インターネット上の無料データサイエンス、機械学習、人工知能のMOOCベスト20

21 世紀において、伝統的な教育は人生において必要な段階ではなく、選択肢となっています。

インターネットの急成長と大規模公開オンライン講座（MOOC）の台頭により、学生ローンの負担を避けるためにオンラインでデータサイエンスを学ぶという選択肢が生まれました。

統計によると、オンライン指導では、学生は 1 時間のトレーニングで 5 倍の教材を学習できるそうです。オンライン学習には、コストの削減、柔軟なスケジュールと環境など、メリットが無限にあります。

データサイエンスの民主化

2020 年、データ サイエンスはかつてないほど民主化されています。つまり、適切なツールと大量のデータがあれば、専門知識がほとんどなくても、誰でもデータ サイエンスの研究を実施できるということです。データが業界の隅々まで浸透するにつれて、データ サイエンティストのスキルを身につけ、データの言語を話せる労働力を育成することが必須になります。

これを念頭に置くと、完全な初心者でもオンラインコースを通じてデータサイエンスを始めることが可能です。必要なのは、よく構成された学習コース、適切な学習方法、絶え間ないモチベーションと情熱、そして補足的なトレーニング プログラムだけです。

オンラインでデータサイエンスを学ぶにはどうすればいいですか?

最高のMOOC + 適切な学習方法 + 情熱 + プロジェクト

そこでこの記事では、データ サイエンティストになりたい人にとって無料で非常に価値のある最高の MOOC を紹介します。

データサイエンスのベン図

データ サイエンスの学際的な性質は、Drew Conway によるこの嫌われているベン図で視覚化できます。この図から、データサイエンスの分野にはハッキングスキル、機械学習、多変量解析が含まれることが推測できます。

ドメインの専門知識は除外しました。それは勤務先の会社によって異なり、コミュニケーション スキルなどのハード スキルはオンライン コースでは習得できないため、実際に人と話す必要があるためです (困難ではありますが)。

次の 20 レッスンは 3 つのパートに分かれています。

1. データサイエンス

2. ハッキングスキル

• パイソン
• R
• 構造化クエリ言語

3. 機械学習と人工知能

• 機械学習と人工知能の基礎
• ディープラーニング
• 自然言語処理
• コンピュータビジョン

その場でさまざまなコースに参加したり、オンラインの雑音をフィルタリングするのに何時間も費やす代わりに、機械学習、人工知能、データ サイエンス、プログラミングの学習に役立つと思われるコースのリストをまとめました。

それでは、このリストを見てみましょう。

モバイル

0. 学び方を学ぶ

このコースで学べる人生で最も重要なスキルの 1 つは、学習方法を学ぶことです。学んだことを確実に覚えて、実際の生活に応用できるようにするためのテクニックと方法を教えます。正しい学習方法を身につけることは、何かを学ぶ上で重要な前提条件です。そのため、この学習方法は、その後のすべてのコースの基礎となるため、0 番としてリストされています。

データサイエンス

1. CS109 データサイエンス — ハーバード

CS109 は、調査の 5 つの重要な側面を紹介するコースです。

• 適切なデータセットを取得するためのデータの整理、クリーニング、サンプリング
• データ管理により、ビッグデータへの高速かつ信頼性の高いアクセスが可能
• 仮説と直感を生み出すための探索的データ分析
• 回帰や分類などの統計的手法に基づく予測
• 視覚化、ストーリー、解釈可能な要約を通じて結果を伝えます。

さらに、Python で教えられます!

2. データから学ぶ — カリフォルニア工科大学

すべてのデータ愛好家にとって、機械がデータからどのように学習し、そのプロセスをどのように改善するかを深く理解することは非常に重要です。これは、基本的な理論、アルゴリズム、アプリケーションを含む機械学習の入門コースです。

学習内容:

• 学習とは何でしょうか?
• 機械は学習できるのか？
• どうやってやるんですか？
• どうすればうまくできるでしょうか?

3. ビッグデータ入門 — カリフォルニア大学サンディエゴ校

今はビッグデータの時代であり、ビッグデータとは何か、なぜそれが重要なのかを理解することは、すべてのデータサイエンス愛好家の義務です。

学習内容:

• ビッグデータの問題、アプリケーション、システムの背後にある用語と中核概念。
• ビッグデータはビジネスや職業生活においてどれほど役立つのでしょうか。
• 最も一般的に使用されているフレームワークの1つであるHadoopの紹介

4. データサイエンス — ジョンズ・ホプキンス大学 (JHU)

つまり、このコースでは、適切な質問をし、データセットを操作し、視覚化を作成して結果を伝える方法を学習します。

学習内容:

• R を使用して、データをクリーンアップ、分析、視覚化します。
• データの取得から公開まで、データ サイエンス パイプライン全体をナビゲートします。
• GitHub を使用してデータ サイエンス プロジェクトを管理します。
• 回帰モデルを使用して、回帰分析、最小二乗法、推論を実行します。

