God-Level-Data-Science-ML-Full-Stack - 用于构建故事和模型的科学方法、过程、算法和系统的集合。本路线图包含 16 个章节，无论您是该领域的新手还是想要过渡到数据科学和 AI 的经验丰富的专业人士

Created at: 2022-03-29 23:30:22

Language: Jupyter Notebook

编号: https://github.com/hemansnation/God-Level-Data-Science-ML-Full-Stack

神级数据科学ML全栈

用于构建故事和模型的科学方法，过程，算法和系统的集合。该路线图包含16个章节，无论你是该领域的新生还是想要过渡到数据科学和AI的经验丰富的专业人士。

路线图分为16个部分

持续时间：256小时学习（8个月）以及更多时间的实践和项目建设。

Python 编程和逻辑构建
数据结构与算法
pandas Numpy Matplotlib
统计学
机器学习
机器学习操作
自然语言处理
计算机视觉
使用 Tableau 实现数据可视化
结构化 d 查询语言（SQL）
数据工程
数据系统设计
五大顶点项目
面试准备
Git & GitHub
个人品牌和投资组合

资源

数据集集合

技术栈

蟒
数据结构
数字派
pandas
Matplotlib
希伯恩
Scikit-Learn
统计模型
自然语言工具包（ NLTK ）
PyTorch
OpenCV
画面
结构查询语言（ SQL ）
PySpark
Azure‌ ‌Fundamentals‌
Azure 数据工厂
数据砖
5大项目
Git 和 GitHub

1 |Python 编程和逻辑构建

我更喜欢Python编程语言。Python 是开始编程之旅的最佳选择。这是python用于逻辑构建的路线图。

Python 基础知识，变量，运算符，条件语句
列表和字符串
而循环，嵌套循环，循环其他
对于循环、中断和继续语句
函数、返回语句、递归
字典、元组、集合
文件处理、异常处理
面向对象编程
模块和包

Python的深入路线图

2 |数据结构与算法

数据结构不仅是数据科学家要学习的最重要的东西，也是所有从事计算机科学工作的人要学习的最重要的东西。通过数据结构，你可以对软件中所有内容的工作有一个内部了解。

了解这些主题

算法分析的类型
渐近符号，大O，欧米茄，θ
栈
队列
链表
树
图
排序
搜索
散列法

3 | pandas Numpy Matplotlib

Python 使用 Numpy 支持n维数组。对于二维数据，Pandas 是最好的分析库。你可以使用其他工具，但工具具有拖放功能并具有限制。 pandas 可以根据需要进行定制，就像我们可以根据现实生活中的问题进行编码一样。

努比

向量，矩阵
矩阵上的操作
均值、方差和标准差
重塑阵列
矩阵的转置和行列式
对角线操作，跟踪
加、减、乘、点和叉积。

pandas

系列和数据帧
切片、行和列
对数据帧的操作
创建数据帧的不同方法
使用 CSV 文件执行读取、写入操作
处理缺失值、替换值和正则表达式
分组依据和串联

Matplotlib

图形基础
设置绘图中字符串的格式
标签参数，图例
条形图、饼图、直方图、散点图

6 >统计学

描述统计学

频率和集中趋势的测量
色散测量
概率分布
高斯正态分布
偏度和峰度
回归分析
连续和离散函数
合身性
正态性检验
方差分析
同方差性
回归的线性和非线性关系

推论统计

t-检验
z-测试
假设检验
类型 I 和类型 II 错误
t检验及其类型
单向方差分析
双向方差分析
卡方检验
实施连续和分类数据

5 |机器学习

掌握机器学习算法的最佳方法是使用Scikit-Learn框架。Scikit-Learn包含预定义的算法，你只需生成类的对象即可使用它们。这些是你必须了解的算法，包括监督和无监督机器学习的类型：

线性回归
逻辑回归
决策树
梯度下降
随机森林
岭和套索回归
朴素贝叶斯
支持向量机
KMeans聚类

ML 的其他概念和主题

测量精度
偏差-方差权衡
应用正则化
弹性网络回归
预测分析
探索性数据分析

6 |MLOps

你可以掌握来自AWS，GCP和Azure的任何一个云服务提供商。一旦你了解了其中之一，你就可以轻松切换。

我们将首先关注AWS - 亚马逊网络服务

使用 Flask 部署 ML 模型
Amazon Lex - 自然语言理解
AWS Polly - 语音分析
亚马逊转录 - 语音转文本
Amazon Textract - 提取文本
Amazon Rekognition - Image Applications
Amazon SageMaker - 构建和部署模型
在 AWS 上使用深度学习

