全文共字，预计学习时长14分钟
在21世纪，传统教育已经转变为一种选择，而不是人生中的必经阶段。
随着互联网的繁荣和大规模网络公开课（mooc慕课）的兴起，人们可以选择在线学习数据科学，以避免学生的债务负担。
统计数据显示，线上教学使学生在每小时的训练中可以多学习5倍的材料。在线学习的好处是无限的，包括降低成本和灵活的时间安排和环境。
数据科学的民主化
现在是年，数据科学比以往更加民主化。这意味着任何个人只要有适当的工具和大量的数据，就可以在几乎没有专业知识的情况下进行数据科学研究。随着数据渗透到整个行业的每一个角落，拥有数据科学家的技能是大势所趋，也因此产生了一支会说数据语言的员工队伍。
考虑到这一点，通过在线课程，对于一个完全的初学者来说，开始研究数据科学是可能的。所需要的只是一个结构合理的学习课程、正确的学习方法、坚持不懈的动力和激情以及辅助训练项目。
如何线上学习数据科学？
最好的慕课+正确的学习方法+激情+项目
所以在这篇文章中，我将介绍最好的慕课，它们是免费的，对于想成为数据科学家的人是非常有价值的。
数据科学韦恩图
DrewConway数据科学的多学科交叉性可以通过德鲁·康威这张饱受嫌弃的维恩图可视化。通过这个图表，我们可以推断出数据科学领域包括黑客技能、机器学习和多重变量分析。
我已经排除了领域专业知识，因为这取决于你所在的公司，而在线课程无法获得沟通技能等硬技能，你需要与现实生活中的人交谈才能做到这一点（尽管这可能令人畏缩）。
以下20个课程将分为3个部分:
1.数据科学
2.黑客技能
-Python
-R语言
-结构化查询语言
3.机器学习与人工智能
-机器学习与人工智能基础
-深度学习
-自然语言处理
-计算机视觉
我没有实地考察不同课程，也没有花几个小时过滤网上的干扰信息，而是编辑了这个列表，其中包含了我发现在机器学习、人工智能、数据科学和编程学习中很有用的课程。
下面，就来看看这个列表吧！
慕课
0.学会如何学习
这门课程能教你的人生中最重要的技能之一，就是学会如何学习。它会教你一些技巧和方法，确保你能记住你所学到的东西，并帮助你在现实生活中应用它们。因为拥有正确的学习方法是学习任何东西的一个重要先决条件，这就是为什么它被列为序号0，因为它为下面的每一门课程奠定了基础。
数据科学
1.CS数据科学——哈佛
CS是介绍调查的五个关键方面的课程:
·数据纠缠、清理和取样，以获得合适的数据集
·数据管理能够快速、可靠地访问大数据
·产生假设和直觉的探索性数据分析
·基于回归和分类等统计方法的预测
·通过可视化、故事和可解释的摘要来交流结果。
另外，它是用Python教的！
2.从数据中学习——加州理工
对于所有数据爱好者来说，深刻理解机器如何从数据中学习以及如何改进处理过程是至关重要的。这是一门介绍机器学习的课程，包括基本理论，算法和应用。
你将学到什么:
·学习是什么？
·机器能学习吗？
·如何做到？
·如何做好？
3.大数据概论——加州大学圣地亚哥分校
现在是大数据时代，所有的数据科学爱好者都有义务去了解大数据是什么以及它为什么重要。
你将学到什么:
·大数据问题、应用程序和系统背后的术语和核心概念。
·大数据在个人的业务或职业生涯中有多大用处。
·介绍最常用的框架之一Hadoop
4.数据科学——约翰·霍普金斯大学（JHU）
简而言之，本课程教你如何提出正确的问题，操作数据集，以及创建可视化来交流结果。
你将学到什么:
·使用R语言来清理、分析和可视化数据。
·从数据采集到发布，浏览整个数据科学管道。
·使用GitHub管理数据科学项目。
·使用回归模型执行回归分析、最小二乘和推断。
最后，你将拥有一个顶点项目，在这个项目中，通过应用真实世界的数据构建一个实际产品，并有所学习。然后，这个作品将描绘你新获得的数据科学实力。
数学
5.机器学习专业化的数学——伦敦帝国理工学院
这门课程是机器学习的数学专业，它涵盖了你需要的所有数学知识，帮助更新你在学校可能已经忘记的所有概念和理论。最重要的是，这门课程教你计算机科学的应用，让你对矩阵和回归与机器学习和数据科学的关系有更直观的认识。
这一专业分为三个主要课程:
1.线性代数
2.多元微积分
3.降维主成分分析
在这个专业的最后，你将获得必要的数学知识以继续你的旅程，并采取更高级的课程在机器学习。
6.线性代数——麻省理工
由独一无二的吉尔伯特·斯特朗教授授课。斯特朗先生是最好的线性代数讲师（个人认为）。因此，如果你正在寻找一个好的线性代数课程，那就是它了。
本课程涵盖矩阵理论和线性代数，强调在其他学科有用的主题。
7.多元微积分——麻省理工
多元微积分是数据科学中的另一个重要概念。从简单线性回归到支持向量机，以及神经网络，微积分都是必要的。
本课程涵盖多元函数的微分、积分及向量微积分。
8.概率与统计——斯坦福大学
概率和统计是数据科学中所有奇迹发生的基础。如果没有p值分布和二项分布以及所有行话，用数据进行预测将是不可能的。
你将学到什么:
1.探索性数据分析
2.产生数据
3.概率
4.推论（Inference）
遗憾的是，这个课程已经结束了，所以下面是一个复习课程！或者如果你想要卡内基梅隆大学的类似课程，