最後に、現実世界のデータを使用して実際の製品を構築しながら学習するキャップストーン プロジェクトを実施します。このポートフォリオは、あなたの新たなデータサイエンスの能力を表現するものとなります。

数学

5. 機械学習のための数学専攻 — インペリアル・カレッジ・ロンドン

このコースは機械学習のための数学を専門としており、知っておく必要のあるすべての数学をカバーし、学校で忘れてしまった可能性のあるすべての概念と理論を復習するのに役立ちます。最も重要なことは、このコースではコンピューター サイエンスのアプリケーションを学習し、行列と回帰が機械学習とデータ サイエンスにどのように関連しているかをより直感的に理解できるようになることです。

この専攻は3つの主なコースに分かれています。

1. 線形代数
2. 多変数微積分
3. 次元削減主成分分析

この専門分野の最後には、学習を継続し、機械学習のより高度なコースを受講するために必要な数学的知識を習得できます。

6. 線形代数 — MIT

比類のないギルバート・ストロング教授が指導します。ストロング先生は（個人的には）最高の線形代数学の講師です。したがって、優れた線形代数コースを探しているなら、これがそれです。

このコースでは、行列理論と線形代数を扱い、他の分野でも役立つトピックに重点を置きます。

7. 多変数微積分 — MIT

多変量計算は、データ サイエンスにおけるもう 1 つの重要な概念です。単純な線形回帰からサポートベクターマシンやニューラルネットワークに至るまで、微積分が必要です。

このコースでは、多変数関数の微分、積分、ベクトル計算を学習します。

8. 確率と統計 — スタンフォード大学

確率と統計は、データ サイエンスにおけるすべての魔法が起こる基盤です。 p 値分布や二項分布などの専門用語がなければ、データを使って予測を行うことは不可能でしょう。

学習内容:

1. 探索的データ分析
2. データの生成
3. 確率
4. 推論

残念ながら、そのコースは終了してしまったので、復習コースをご紹介します。または、カーネギーメロン大学の同様のコースをご希望の場合は、ここをクリックしてください。

ハッキングスキル

9. Google Python コース

Google が初心者向けに設計した無料コース。このコースは主に、Python でコードを書き始めるのに役立つメモ、ビデオ、および多数のコーディング演習で構成されています。これは非常に便利だと感じたので、Python の学習を始めようとしている人にはぜひお勧めします。

10. Python による応用データサイエンス — ミシガン大学

ミシガン大学の 5 つのコースの専門分野では、Python プログラミング言語を通じてデータ サイエンスを学習者に紹介します。このコースでは、便利で直感的な Jupyter Notebook を使用します。

5つのコースは次のとおりです。

1. データサイエンス入門
2. 応用描画、グラフィック、データプレゼンテーション
3. 応用機械学習
4. 応用テキストマイニング
5. 応用ソーシャルネットワーク分析

11. R による統計学 — デューク大学

この専門分野では、データ サイエンスの分野でトップクラスのプログラミング言語の 1 つである R での分析と視覚化を習得できます。

学習内容:

• 再現可能なデータ分析レポートを作成する
• 推論統計の統一
• 頻度統計とベイズモデルを実行して自然現象を理解し、データに基づいた意思決定を行う
• 統計用語に頼らずに統計結果を正しく効果的に伝え、データに基づく主張を批判し、データに基づく決定を評価する
• データの分析と視覚化には R パッケージを使用します。

12. データサイエンスにおける構造化クエリ言語 — カリフォルニア大学デービス校

構造化クエリ言語 (SQL) は、データ サイエンティストがデータを取得して処理するための重要なツールであり、データベース システムと対話するための言語として認められています。このコースは、LinkedIn のスキルに SQL を追加し、SQL を使用してデータのマイニングを開始したい初心者向けにカスタマイズされています。最も重要なことは、適切な質問をして、組織にとって貴重な洞察をもたらす適切な回答を導き出すことを学ぶことです。

学習内容:

• テーブルを作成し、そこにデータを移動できるようにする
• 一般的な演算子とデータの結合方法
• ケースステートメント、データガバナンス、プロファイリングなどの概念
• データ関連のトピックについて話し合い、実際のプログラミング課題で練習します。
• ソースデータの構造、意味、関係性を解釈し、SQL を規律として使用して、対象を絞った分析のためにデータを整形します。

機械学習と人工知能

13. 機械学習クラッシュコース — Google

この短期集中コースは、ビデオ講義、実際のケーススタディ、実践的な演習を特徴とする、機械学習の実践者を目指す人のための自習ガイドです。これは、誰もが人工知能について学ぶことを奨励する「Learn with Google」AI イニシアチブのコースの 1 つです。

14. 人工知能の要素 – ヘルシンキ大学

「Elements of AI」は、Reaktor とヘルシンキ大学が開発した無料のオンライン コース シリーズです。 AI とは何か、AI で何ができて何ができないのか、そして AI への道筋をどのように作り始めるのかをすべての人に学んでもらうことを目的としています。コースは理論と実践的な演習を組み合わせたもので、自分のペースで完了できます。

