作者 | Rahul Agarwal
译者 | 弯月，责编 | 伍杏玲
以下为译文：
在大学里，我的专业是机械工程师，所以毕业后我进入了钢铁行业。
我每天都穿着很重的钢靴和塑料头盔，在高炉和轧钢机周围冒险。虽说我们有一定的安全措施，但我知道一旦发生意外，谁都救不了我。或许跑鞋能帮忙，但头盔嘛，在1370摄氏度下连钢都会化成水。
所以我一直处于恐惧状态，我意识到这份工作并不适合我，因此我制定了目标：2011年进入分析和数据科学领域。从那时起，大规模在线开放课程就成了我学习新知识的首选途径，当然后来我也参加了很多这样的课程，好坏参半。
2020年，随着数据科学领域如此快速的变化，我们并不缺乏学习数据科学的资源。但初学者最常遇到一个问题：应该从什么地方下手，以及学什么呢？互联网上有很多资源，也是好坏参半。
Barry Schwartz曾在《选择的悖论》（THE PARADOX OF CHOICE: WHY MORE IS LESS）一书中指出，消除消费者的选择可以大大减少购物者的焦虑感。数据科学课程也是如此。
因此，文本的目的就是为各位感到迷茫的新手提供建议，并为你们的数据科学之旅指明方向。
Python 编程
首先，你需要学习一种编程语言。密歇根大学的以下课讲解如何使用Python以及创建自己的应用程序。
Python 3 Programming Specialization：
https://www.coursera.org/specializations/python-3-programming?action=enroll&ranEAID=lVarvwc5BD0&ranMID=40328&ranSiteID=lVarvwc5BD0-lPz4qOVNorxVbCwvw9KrQA&siteID=lVarvwc5BD0-lPz4qOVNorxVbCwvw9KrQA&utm_campaign=lVarvwc5BD0&utm_content=2&utm_medium=partners&utm_source=linkshare
在这门课程中，你可以学习到编程的基础知识（变量、条件语句以及循环语句等），还可以学习一些中级知识，例如关键字参数、列表推导、lambda表达式和类继承。
数据科学
接下来，我们需要先了解一下机器学习。
密歇根大学以下课程讲解了现代机器学习的入门知识。即便没有掌握所有知识，你也可以利用这些工具构建模型。
Applied Data Science with Python Specialization：https://www.coursera.org/specializations/data-science-python?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-5xCr9hsFao15_9pstk.4OA&siteID=lVarvwc5BD0-5xCr9hsFao15_9pstk.4OA&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD
这门专业课程的面向对象是拥有基本Python或编程背景，并希望通过流行python工具包（例如pandas、matplotlib、scikit-learn、nltk 以及 networkx ）应用统计、机器学习、信息可视化、文本分析和社交网络分析技术来深入了解数据。
机器学习理论与基础
完成上述课程之后，你就能成功地入门了。
恭喜你！你对数据科学有了基本了解，而且还知道如何实现。
但是，你还没有完全理解这些模型背后的数学知识。
你需要了解clf.fit背后的细节。如果你不了解模型背后的数学知识，那么还算不上一名数学科学家。
如下是斯坦福大学提供的机器学习课程，其中包含了许多机器学习算法背后的数学知识。
Machine Learning：
https://www.coursera.org/learn/machine-learning?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-btd7XBdF681VKxRe2H_Oyg&siteID=lVarvwc5BD0-btd7XBdF681VKxRe2H_Oyg&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0&source=post_page---------------------------&ranMID=40328&ranEAID=je6NUbpObpQ&ranSiteID=je6NUbpObpQ-dEliPy0W03upl5lVg_ACYw&siteID=je6NUbpObpQ-dEliPy0W03upl5lVg_ACYw&utm_content=10&utm_medium=partners&utm_source=linkshare&utm_campaign=je6NUbpObpQ
我认为这是一门你必须上的课程，因为这门课程激发了我进入该领域的兴趣，而且Andrew Ng是一位很了不起的讲师。而且，这也是我学习的第一门课程。
这门课程几乎包含了机器学习的所有内容：回归、分类、异常检测、推荐系统、神经网络以及很多出色的建议。
学习统计推断
这门推理统计的课程由杜克大学的?etinkaya-Rundel教授。这是最简单的入门课程。
Inferential Statistics：https://www.coursera.org/learn/inferential-statistics-intro?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-ydEVG6k5kidzLtNqbbVQvQ&siteID=lVarvwc5BD0-ydEVG6k5kidzLtNqbbVQvQ&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0
?etinkaya-Rundel是一位了不起的讲师，她很好地解释了统计推断的基础知识，这也是一门必修课。
你将在这门课程中了解数值和分类数据的假设检验、置信区间和统计推断方法。
学习基础的SQL知识
虽然创建模型并提出不同的假设很让人有成就感，但数据的处理也不可轻视。
在ETL和数据准备任务中，SQL无处不在，因此每个人都应该了解基础的SQL知识。
此外，SQL已成为Apache Spark等大数据工具的标准。如下加州大学戴维斯分校的课程将为你讲授SQL的专业知识以及如何利用SQL进行分布式计算。
Learn SQL Basics for Data Science Specialization：
https://www.coursera.org/specializations/learn-sql-basics-data-science?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-mBEzDIHx4TXzEZrykss6xQ&siteID=lVarvwc5BD0-mBEzDIHx4TXzEZrykss6xQ&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0
