Письмо начинающему изучать Data Science

Я бы хотел получить такое письмо три года назад, когда только начинал изучать Data Science ^[1] (DS). Чтобы там были необходимые ссылки на полезные материалы. Статья не претендует на полноту охвата необъятной области DS. Однако для начинающего специалиста будет полезна.

В DS наиболее часто используются следующие технологии:

• свободное владение английским языком;
• операционная система Ubuntu ^[2] Linux (так исторически сложилось);
• язык программирования Python ^[3] (но лучше Anaconda Python ^[4]);
• интегрированная среда разработки (IDE) PyCharm ^[5] (Community Edition бесплатная);
• инфраструктура (framework) для машинного обучения (ML machine learning), глубокого обучения (DL deep learning) и создания нейросетей (PyTorch ^[6], TensorFlow ^[7] и десятки других ^[8]);
• если нет своей мощной видеокарты ^[9] (GPU graphical processing unit), тогда следует пользоваться бесплатными облачными технологиями на основе Jupyter Notebook ^[10];
• умение пользоваться распределенной системой управления версиями Git ^[11] (GitHub, GisLab, Bitbucket, etc.);
• иметь учетную запись на StackOverflow и всех его ответвлениях ^[12].

Также со временем вам понадобятся множество различных дополнительных к Python библиотек и инструментов обработки изображений и данных. Их десятки. Наиболее полезные для меня (обработка изображений) в порядке убывания важности:

• Virtual Environment ^[13] – виртуальная среда разработки для различных проектов, которая инкапсулирует в себе разные версии библиотек и инструментов.
• NumPy ^[14] – работа с матрицами, линейная алгебра.
• OpenCV ^[15] – множество различных алгоритмов для работы с изображениями.
• Jupyter Notebook ^[16] – веб-приложение для разработки и выполнения программ Python в браузере и в облаке.
• Tensorflow-gpu ^[17] – конфигурация нейронных сетей и вычисления на графических картах.
• iPython ^[18] – более удобная консольная работа с командами Python, советую использовать её вместо консоли по-умолчанию.
• Matplotlib ^[19] – рисование графиков и диаграмм.
• Pillow ^[20] – работа со всеми популярными форматами изображений.
• Pandas ^[21] – работа с данными.
• SciPy ^[22] – продвинутая работа с алгоритмами, бесплатная альтернатива программе MatLab.
• Scikit-learn ^[23] – алгоритмы машинного обучения.
• Scikit-image ^[24] – продвинутая обработка изображений.
• K3D ^[25] – работа с трехмерными графиками и изображениями в Jupyter Notebook.

Что у меня есть:

• Различные программы Python ^[26]. Начните с простых скриптов ^[27] и продолжите более сложными.
• Набор инструкций по настройке Ubuntu Linux ^[28]. Из них самая важная инструкция по установке и настройке виртуальной среды ^[13].
• Брошюра «Введение в машинное обучение и искусственные нейронные сети ^[29]». Самые основы, которые собраны со всего Интернета, но в моем «уникальном» исполнении.
• Курсы и видео для начинающих ^[30], с которых стоит начинать изучать нейросети.
• Полезные инструменты ^[31], где каждый найдет что-нибудь интересное для себя.
• Общий список курсов ^[32], которые прошел и которые хотел бы пройти.

Спасибо за внимание!

Автор: FooBar167

Источник ^[33]