15. 機械学習 — アンドリュー・ン

Andrew Ng の機械学習は、インターネット上で最も人気のあるオンライン コースの 1 つであり、さまざまな側面をカバーしています。最も基本的なものからニューラル ネットワーク、サポート ベクター マシン、そして最後にアプリケーション プロジェクトまでを学習します。このコースの良いところは、Andrew Ng が素晴らしい教師だということです。悪い点は、MATLAB を使用して教えられることです (私は Python を好みます)。

16. プログラマーのための実践的なディープラーニングコース - Fast.ai

ディープラーニングについて無料で学びたいなら、Fast.ai というオンラインコースがおすすめです。インターネット上では誰もがこれを推奨しており、ディープラーニングを学びたい人にとっては間違いなく貴重なリソースです。このコースでは、学習用およびディープラーニング コードを作成するための主要なツールとして Jupytorch ノートブックを使用します。

17. ディープラーニング — スタンフォード大学

ディープラーニングは、人工知能において最も求められているスキルの 1 つです。このコースでは、ディープラーニングの基礎を学び、ニューラル ネットワークの構築方法を理解し、機械学習プロジェクトを成功させる方法を学習します。畳み込みネットワーク、RNN、LSTM、Adam、ドロップアウト、BatchNorm、Xavier/He 初期化などについて学びます。

18. CS224N 自然言語処理とディープラーニング — スタンフォード大学

自然言語処理 (NLP) は、情報化時代の重要な技術の 1 つであり、データ サイエンスの重要な部分です。 NLP は、Web 検索、電子メール、言語翻訳、チャットボットなど、あらゆる場所で応用されています。このコースでは、自然言語処理のためのディープラーニングの最先端の研究について包括的に学びます。

学習内容:

• ニューラル ネットワーク モデルを設計、実装、理解します。
• パイトーチ！

19. CS231n: 視覚認識のための畳み込みニューラル ネットワーク — スタンフォード大学

コンピューター ビジョンは、検索、顔認識、ドローン、そして最も有名なテスラ車に応用され、私たちの社会に広く浸透しています。このコースでは、ディープラーニング アーキテクチャの詳細を掘り下げ、特に画像分類などのタスクのエンドツーエンドのモデルの学習に重点を置いています。

学習内容:

• ニューラルネットワークを実装、トレーニング、デバッグする
• コンピューター ビジョンの最先端の研究について詳しく学びます。

最後のタスクでは、数百万のパラメータを持つ畳み込みニューラル ネットワークをトレーニングし、それを最大の画像分類データセット (ImageNet) に適用します。

佳作

• カーンアカデミー
• Kaggle コース
• 線形代数、微積分、ニューラルネットワークの青茶色の性質
• データサイエンス学習セクションに向けて

行動計画

オンラインでデータサイエンスを学ぶのは、何をすべきかを示す体系化されたコースがないため、難しい場合があります。しかし、そのように考えるのではなく、自分にとって効果的で、自分の長所を引き出す学習パスを構築する自由が自分にはあることを認識してください。利点の 1 つは、脳が最も生産性の高いときに勉強し、生産性が低いときに休むことができることです。さらに、自分の興味や情熱に基づいて何を学ぶかを決めることができます。

提案

オンラインで学習する場合のヒントとしては、簡単なメモを残したり、一日の終わりに感想を書き留めたり、学んだことをブログに書いたりすることなどが挙げられます。同様に、特にデータ サイエンスのような複雑なトピックについては、学んだ内容を友人や家族に説明する際にファインマン テクニックを使用することが重要です。

さらに、機械学習アルゴリズムやニューラル ネットワークを学習するときは、学習内容を把握し、トピックをより深く理解できるように、コードを書きながら学習することが重要です。 Reddit、Discord などのオンライン コミュニティに参加して質問し、専門家から優れた回答を得るのも良いでしょう。

要約すると:

1. メモを取る/ブログを書く
2. ファインマンテクニックの使用
3. コーディングと概念（ニューラル ネットワークをゼロから作成する）
4. データサイエンスオンラインコミュニティに参加して質問しましょう

最後に、アーサー・W・チッケリングとスティーブン・C・アーマンの言葉を引用します。

「生徒たちは、ただ教室に座って先生の話を聞き、あらかじめ用意された課題を暗記し、答えを口にするだけでは、あまり学べません。彼らは、自分が学んでいることについて話し、それについての感想を書き、それを過去の経験と関連づけ、それを日常生活に応用しなければなりません。彼らは、学んだことを自分自身の一部にしなければなりません。」

読んでいただきありがとうございます。この記事が皆さんに多くのアイデアを提供できれば幸いです。

51CTO アカデミー コース推奨: ​​ディープラーニング エンジニア実践シリーズ (基本原則 + 主流フレームワーク + プロジェクト実践)