如何免费系统化入门数据科学？

如何免费系统化入门数据科学？
原创 王树义老师 玉树芝兰 2022-07-06 19:45 发表于天津
收录于合集
#数据科学73个
#教学8个
[图片]
题图：Photo by Myriam Jessier([1]) on Unsplash([2])
痛点
总有小伙伴留言或私信问我：
王老师，我没有基础，想要入门数据科学的话，上某某辅导班（收费 XXXX 元），靠谱不？
这问题，还真是不好回答。因为那样的辅导班，我没上过，着实不知道质量如何，不敢妄下判断。
想跨专业系统学习数据科学知识，除了辅导班会让你挑花眼以外，书籍、资料和网上的学习资源也不好挑选。因为数据科学知识技能的特色是发展迅速。一年多以前别人使用某个方法、模型做出的结果，还能发在高水平期刊上。今天你使用同样的方法，却可能会被无情拒稿。这不完全是你的错，只是在这么短的时间里更好的模型已经出现了。你学到的内容嘛，很不幸，落伍了。
那你的下一个问题应该是：
有没有足够省钱，还能随时更新保持追上前沿的学习资料？
这听着很贪心。真有人告诉这样的好事儿，你也会怀疑他是不是个骗子。但实话实说，这样的免费学习资料还真的有，而且一直被很多初学者忽视掉了。因为它并不存在于某个知名的 MOOC 平台上，而是寄身于一个数据科学竞赛网站的角落里。
人们的刻板印象会认为，只有知识技能掌握足够好才会去参加竞赛，因此并不期待竞赛网站会负责详细介绍基础入门知识。这可能让很多人与它失之交臂。
这个竞赛网站，叫做 Kaggle 。这套课程，叫做 Kaggle Courses 。
发现
我最初发现 Kaggle 的这一套自制课程，是在 2018 年 4 月份。之所以还能知道具体的时间，是因为我当时做了笔记。
[图片]
你看，随手及时记录笔记，很重要吧？
当时 Kaggle 自制课程的名称，还叫做 “Kaggle Learn” 。初始课程的门数很少，只有 6 门。
[图片]
但是早在 2018 年，我就觉得 Kaggle 这个课程很有特色，所以才专门记录了笔记。什么特色呢？至少包括以下两点：