课程简介：通过数据科学应用程序中的4个难度逐渐增加的SQL项目，学习SQL的基础知识、数据整理、SQL分析、AB测试、使用Apache Spark进行分布式计算等主题。
高级机器学习
上述我们学习的知识都非常简单（你可能有不同的看法），学习材料都是现成的，用到的数学知识也非常有限。但这些知识可以为下一步打好基础。下面是一门由顶级的Kaggle机器学习从业者和CERN科学家讲授的高级机器学习课程，其中讲述了许多难度非常高的概念，可以带领你了解机器过去的工作方式以及机器学习世界最新的发展。
Advanced Machine Learning Specialization：
https://www.coursera.org/specializations/aml?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-hwTRi7XT6lsOWS0g2lGNcA&siteID=lVarvwc5BD0-hwTRi7XT6lsOWS0g2lGNcA&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0
课程简介：这门课程介绍了深度学习、强化学习、自然语言理解、计算机视觉和贝叶斯方法。顶尖的Kaggle机器学习实践者和CERN科学家将在课程中分享他们解决现实问题经验，并帮助你填补理论与实践的空白。
深度学习
下面这门深度学习专业课程的含金量非常高。
Deep Learning Specialization：
https://www.coursera.org/specializations/deep-learning?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-m3SBadPJeg1Z1rWVng39OQ&siteID=lVarvwc5BD0-m3SBadPJeg1Z1rWVng39OQ&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0
讲师Andrew Ng以非常浅显易懂的方式解释了难度非常高的概念。
课程简介：了解深度学习的基础知识，了解如何构建神经网络，并学习如何领导机器学习项目走向成功。您将了解卷积网络、循环神经网络（RNN）、长短期记忆网络（LSTM）、Adam、Dropout、批标准化，Xavier/He初始化等等。此外，你还将深入医疗保健、自动驾驶、手语阅读、音乐生成和自然语言处理等案例研究。
Pytorch
我通常从不提倡学习工具，但是在这里我要推荐Pytorch。原因是它不可思议且非常重要，如果你想了解Pytorch，就需要阅读许多近期研究论文中的代码。对于深度学习领域的研究人员来说，Pytorch已成为默认的编程语言，它会让我们受益匪浅。
由IBM提供的课程——Deep Neural Networks with PyTorch：
https://www.coursera.org/learn/deep-neural-networks-with-pytorch?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-qSeTzSahS03W9YVHnWT_QA&siteID=lVarvwc5BD0-qSeTzSahS03W9YVHnWT_QA&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0
课程简介：该课程首先会介绍Pytorch的张量和自动微分软件包。每个章节都会涵盖不同的模型，这些模型从线性回归、逻辑回归/softmax回归等基础知识入手。其次是前馈深度神经网络、不同的激活函数、标准化以及Dropout层的作用。然后还会介绍卷积神经网络和转移学习。最后还会介绍其他几种深度学习方法。
AWS机器学习入门
构建出色的机器学习系统需要考虑很多因素。但是作为数据科学家，通常我们只担心项目的某些部分。
但是，我们是否考虑过在建立好模型后，如何部署模型？
我见过很多机器学习项目，但其中许多注定都要失败，因为从一开始这些项目就没有制定生产计划。拥有一个良好的平台并了解如何部署机器学习应用程序，这一点在现实世界中至关重要。下面这门AWS的课程介绍了如何利用AWS实现机器学习的应用程序。
Getting Started with AWS Machine Learning：
https://www.coursera.org/learn/aws-machine-learning?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-Kfb17yr.B2kcW5gmdqpYjw&siteID=lVarvwc5BD0-Kfb17yr.B2kcW5gmdqpYjw&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0
你将在这门课程中学习：
一、如何使用带有内置的算法和Jupyter Notebook实例的 Amazon SageMaker 来构建、训练和部署模型。
二、如何使用亚马逊的AI服务（如Amazon Comprehend、Amazon Rekognition、Amazon Translate等）来构建智能应用程序。
数据结构和算法
算法和数据结构是数据科学不可或缺的一部分。尽管大多数数据科学家都没有学习算法和数据结构，但它们都是必不可少的。
许多公司在招聘数据科学家的面试过程中，都会询问数据结构和算法。
Data Structures and Algorithms Specialization：
https://www.coursera.org/specializations/data-structures-algorithms?ranMID=40328&ranEAID=lVarvwc5BD0&ranSiteID=lVarvwc5BD0-GFspWabzEy8Lf9dKWHbYyg&siteID=lVarvwc5BD0-GFspWabzEy8Lf9dKWHbYyg&utm_content=10&utm_medium=partners&utm_source=linkshare&utm_campaign=lVarvwc5BD0
你将在本课程中学习解决各种计算问题的算法，并用你喜欢的编程语言实现大约100种算法编程题。本课程提供的算法题非常接近你下一次面试可能遇到的编程题。
原文链接：https://towardsdatascience.com/top-10-resources-to-become-a-data-scientist-in-2020-99a315194701
作者：Rahul Agarwal，数据科学家@WalmartLabs。
本文为 CSDN 翻译，转载请注明来源出处。