15 个免费学习数据科学的 YouTube 频道

数据科学被誉为21世纪最热门的职业。据ZipRecruiter网站显示，数据科学家入门级年薪约为6.9万美元，中级数据科学家的平均年薪约为8.9万美元。由于该行业发展前景广阔，对数据科学家的需求也呈指数级增长。本文将介绍15个YouTube频道，您可以免费入门并学习数据科学。

1. Freecodecamp

FreeCodeCamp无需多言，它是我学习计算机科学概念的首选频道。FreeCodeCamp的数据科学家播放列表包含了数据科学、数据可视化、数据分析等方面的视频。

Data Science Dojo 是一个非常棒的频道，视频观看量超过 300 万，拥有 70.3 万订阅者。他们面向全球举办为期 5 天的数据科学训练营，已有来自全球 1500 多家公司的 4000 多名专业人士参加。您可以在这里查看他们 2021 年的日程安排。Data Science Dojo 是少数几个发布 R 和 Python 编程语言数据科学教程视频的频道之一。您可以点击这里浏览他们的播放列表。

3. 365 数据科学

365 Data Science 频道拥有超过 600 万的观看量和 17.2 万订阅者，其视频内容涵盖概率论基础、概率分布、数据科学各岗位职业发展路线图以及其他相关主题。此外，他们还在其网站365datascience.com上提供 Python、数据预处理、SQL、数据可视化、深度学习等课程。

4.与 Josh Starmer 一起参加 StatQuest 活动

对于想要学习统计学和机器学习的人来说，StatQuest 简直是一座宝库。它将复杂的统计学和机器学习方法拆解成易于理解的小模块。StatQuest 并没有降低学习难度，而是循序渐进地提升你的知识水平，让你对统计学和机器学习有更深刻的理解。

这个频道拥有超过2200万的观看次数和超过46.6万的订阅者。你可以从这里访问StatQuest的播放列表。

5.分析师 Alex

如果你想专注于数据科学中的数据分析方面，Alex 就是你的最佳选择。他的节目《Alex the Analyst Show》是我最喜欢的网络资源之一。如果你想要的是实际操作建议而不是教程，一定要去看看他的节目。

6. Ken Jee

Ken Jee 过去五年一直从事数据科学领域的工作，专注于体育分析。他曾在多家公司担任数据科学职位，包括初创公司和财富 100 强企业。他的 YouTube 频道拥有超过 300 万的观看量和 13.2 万订阅者。他创建了一些非常棒的播放列表，内容涵盖数据科学工作、数据科学基础、数据科学项目等等。

7.数据营

DataCamp 的 YouTube 频道拥有超过 1400 万的观看次数和 11.2 万订阅者。DataCamp 通过其官网 DataCamp.com上的课程，已为全球 600 万人提供了教育资源。他们还设有R 语言数据科学教程和Python 数据科学教程的播放列表。如需了解其课程的评价，我推荐观看Alex 关于 DataCamp 的视频。

8.数据教授

查宁·南塔塞纳马特（Chanin Nantasenamat），又名“数据教授”，是某研究型大学的生物信息学教授，领导着一个利用数据科学挖掘医学大数据中隐藏知识的研究实验室。查宁在数据科学领域拥有超过15年的经验，发表了100多篇研究论文、综述文章和书籍章节。

他的播放列表——数据科学 101、数据科学工具箱、Python 数据科学项目和R 数据科学项目——简直太棒了。

9. 3蓝1棕

3Blue1Brown 提供关于数学和娱乐概念的动画教程。它是理解微积分、微分方程、神经网络等各种数学概念的绝佳资源。

10.克里什·奈克

Krish Naik是一位资深数据科学家，在机器学习、深度学习和计算机视觉领域拥有丰富的经验，同时也是一位教育家和导师，拥有超过8年的行业经验。在他的频道中，Krish结合许多实际问题场景，讲解了机器学习、深度学习和人工智能等各种主题。

这个频道最棒的地方在于，Krish制作了一个视频，讲解如何通过他的频道学习数据科学，并按不同的播放列表进行学习。播放列表的顺序是：Python机器学习-> [机器学习中的统计学]( https://www.youtube.com/playlist?list=PLZoTAELRMXVMhVyr3Ri9IQ-t5QPBtxzJO ->特征工程->机器学习->机器学习流水线->深度学习->项目。

11.代码基础

Code Basics 是 Dhaval Patel 的频道，他拥有超过 15 年的软件工程师经验。他的频道拥有超过 1600 万的观看量和 28.4 万订阅者。他创建了一个包含 111 个视频的数据科学播放列表，内容涵盖 Python、Jupyter Notebook、Numpy、Pandas 和 Matplotlib 等数据可视化工具，以及使用 sklearn 进行机器学习和使用 tensorflow 2.0 进行深度学习。