• 全免费
• 利用 Notebook 互动实例来讲解
  以其中数据可视化教学内容为例。这一部分介绍的 Python 可视化工具，是 Seaborn 。
  今天 Seaborn 的学习资料早已到处都是，并不稀奇。但是在 2018 年初，更多的常见数据科学教程依然沿用 matplotlib 这样的 Python 基础绘图软件包。使用起来，较为繁琐。而借助 Seaborn ，你可以用非常简单的语句，生成很复杂的印刷级别图形。我在 2018 年的这则笔记里，还专门保留了几张截图，作为例子。
  这是普通的变量分布图：
  [图片]
  这个图可以同时描述两个变量分布和二者的关联：
  [图片]
  上面这些图，都可以用 Seaborn 非常容易做出来。
  况且，彼时 Kaggle Learn 可视化部分的课程，已不仅仅局限于 Seaborn ，也包括 plotly ，用于做交互图形。这是当时课程里面的截图：
  [图片]
  你不难看到，Plotly 可以很方便做出这种三维图像。你还可以通过拖动从不同角度进行观察。
  当时由于课程数量不多，并没有引起我的重视。但我当初学习这些资料的进程，直到现在还原原本本保留在了 Kaggle 系统中。
  [图片]
  变化
  常言道，「士别三日，当刮目相看」。Kaggle 的课程板块也是如此。
  前些日子，我想给学生找一个免费运行的 GPU 云环境，用来讲授机器学习，于是又打开了 Kaggle 网站。我突然发现，原先的 Kaggle Learn 已经大幅度扩容，成长为 Kaggle 里面的一个单独的 Courses （课程）板块。你可以 点击这个链接([3]) 直达。
  [图片]
  可以看到，现在课程包含的主题种类非常丰富。
  [图片]
  这是个不完全的课程列表，里面就已经包括了：
• 编程基础
• 机器学习
• 特征工程
• SQL 数据库
• 机器视觉
• …
  样例
  这里我以 Python 数据框 Pandas 教程为例，给你介绍一下 Kaggle Courses 的特色。
  [图片]
  这里 Pandas 的介绍分成 6 个部分：
• 创建、读写
• 索引、选择和赋值
• 总结与映射
• 分组和排序
• 数据类型与缺失值
• 重命名和合并数据框
  可以看出，内容是很精细、系统和全面的。这样循序渐进的好处，是避免一次性让初学者接触过多的概念和知识，导致学习的时候「按下葫芦起了瓢」，手忙脚乱。先解决基础问题，再逐步试探进入更复杂的部分，这和《新概念英语》的理念「逐步迭代 + 高水平重复」是一致的。
  每一个模块，都分为讲解和练习两个部分。
  [图片]
  讲解里面，都包含了文字、图片、代码，以及对应的运行结果。
  而练习里，因为使用了 learntools([4]) 这个软件包，所以 Kaggle 平台可以自动给你提示、参考答案，甚至判定你自己输入的语句答案是否正确。
  [图片]
  代码运行正确，提示是这样的：
  [图片]
  而如果运行出现错误， Kaggle 会给出具体的错误原因：
  [图片]
  请注意，对初学者来说，这是非常宝贵的反馈。因为有了反馈，有了提示，你修改起来就有了正确方向，事半功倍。极大程度避免了初学者面对错误瞎猜乱改导致的精力耗尽，甚至「从入门到放弃」。
  即便你的答案运行出来正确的结果，你也可以看看自己的解答和参考答案之间的差别。正确答案，不止一种，执行效率上也有高下之分。这种对比也是重要的学习提升途径。
  [图片]
  我在《MOOC教学，什么最重要？》一文中，给你提到过，MOOC 教学里面，最宝贵的就是反馈。课程讲义、录像可以大规模低成本复制传播，但是反馈却需要个性化，这也是课程规模和质量之间经常发生矛盾和冲突的地方。而对于写代码这种事情来说，如果能够充分利用目前的自动化技术，是可以给初学者足够丰富反馈的。这也是数据科学和编程类内容学习的一种独特优势。
  其他
  下面我们来看看 Kaggle Courses 其他的特色板块。篇幅所限，我这里精选了几样，包括：
• 数据可视化
• 时间序列
• AI 伦理
  先说数据可视化。你会发现，Seaborn 确实历久弥新。现在依然是 Kaggle 讲解可视化的软件包首选。
  [图片]
  只是从内容上，比起当初更为细致多样。我也准备抽时间系统学习一下。回头给你分享一下相关的经验。
  除了 Seaborn 和 plotly 之外，数据可视化部分还添加了「地理信息可视化」。你可以用几行代码，就把各种数据叠加在地图层上，让读者一目了然。
  [图片]
  你还可以把地图做成交互形式，读者可以根据自己的喜好，进行交互式缩放，就像这样。

[图片]

