给初学者的信，以学习数据科学

我想在三年前刚开始学习数据科学 （DS）时收到这封信。 有必要链接到有用的材料。 本文并不旨在涵盖DS的广阔领域。 但是，对于新手专家来说将很有用。

DS中最常使用以下技术：

• 英语流利；
• Ubuntu Linux操作系统（历史悠久）；
• Python编程语言 （但比Anaconda Python更好）；
• PyCharm的集成开发环境（IDE）（社区版是免费的）；
• 机器学习（ML机器学习），深度学习（DL深度学习）和神经网络创建的基础架构（框架）（ PyTorch ， TensorFlow等数十种 ）;
• 如果您没有自己强大的图形卡 （GPU图形处理单元），则应使用基于Jupyter Notebook的免费云技术；
• 使用分布式Git版本控制系统（ GitHub ， GitLab ， Bitbucket等）的能力；
• 在StackOverflow及其所有分支上都有一个帐户。

而且，随着时间的流逝，您将需要许多不同的附加库和工具来处理图像和数据。 有几十个。 对我来说最有用的（ 图像处理 ）按重要性降序排列：

• 虚拟环境 -用于各种项目的虚拟开发环境，其中封装了不同版本的库和工具。
• NumPy-使用矩阵，线性代数。
• OpenCV-处理图像的许多不同算法。
• Jupyter Notebook是一个Web应用程序，用于在浏览器和云中开发和运行Python程序。
• Tensorflow-gpu-神经网络的配置和图形卡上的计算。
• iPython是使用Python命令的更便捷的控制台，建议您使用它代替默认控制台。
• Matplotlib-绘制图形和图表。
• 枕头 -适用于所有流行的图像格式。
• 熊猫 -处理数据。
• SciPy-使用算法的高级工作，它是MatLab程序的免费替代品。
• Scikit-learn-机器学习算法。
• Scikit-image-高级图像处理。
• K3D-在Jupyter Notebook中处理三维图形和图像。

没有数据，机器学习（ML机器学习），尤其是深度学习（Deep Learning）是不可能的。 必要的数据库（数据集，数据集）可以通过Google数据集搜索服务或2.5万个Kaggle数据 集进行搜索 。

我所拥有的：

• 各种Python程序 。 从简单的脚本开始，然后继续使用更复杂的脚本 。
• 设置Ubuntu Linux的一组说明 。 其中，这是安装和配置虚拟环境的最重要说明。
• 手册“ 机器学习和人工神经网络简介”。 这些非常基础的内容是从Internet上收集的，但是以我的“独特”表现而定。
• 面向初学者的课程和视频 ，从中开始学习神经网络是值得的。
• 有用的工具 ，每个人都可以找到自己感兴趣的东西。
• 我参加并希望参加的课程的一般清单 。

感谢您的关注！