作者pachinko (pac)
看板Python
标题Re: [问题] 如何有系统的用MOOC学python
时间Tue Jun 27 22:04:40 2017
哈喽你好，
我正在付费上课 Udacity 另一个 "Data Analyst" nanodegree, 可能是比 ML
nanodegree 容易一点，但比较全面。
这有一篇 review:
https://medium.com/@davidventuri/review-udacity-data-analyst-nanodegree-1e16ae2b6d12
全面是指：前面也有前辈提过的 "data cleaning" 部分、statistics 观念、data
visualization.
这些都不一定是用 python, 但都蛮重要的。
Sebastian Thrun & Katie Malone 的那个 Intro to Machine Learning 的课我觉得还不
错，算是手把手了，如果你已经开始了，就继续上完吧。
至於怎样才算「用Mooc自学成功」…
之前四月我上了 Coursera Andrew Ng 的课，做完作业、付费、拿到证书。
Prof. Ng 的课比较难，每一章的作业我都痛苦写很久。我有一边参考 Thrun & Malone
的课，一边 google quora 上搜寻某些观念，
像是 google search: svm intuition quora 等等。
拿到 coursera 证书之後我去丢履历找初阶 data engineer 工作，有家创业公司给我工
作机会。
这个面试当中完全没有考 "python 语言的实做"，而是问一些观念「如果我们今天要用
machine learning 解决某问题、做某产品，那你会如何做？」
但是工作本身当然是要写 python 程式，而且不止 python, 而是 data analyst
nanodegree 里面那些东西都要做。
关於 MOOC 课程评价，以下两个网站可以参考：
https://www.class-central.com/search?q=machine+learning
https://www.coursetalk.com/search?q=machine+learning
如果用 python 做网站，而不是做 data 方面，那可能迟早会面对到 testing, TDD 这件
事情。
网页写出来之後更多时间是在维护，这本书讲这个：
http://www.obeythetestinggoat.com/pages/book.html#toc
我之前工作了四、五年之後才接触到 TDD, 然後感慨原来之前自己写的程式是那麽不稳固
又难以维护。
你写到一句："有点担心python没学好就跳坑会乱"，我个人是觉得不用太担心这个，因为
本来就很难定义「学好」。
光是学好一个特定语言，是不够的，本来就会因为你想做出来的成品不同，而必须摸到其
他一堆知识。
所以可能很多人都是 python, HTML, javascript, testing, AWS 都要摸一些。
※ 引述《Herodote (Herodote)》之铭言：
: 主要是想用MOOC有系统性的学完python，之後完成Udacity的Machine learning的
: Narodegree
: 版上爬文学python是说要以完成project为主
: 但感觉自己还缺一些概念，而且也不知道到底要先完成什麽project好
: 也不知道如果要实做能做出展示给别人看的project要到什麽程度
: 以及是否有那种手把手的影片带?
: 不知道有没有用Mooc自学成功的?
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 111.250.63.102
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Python/M.1498572287.A.51F.html
1F：推 Herodote: 感谢回复，但想问您会付费的动机是?因为他似乎一个月只 06/27 22:23
2F：→ Herodote: 两次助教可谘询。 06/27 22:23
3F：推 Herodote: 然後Andrew Ng的不是用python来演练，不知道会不会很难@ 06/27 22:25
4F：推 HenryLiKing: Intro to Machine Learning 这堂的好是那个点呀？ 06/27 22:51
5F：→ HenryLiKing: 小弟我正在看(免费的) 06/27 22:51
6F：→ HenryLiKing: 但是觉得好像没有讲很深耶，算是讲很多用法没有讲原 06/27 22:51
7F：→ HenryLiKing: 理(不过我觉得他们教的很用心~!) 06/27 22:51
8F：推 Herodote: 我也在看上面那堂，以学习的角度先把基础打好比较好 06/27 23:07
9F：→ Herodote: 但之後我就不知道要看林轩田还是Andrew Ng好了? 06/27 23:07
10F：推 hung0724: Andrew 的我觉得比较好吸收一点 06/27 23:44
11F：→ bobju: Andrew Ng的课还不错, 不过授课过程小错误颇多, forum里面 06/28 00:42
12F：→ bobju: 洋洋洒洒挑出一堆. 不过这些不妨碍课程中所要传达的内容. 06/28 00:43
13F：→ bobju: 它的作业要用一种叫做octave(或是MATLAB)的语言交付. 没有 06/28 00:46
14F：→ bobju: 很难, 而且作业当中有不少提示引导你把主要部份写出来即可 06/28 00:46
15F：→ bobju: , 解决问题的框架是已经先弄好. 06/28 00:47
16F：→ bobju: 至於上课的先导知识就是大一微积分、线性代数, 也不需要练 06/28 00:50
17F：→ bobju: 到很强的程度, 一般程度就行了. 06/28 00:50
18F：推 Herodote: 好奇林的难度高是讲得比较深?还是教的比较不好(默。) 06/28 03:47
19F：→ pups003: 回楼上，作业略难 06/28 05:01
20F：推 hung0724: 课程中撒了一堆公式跟推导，比较难吸收一点 06/28 11:26
付费的动机是想要给自己一点压力，真的去全部完成。 :)
其实在技术上也可以「先把课程看完，准备好要写 project 的时候再开始付费」，
davidventuri 那篇 review 了。
我是觉得没差那几个月的学费，既然有在看人家 video 就是有在用服务，我就付钱。
Thrun & Malone 的 "Intro to Machine Learning" 好的点是讲得真的很简单。
我统计跟机率太差了，要从最简单入门来减少挫折感。
※ 编辑: pachinko (111.250.62.185), 06/28/2017 14:32:16