除了可视化之外，我觉得时间序列分析也值得说一说。
毕竟，除了面板数据（例如购物记录、评论信息）之外，我们还时常要与时间序列打交道。例如我之前给你介绍过的《如何用 Python 做舆情时间序列可视化？》，就可以做出类似这样的情感指标时间序列可视化。
[图片]
从前处理时间序列数据，还是比较麻烦的。而现在，因为有了更成熟的软件包，你可以用更少的代码，就把时间序列的清洗和可视化搞定。
[图片]
使用时间序列，我们往往都是有趋势预测的需求的。预测可以使用一些传统的算法，或者也可以利用机器学习。就像我在《如何用 Python 和循环神经网络预测严重交通拥堵？》一文给你举过的例子。
下图是 Kaggle Courses 里面 预测流感数据的例子([5])。
[图片]
你觉得这样数据的建模、预测和可视化需要多少行代码？200？500？
其实，核心代码只有这些：
[图片]
全部的代码，都有配套的讲解。一步步通过中间结果，教给你怎么做，让你有充分的铺垫知识来逐步学习掌握。
通过样例学习之后，相信你已经信心满满。此时可以根据引导，在 练习区实际上手了([6])。
[图片]
这套 Kaggle 课程最让我欣喜的地方，是专门的** AI 伦理**部分。
[图片]
这几年出现的很多 AI 领域新闻，都让人们逐步认识到 AI 伦理问题的重要性和严重性。简而言之，如果人们放任 AI 研究「自由飞翔」，那么在短时间内，我们就会品尝到恶果。例如，我们会因为长相、基因、社会经济地位等因素，受到机器模型的歧视甚至鄙视。那些科幻作品中，人类饱受机器欺凌乃至奴役的场面，会变成活生生的现实。
机器本身没有善恶可言，因为它只是由人塑造的。但是对于数据科学的应用者来说， AI 伦理特别重要。如果不在学习阶段加以培养，就如同驾校培训了驾车技术，却没有讲授交通规则。他开车上路，手里握着的就不是方向盘，而是致命武器的扳机。
初心
我给你如此详细介绍这套课程，是因为它完全免费，而且还可以提供学习证书。这种分享的精神，也需要你我的分享，来薪火相传。
[图片]
我一直在琢磨，研发这些课程，撰写配套练习，并且对答案进行完善调试，还得不断因应环境变化调整课程内容，难道不需要成本吗？Kaggle 这么做，岂非赔本儿赚吆喝？图什么？
况且，这还不是 Kaggle 做的唯一「傻事儿」。别忘了，我这次打开 Kaggle ，其实就是想帮助自己的学生，用它上面的免费 GPU 时长，以及上面大量的开放数据资源。这些其实都是要由 Kaggle 负担成本的。
后来，我大概想明白了。Kaggle 这些看似「冒傻气」的行为，实际上是在完成一个闭环。作为一个数据科学比赛的网站，Kaggle 需要数据，需要算力，需要题目，但是更需要「人」，也就是足够多的参与者。不是每一个来到这个网站的用户，都具备数据科学基础知识。但是他们中的很多人，却有非常可观的潜力值得发掘。
做一套课程出来，确实需要耗费不少成本。但是如果这套课程可以让初学者快速上手，掌握入门内容，那么他们做出来的比赛结果，就更值得期待。参与者整体水平的快速提升，对于这样一个网站，一个社区，是有显著的好处 —— 生态系统级别的。
小结
想明白这一层之后，我觉得可以更为大胆地将这套 Kaggle 数据科学课程推荐给你。因为它是经过许许多多初学者实践、反馈和迭代的成果，因而质量上更有保障。
希望这个推荐，能够让你在入门数据科学的道路上，少走几分弯路，多一些成就感。
你觉得这套课程怎么样？有没有更好的数据科学入门资源可以分享给大伙儿？欢迎留言，咱们一起交流讨论。

欢迎关注我的视频号，时常更新。
[图片]
欢迎来知识星球，查看已经积累下的数十篇精华帖子。更欢迎你提出自己的好问题。
[图片]
由于微信公众平台的限制，文中部分链接可能无法正常显示与跳转。如需访问，请点击文末「阅读原文」链接，查看链接齐备的版本。
延伸阅读

• 践行「重器轻用」，你的知识管理流程用了哪些工具组合呢？
• 世界很大，英语不好的你如何去看看？
• 《数亦有道》配套代码云端迁移进展
• 想打造个性化高效工作流，可不会编程怎么办？
• 贷还是不贷：如何用 Python 和机器学习帮你决策？
  参考资料
  [1]
  Myriam Jessier: https://unsplash.com/@mjessier?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText
  [2]
  Unsplash: https://unsplash.com/s/photos/data-science?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText
  [3]
  点击这个链接: https://www.kaggle.com/learn
  [4]
  learntools: https://github.com/Kaggle/learntools
  [5]
  预测流感数据的例子: https://www.kaggle.com/code/ryanholbrook/forecasting-with-machine-learning
  [6]
  练习区实际上手了: https://www.kaggle.com/kernels/fork/20667477

收录于合集 #数据科学
73个