『王的机器』四天免费学完 DataCamp 12 门课
本文含 2101 字，5 图表截屏
建议阅读 6 分钟
在公众号对话框回复 DCP
获取全部 12 门课的课件和数据
抱歉用「标题党」的形式把大家引进来看，但我的确只用了 4 天休闲时间（白天还要工作），开着 1.5 - 2 倍的语速听课上完了 DataCamp 上面的 12 门课（如题图所示）。
DataCamp 从 5 月 14 日到 22 日搞了一个全网所有课免费开放周，原来我就知道上面的课质量挺高，但一直没有时间去试，这次趁着免费时期试了一下，就一发不可收拾。我就从课程内容、授课方式和学习心得三个方面来分享。
课程内容
DataCamp 中的课程特点可以用两大关键词来概括，数据（data）和代码（code），即用代码来做数据分析、数据可视化、数据发掘等等。以下按程序语言类来分课，我目前只对 Python 感兴趣，因此只搜索了 Python 相关的课。
数据在所有科目中都是最重要的成分，下面是按科目来划分的课程。我主要也选了自己感兴趣的机器学习和量化金融相关的课程。
授课方式
其实大多数选课的内容我都会，但为什么还要“浪费时间”继续上呢？原因有二：
巩固旧知识，很多知识平时不常用很快就忘了，但如果不断巩固不断提炼才能做到“点连成线”。
学习 DataCamp 讲师授课的方法，自己学会不算牛，能让学生学会才算牛，能让学生轻易学习那是超级大牛。
DataCamp 的授课方式：精简视频讲解 + 大量代码练习
每门课包含 4 - 5 章，每章包含 3 - 4 视频，每个视频 4 分钟左右，开门见山直入要点，下图后带 50xp 就是视频。之后就是大量代码作业来巩固视频教的要点，下图后带 100xp 就是代码练习。
学完短视频知识点后，有时候根本做不出来作业。在代码联系中又有详细的知道，如下图左半部分；而且代码也不是让你从头写起，留些关键知识点让你填补，如下图右半部分。
整套授课方式非常友好和实用，这种用几行代码能完成一个具体任务的方式让人有满足感，激励你继续学下去“通关”。当你看完所有视频做完所有作业，就可以能到证书，这时 DataCamp 根据完成的课程内容，还会很贴心的推荐下一节课，是指成为一个体系。
学习心得
好了，到了分享学习心得的时候了。
声明：学习的内容仅限于机器学习、量化金融、数据科学之类。
学好英文
不是崇洋媚外，就机器学习、量化金融、数据科学这三大类，普遍来说，英文的视频教学、书籍、博客真的就是比中文的质量高太多。
视频：斯坦福大学上的 cs 系列，MIT 的 OCW, Luis Serrano 个人油管等
书籍：Bishop 的 Pattern Recognition and Machine Learning, Adrian Rosebrock 的 Deep learning 三件套，Piterbarg 的 Interest Rate Modeling 等
博客：TowardsDataScience, Medium, Chris Olah 的个人博客等
这些老外做的东西，真的是为了能把你讲懂，能够用尽所有方式，不惜花再多时间和精力。而中文能与其媲美的可能就是教深度学习的李宏毅了，教量化金融的就没发现有经典的中文教程。有些大牛做研究非常厉害，但是讲解东西实在不行，可能觉得简单不屑于讲，可能没有时间为学生花精力来讲，不管怎样，作为学生，肯定偏向于能让我轻易就懂的视频教学、书籍、博客。
扯了这么多，无非就是想强调学好英语，这样眼光才能更广来学习这些英文资料。能听懂或看懂这些专业上的英文资料其实比流利对话或看懂英文电影容易多了。这和崇洋媚外无关，只和自身提高有关。
结果导向
知识太多永远学不完，我现在学什么都是结果导向。
比如我要设计课程要写书（Python 相关的金融工程和机器学习），因此我想看大牛们怎么教。
比如我一直想学图神经网络，我这次就选了 network analysis 为图结构打下基础。
比如在免费期中学得越多就省得越多。
比如我想在朋友圈装 13 。。。
结果导向有时才能让你坚持下去，我深知在学习过程中会碰到瓶颈，这时候你需要用“你想要取得的结果”来激励你继续学下去。
善于总结
善于总结我在【Python 课复盘】一贴也展示过了，思维导图是个很好的工具。总结是个提炼的过程，总结可以把握大方向，对于细节用到的时候再去查。人脑不是电脑，不可能记住那么多的内容，但是核心内容是可以记住的。举例，Python 基础的核心内容点包括：
数据
流程
函数
类和对象
解析式
正则表达式
生成器
迭代器
装饰器
迭代器中有些细节是 itertools，下面还有用于排列组合的 combination 迭代器。这次在 Network Analysis 中有个任务时找某个节点的所有邻点，就需要用到这个“组合迭代器”的用法，我在写代码的时候因为之前学 Python 时总结过，因此有印象一下子能找到 combination 的用法。
再举个例子，这次我上了 Keras 和 PyTorch 的课程，在创建神经网络的时候，用函数式模型两者非常类似。我 Keras 用的比较熟，PyTorch 比较生，但通过总结类比的方法，一下子就能掌握 PyTorch 中函数式创建神经网络的写法。
最后灌点真实的鸡汤，不要因为起点低就放弃，人生是场马拉松，复利是第八大奇迹，每天坚持学习和每天不学习的差别，五年之后会天壤之别。快乐学习！终身学习！