Составление списка: https://youtu.be/AhSvKGTh28Q

II. Генератор: https://youtu.be/bD05uGo_sVI

Я предлагаю подписаться на эти два канала. Это поможет вам отображать важные ленты с трюками Python на YouTube. Просмотр этих каналов не только поможет вам лучше понять Python, но и поможет вам подготовиться к «вопросам собеседования по Python».

(c.) https://www.hackerrank.com/domains/python (15 часов)

Решайте только вопросы легкого и среднего уровня.

2. Базовая вероятность (1 день):

I. https://seeing-theory.brown.edu/ (3 часа)

II. Https://www.hitbullseye.com/Probability-Examples.php (1 час)

III. войдите в https://prepare.prepleaf.com/ (перейдите к практике- ›квант-› вероятность и комбинаторы) (5 часов)

Решите каждый из вопросов.

3. Статистика (2 дня)

I. https://youtu.be/hjZJIVWHnPE (30 часов)

Воспроизвести видео в 1,5 раза.

Также делайте заметки параллельно с просмотром этого видео. Дайте себе время, чтобы понять теорию. Вам не нужно больше акцентировать внимание на доказательстве формул. Я бы посоветовал просто принять то, чему учат, и двигаться дальше. Вы все равно узнаете об этом в будущем, когда это потребуется.

Примечание. В некоторой части видео отсутствует звук. Вы можете найти ссылку на эти части в описании видео.

Раздел 3: # DataScience и # MachineLearning

Ура!!!

Теперь вы можете изучить #DS и # ML… ..

#DataScience (33 дня)

I. Https://www.coursera.org/learn/what-is-datascience (1 час)

Вам нужно охватить только видео первой недели и пропустить остальные разделы.

II. Https://www.coursera.org/learn/data-science-methodology (2 часа)

Проверьте это и просто послушайте все видео с 1-й по 3-ю неделю. Не нужно делать здесь задания и викторины.

III. Https://www.coursera.org/learn/python-for-data-visualization (24 часа)

Пройдите аудит этого курса и охватите с 1-й по 3-ю неделю. Вы можете пропустить раздел «Визуализация геопространственных данных» с 3-й недели. Только видео смотрите. Здесь вы можете найти все необходимые задания:

Https://github.com/ivrschool/coursera_IBM_Datascience/tree/master/Data%20Visualization

Пожалуйста, перепишите коды в записной книжке самостоятельно. Для этого используйте Google Collab.

IV. Https://www.coursera.org/learn/data-analysis-with-python (48 часов)

Проведите аудит курса и охватите с 1-й по 5-ю неделю. Все необходимые задания вы можете найти здесь:

Https://github.com/ivrschool/coursera_IBM_Datascience/tree/master/Data%20Analysis%20with%20Python

Пожалуйста, перепишите коды в записной книжке самостоятельно. Для этого используйте Google Collab.

В. Https://www.coursera.org/learn/sql-data-science (8 часов)

Проведите аудит курса и охватите только 1-ю и 2-ю неделю. Я бы посоветовал сделать заметки для справок в будущем. Здесь вы можете найти все необходимые задания:

Https://github.com/ivrschool/coursera_IBM_Datascience/tree/master/SQL

Пожалуйста, перепишите коды в записной книжке самостоятельно. Для этого используйте Google Collab.

Прежде чем двигаться дальше, ответьте на простой и средний вопросы отсюда: https://www.hackerrank.com/domains/sql

VI. Https://www.coursera.org/learn/machine-learning-with-python (96 часов)

Аудит курса. Смотрите все видео и не пропускайте ни одного задания. Здесь вы можете найти все задания:

Https://github.com/ivrschool/coursera_IBM_Datascience/tree/master/Machine%20Learning

Пожалуйста, перепишите коды в записной книжке самостоятельно. Для этого используйте Google Collab.

D.) Раздел 4:

I. Редакция (7 дней)

Прежде чем переходить и работать над каким-либо проектом или проектами, я бы посоветовал пересмотреть все части материала, которые вы уже узнали. Посмотрите все видео по порядку и один раз просмотрите свои заметки и задания. Если возможно, лучше дважды.

II. Проекты (16 дней):

Следующие два проекта помогут вам использовать почти все ваши концепции, которые вы уже изучили, для применения в реальном сценарии.

Эти записные книжки хорошо документированы и помогут вам понять, как настоящий специалист по данным думает и подходит к данной бизнес-проблеме.

  1. Прогноз одобрения ссуды (9 дней):

Https://github.com/limchiahooi/loan-approval-prediction

Примечание. Вы можете пропустить раздел XGBoost.

2. Приложение автоматически определяет виды цветов на фотографиях (7 дней):



Проекты анализа данных и машинного обучения
В настоящее время вы не можете выполнить это действие. Вы вошли в систему с другой вкладкой или окном. Вы вышли из системы на другой вкладке или… github.com



E.) Бонус: слова мудрости (1 мин.)

Престижность !!!

Пожалуйста, мягко похлопайте себя по плечу и поздравьте себя с тем, что зашли так далеко. Теперь вы знаете весь набор необходимых методов и знаний, чтобы уверенно пройти собеседование #DataScience или #MachineLearning.

Пожалуйста, напишите мне по электронной почте ([email protected]), если вам понадобится помощь. Я бы хотел лично встретиться с вами, чтобы увидеть эту широкую улыбку на вашем лице.

Всего наилучшего !!!