डेटा साइंस का अध्ययन करने के लिए एक शुरुआत पत्र

मैं तीन साल पहले ऐसा पत्र प्राप्त करना चाहूंगा जब मैं डेटा साइंस (डीएस) का अध्ययन करना शुरू कर रहा था। उपयोगी सामग्री के लिए आवश्यक लिंक थे। लेख डीएस के विशाल डोमेन को कवर करने के लिए नहीं है। हालांकि, एक नौसिखिया विशेषज्ञ के लिए यह उपयोगी होगा।

डीएस में निम्नलिखित तकनीकों का सबसे अधिक उपयोग किया जाता है:

• तरलता अंग्रेजी में;
• उबंटू लिनक्स ऑपरेटिंग सिस्टम (जैसा कि यह ऐतिहासिक रूप से विकसित हुआ है);
• पायथन प्रोग्रामिंग भाषा (लेकिन एनाकोंडा पायथन से बेहतर);
• PyCharm का एकीकृत विकास वातावरण (IDE) (सामुदायिक संस्करण निःशुल्क है);
• मशीन लर्निंग (एमएल मशीन लर्निंग), डीप लर्निंग (डीएल डीप लर्निंग) और न्यूरल नेटवर्क्स ( PyTorch , TensorFlow और दर्जनों अन्य ) के निर्माण के लिए बुनियादी ढांचा (ढांचा);
• यदि आपके पास अपना शक्तिशाली ग्राफ़िक्स कार्ड (GPU ग्राफ़िकल प्रोसेसिंग यूनिट) नहीं है, तो आपको बृहस्पति नोटबुक पर आधारित मुक्त क्लाउड तकनीकों का उपयोग करना चाहिए;
• वितरित Git संस्करण नियंत्रण प्रणाली ( GitHub , GitLab , Bitbucket , आदि) का उपयोग करने की क्षमता;
• StackOverflow और इसकी सभी शाखाओं पर एक खाता है।

इसके अलावा, समय के साथ, आपको छवियों और डेटा को संसाधित करने के लिए कई अलग-अलग अतिरिक्त पुस्तकालयों और उपकरणों की आवश्यकता होगी। इनमें से दर्जनों हैं। मेरे लिए सबसे अधिक उपयोगी ( इमेज प्रोसेसिंग ) महत्व के अवरोही क्रम में है:

• आभासी पर्यावरण - विभिन्न परियोजनाओं के लिए एक आभासी विकास का वातावरण, जो पुस्तकालयों और उपकरणों के विभिन्न संस्करणों को एन्क्रिप्ट करता है।
• NumPy - मैट्रिस , रैखिक बीजगणित के साथ काम करते हैं।
• OpenCV - छवियों के साथ काम करने के लिए कई अलग-अलग एल्गोरिदम।
• Jupyter नोटबुक एक ब्राउज़र और क्लाउड में पायथन कार्यक्रमों को विकसित करने और चलाने के लिए एक वेब एप्लिकेशन है।
• Tensorflow-gpu - तंत्रिका नेटवर्क का विन्यास और ग्राफिक कार्ड पर संगणना।
• iPython Python कमांड के साथ एक अधिक सुविधाजनक कंसोल कार्य है, मैं आपको डिफ़ॉल्ट कंसोल के बजाय इसका उपयोग करने की सलाह देता हूं।
• Matplotlib - रेखांकन और चार्ट खींचना।
• तकिया - सभी लोकप्रिय छवि प्रारूपों के साथ काम करते हैं।
• पंडों - डेटा के साथ काम करते हैं।
• SciPy - एल्गोरिदम के साथ उन्नत कार्य, कार्यक्रम MatLab का एक मुफ्त विकल्प।
• स्किकिट-लर्न - मशीन लर्निंग एल्गोरिदम।
• स्किटिट-इमेज - उन्नत इमेज प्रोसेसिंग।
• K3D - जुपिटर नोटबुक में तीन-आयामी रेखांकन और छवियों के साथ काम करते हैं।

मशीन लर्निंग (एमएल मशीन लर्निंग), और विशेष रूप से डीप लर्निंग (डीप लर्निंग) डेटा के बिना असंभव है। आवश्यक डेटाबेस (डेटासेट, डेटासेट) को Google डेटासेट खोज सेवा के माध्यम से या 25 हज़ार केगल डेटासेट के बीच खोजा जा सकता है।

मेरे पास क्या है:

• विभिन्न पायथन कार्यक्रम । सरल स्क्रिप्ट से शुरू करें और अधिक जटिल लोगों के साथ जारी रखें।
• उबंटू लिनक्स की स्थापना के लिए निर्देशों का एक सेट । इनमें से, आभासी वातावरण को स्थापित करने और कॉन्फ़िगर करने के लिए सबसे महत्वपूर्ण निर्देश।
• विवरणिका " मशीन सीखने और कृत्रिम तंत्रिका नेटवर्क का परिचय ।" बहुत मूल बातें, जो पूरे इंटरनेट से एकत्र की जाती हैं, लेकिन मेरे "अद्वितीय" प्रदर्शन में।
• शुरुआती लोगों के लिए पाठ्यक्रम और वीडियो , जिसमें से तंत्रिका नेटवर्क का अध्ययन शुरू करना लायक है।
• उपयोगी उपकरण जहां सभी को अपने लिए कुछ दिलचस्प मिलेगा।
• पाठ्यक्रमों की एक सामान्य सूची जो मैंने ली थी और लेना चाहूंगा।

आपका ध्यान के लिए धन्यवाद!