原文：
www.kdnuggets.com/2020/08/beyond-superficial-data-science-moocs-substance.html
评论
由 Mathieu Plourde（Flickr 上的 Mathplourde）- https://www.flickr.com/photos/mathplourde/8620174342/sizes/o/in/photostream/，CC BY 2.0，https://commons.wikimedia.org/w/index.php?curid=75937656
1. Google 网络安全证书 - 快速进入网络安全职业。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织 IT 工作
Benjamin Obi Tayo 在他最近的文章中"数据科学 MOOCs 过于肤浅"写道：
大多数数据科学 MOOC 是入门级课程。这些课程适合那些已经在相关学科（物理学、计算机科学、数学、工程、会计）有坚实背景的人，他们想进入数据科学领域。
他是对的。确实有很多入门级 MOOCs，彼此竞争以吸引入门级学习者。如果这是你所寻找的，那么这很好。但如果你是一个更高级的学习者呢？那你的选择是什么？是否存在有效的高级 MOOC 课程？
正如 Tayo 所指出的，学习数据科学有很多替代 MOOCs 的方法。确实没有理由将 MOOCs 视为唯一的选择。然而，除了入门级课程的相对占优势之外，还有一种趋势直接否定 MOOCs 在更高级别的有效性，这主要有两个原因。
首先，有一种普遍的假设认为，所有参加数据科学课程的人都完全没有相关的经验或教育，相关的假设是大家都相信他们可以在一个四周的课程之后成为数据科学家。
其次，有一种观点认为，很多人参加 MOOCs 只是为了获得相关证书，相关的假设是大家都认为获取这些证书必然会导致成功的数据科学职业。
如果你忽略这些假设，你可以将 MOOC 简单地视为一种潜在的学习和技能获取工具，适合不同程度的学生。鉴于许多 MOOC 是由世界级的讲师和教育机构组织的，因此从这些课程中学到有价值的东西的机会似乎很大。
鉴于此，本文将探讨一些适合那些已经掌握了一些数据科学基础技能的高级数据科学课程。什么是高级的呢？这显然是主观的，但我会尽力整理出自我分类为高级的相关课程。什么是数据科学基础技能？这也是主观的，在这个案例中，它们会有所不同，取决于所考虑的具体高级课程。
为了缩小庞大的 MOOC 课程范围，我不得不制定一个筛选标准。就我们的目的而言，有效的 MOOC 是指：
-
依托于一个 MOOC 平台，该平台允许免费访问课程材料，并可以选择付费获得证书
-
由大学或学习机构提供或附属（而不是由任何人组织）
-
实际上是将若干独立课程集合成某种多课程组合
第一条明显忽略了 Udacity 等相关的付费平台。第二条忽略了像 Udemy 这样的开放课程平台。第三条理论上允许课程的逻辑链条随着时间的推移构建深入相关的学习概念。
这个标准或多或少——就主要的 MOOC 平台而言——将我们限制在 Coursera 和 edx。请注意，我们本可以在这个标准的基础上进一步扩展定义，或考虑 MOOC 平台，但这个汇编列表旨在提供一些关于高级课程的想法，而不是全面的整理。
如果你已经掌握了数据科学的基础知识，并且希望通过优质的高级 MOOC 进一步提升自己的知识，看看这 4 个推荐课程吧。
高级机器学习专项课程 是由国立研究大学高等经济学院在 Coursera 提供的一系列 7 门机器学习相关课程。
这个专项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。顶级 Kaggle 机器学习从业者和 CERN 科学家将分享他们解决实际问题的经验，并帮助你弥合理论与实践之间的差距。完成 7 门课程后，你将能够在企业中应用现代机器学习方法，并理解实际数据和设置中的注意事项。
这个专项课程包括：
-
深度学习导论
-
如何赢得数据科学竞赛：向顶级 Kagglers 学习
-
贝叶斯方法在机器学习中
-
实用强化学习
-
计算机视觉中的深度学习
-
自然语言处理
-
通过机器学习解决大型强子对撞机挑战
概率图模型专门化 是斯坦福大学 Daphne Koller 主办的 Coursera 上的 3 门课程的集合。
概率图模型 (PGMs) 是一种丰富的框架，用于在复杂领域中编码概率分布：大量随机变量之间的联合（多元）分布。这些表示位于统计学和计算机科学的交汇处，依赖于概率理论、图算法、机器学习等概念。它们是广泛应用中的最先进方法的基础，如医学诊断、图像理解、语音识别、自然语言处理等。它们也是制定许多机器学习问题的基础工具。
该专门化课程包括以下课程：
-
概率图模型 1：表示
-
概率图模型 2：推理
-
概率图模型 3：学习
哥伦比亚大学和 edX 的**人工智能 MicroMasters®项目**由 4 门课程组成，深入探讨了人工智能。
通过一个创新的在线项目，在人工智能及其应用领域的迷人而引人入胜的话题中，获得计算机科学最迷人和发展最快的领域之一的专业知识。哥伦比亚大学的这个 MicroMasters 项目将为你提供一个严格的、先进的、专业的研究生级别的人工智能基础。该项目代表了哥伦比亚大学计算机科学硕士学位课程的 25%。
组成 MicroMasters 项目的 4 门课程是：
-
人工智能 (AI)
-
机器学习
-
机器人技术
-
动画和 CGI 运动
强化学习专门化 是阿尔伯塔大学在 Coursera 上提供的 4 门课程的集合，涵盖了使用强化学习解决实际问题。你将学到以下内容：
发挥人工智能的全部潜力需要适应性学习系统。了解强化学习 (RL) 解决方案如何通过试错互动解决实际问题，方法是从头到尾实施完整的 RL 解决方案。
在完成这一专业课程后，学习者将理解现代概率人工智能（AI）的大部分基础，并为学习更高级的课程或将 AI 工具和思想应用于实际问题做好准备。本内容将重点关注“规模较小”的问题，以理解强化学习的基础，由阿尔伯塔大学科学学院的世界知名专家授课。
涉及的课程包括：
-
强化学习基础
-
基于样本的学习方法
-
使用函数逼近进行预测和控制
-
完整的强化学习系统（综合项目）
相关：
-
数据科学 MOOCs 太肤浅了
-
数据科学与机器学习的免费数学课程
-
绝佳的机器学习和人工智能课程