7 |自然语言处理

如果你对使用文本感兴趣，你应该做一些NLP工程师所做的工作，并了解语言模型的工作。

情绪分析
POS标记，解析，
文本预处理
词干提取和词形还原
使用朴素贝叶斯的情绪分类
TF-IDF， N-gram，
机器翻译，BLEU分数
文本生成、摘要、ROUGE 乐谱
语言建模，困惑
构建文本分类器
确定性别

8 |计算机视觉

为了进行图像和视频分析，我们可以掌握计算机视觉。为了研究计算机视觉，我们必须理解图像。

PyTorch 张量
了解预训练模型，如AlexNet，ImageNet，ResNet。
神经网络
构建感知器
构建单层神经网络
构建深度神经网络
用于顺序数据分析的循环神经网络

卷积神经网络

了解卷积网拓扑
卷积层
池化层
图像内容分析
使用 OpenCV-Python 对图像进行操作
检测边缘
直方图均衡
检测拐角
检测 SIFT 特征点

9 |使用 Tableau 实现数据可视化

如何使用它视觉感知

它是什么，它是如何工作的，为什么选择Tableau
连接到数据
建筑图表
计算
仪表板
分享我们的工作
高级图表、计算字段、计算聚合
条件计算、参数化计算

10 |结构化查询语言（SQL）

SQL 语法和安装的基础
创建表、修饰符
插入和检索数据，选择插入更新删除
使用函数、过滤和正则表达式聚合数据
子查询，根据条件检索数据，对数据进行分组。
练习题
加入
高级 SQL 概念，如事务、视图、存储过程和函数。
数据库设计原则、规范化和 ER 图。
练习，练习，再练习：练习在真实数据集上编写SQL查询，并致力于项目以应用你的知识。

11 |数据工程

大数据

什么是大数据？
大数据如何在企业中应用？

PySpark

弹性分布式数据集
图式
拉姆达表达式
转换
行动

数据建模

重复数据
对数据的描述性分析
可视化
ML 库
机器学习包
管道

流

包装 Spark 应用

12 |数据系统设计

什么是系统设计？

IP 和 OSI 模型
域名系统（DNS）
负载平衡
聚类
缓存
可用性、可扩展性、存储

数据库和数据库管理系统

SQL 数据库
NoSQL数据库
SQL 与 NoSQL 数据库
数据库复制
指标
规范化和非规范化
CAP定理

系统设计访谈

网址缩短器
Whatsapp， Twitter， Netflix， Uber

13 |五大项目和 Git

我们遵循基于项目的学习，我们将并行处理所有项目。

14 |面试准备

15 |Git & GitHub

Git & GitHub Course

了解 Git
命令和如何提交你的第一个代码？
如何使用 GitHub？
如何做出你的第一个开源贡献？
如何与团队合作？- 第1集
如何创建令人惊叹的 GitHub 个人资料？
如何建立自己的病毒库？
免费为你的投资组合构建个人登录页面
如何在 GitHub 上增加关注者？
如何与团队合作？第 2 部分 - 问题、里程碑和项目

16 |个人资料和投资组合

资源

数据

1️⃣ 很棒的公共数据集此列表以主题为中心的高质量公共数据源。

2️⃣ NLP 数据集按字母顺序排列的自由/公共领域数据集列表，其中包含用于 NLP 的文本数据。

3️⃣ 令人敬畏的数据集工具令人敬畏的数据集工具的精选列表。

4️⃣ awesome 时间序列数据库时间序列数据库的精选列表。

5️⃣令人敬畏的网络安全数据集令人敬畏的网络安全数据集的精选列表。

6️⃣ awesome 机器人数据集机器人数据集集合。

研究起点

机器学习

统计学习导论

深度学习

强化学习

项目

以下是项目创意列表

数据科学 ML 全栈 - > 概念模板

加入 WhatsApp 社群群組

https://chat.whatsapp.com/BSUPbYhzzM1BcJplcTTIxb

社交

有什么疑问吗？

在这里给我发电子邮件： connect@himanshuramchandani.co