数据科学和机器学习的前11个资源： 1. Kaggle：提供数据集、竞赛和教育资源。 2. DataCamp：提供在线课程和实践项目。 3. Towards Data Science：一个博客平台，分享数据科学和机器学习的文章。 4. Udacity：提供免费的入门数据科学课程。 5. Coursera：提供数据科学和机器学习的在线课程。 6. Machine Learning Mastery：提供机器学习和深度学习的教程和资源。 7. Towards AI：一个人工智能和机器学习的在线社区。 8. Analytics Vidhya：提供数据科学和机器学习的教程和竞赛。 9. Reddit - Data Science：一个关于数据科学的社区。 10. Google Developers YouTube Channel：Google开发者的YouTube频道，包含有关机器学习和数据科学的视频。 11. 天池：阿里云提供的数据科学和机器学习竞赛平台。

数据是新的石油。而机器学习则是燃料。掌握这两者的人将掌控世界。

不，以上并不是从反乌托邦小说中摘取的华而不实的词句。

这是现实。

新的世界秩序完全取决于收集大量相关数据并将其加工成可行动的见解，这是人类历史上无法做到的事情。这种技术可以使一个国家领先于其他国家，并最终统治世界。

因此，这对于世界上的进步国家来说非常重要。

一个赚钱的职业选择

撇开国际阴谋不谈，数据科学和机器学习是一个极具潜力的新领域。需求非常大（委婉地说），而数据科学家的数量不够。即使是普通水平的数据科学家也不够。

好像我们突然发现了许多新的可居住的星球，但没有足够的人口来迁居。我可以继续说个没完没了，然后像坏掉的唱片一样重复，但我认为这个信息图表做得更好：

所以我们可以看到薪水起薪在50000美元以上，而经理的薪水甚至可以超过250000美元。

不仅如此，每个人每秒钟都会产生1.7MB的数据。这是终身产生的3500多TB的数据，这个数据比我们现在知道如何处理的数据还要多，更别说用于分析了。说未来光明是对这块崭新的牧场的不敬。

数据科学和机器学习难吗？

好问题！

从我的经验来看，答案既是“是”也是“不是”。

数据科学（以及机器学习）是研究和推动技术发展的最困难的事情。对于这样的工作，即使拥有计算机科学和数学博士学位也是不够的。但是，普通人既没有这样的野心，也没有时间进行这样的追求。

另一方面是我称之为“应用数据科学和机器学习”的领域。

也就是说，你使用现有的工具、技术和算法来解决一些实际问题。这部分需要专注、洞察力和创造性思维（以及对一些简单数学概念的了解，这些概念可以很快学会），但是就真正的“技术”知识而言，它比软件工程师的工作要宽松得多。

换句话说，这并不容易，但根据“回报与投入比”的比较，这是最好的选择之一。

既然你已经做好了成为数据科学家和机器学习工程师的决心，那么让我们开始探索目前最好的选择。

机器学习（Google）

很少有人知道，但谷歌有一个广泛的、高度实用的机器学习课程。根据该公司的说法，这是他们推进人工智能/机器学习技术并将其知识公开的一部分承诺。

这门课程最好的地方在于没有先决条件，但准备好自己花更多的时间来探索统计学概念。

我的意思是，这不是必需的，但如果你对高级统计学没有任何背景知识，那么这门课程中的解释可能不够。另一个问题是，这门课程通过TensorFlow引入机器学习，TensorFlow是谷歌开发的一个机器学习实现。因此，从某种意义上说，谷歌旨在推广其用于机器学习的API。但考虑到这门课程提供的价值，我不认为这应该成为一个障碍。

如果说有什么问题，TensorFlow是深入机器学习并广受欢迎的一种简单方法之一（有关AI框架的比较，请参见this）。