Итак, в этом посте я поделюсь некоторыми из своих советов и лучших ресурсов, которые я использовал, чтобы начать, когда я был совершенно незнаком с этим модным словом около 2 лет назад.
Прошло довольно много времени с тех пор, как я начал изучать науку о данных и ее основы, и я все еще учусь каждый день, чтобы совершенствоваться. Это было просто потрясающее путешествие. Наука о данных и искусственный интеллект — это новая «промышленная революция», и спрос на специалистов, умеющих извлекать знания из данных, растет в геометрической прогрессии. Так что это буквально лучшее время для всех, кто работает в этой области или кто стремится стать профессионалом в области данных и хочет учиться и начать работу, чтобы увеличить свои шансы на трудоустройство, или, скажем, хочет изучить это, чтобы испытать что-то новое или остаться обновленный и с нынешними тенденциями, или кто решает изменить свою профессиональную сферу и т. д., этот пост предоставит вам некоторые из отобранных, лучших возможных ресурсов, чтобы изучить и начать работу с наукой о данных или просто улучшить и отточить свою науку о данных, статистика и навыки машинного обучения.
Когда я начал свое путешествие и заинтересовался этой темой в первые дни моего второго года обучения в колледже, я обратился к старшекурснику, который был моим хорошим другом из моего колледжа, который недавно был переведен в известную финтех-фирму в качестве специалиста по данным. Он дал мне первоначальное руководство, топливо и ресурсы, чтобы начать работу. Так что это был хороший старт в моем путешествии в науку о данных. Так что сегодня я делаю почти то же самое для сообщества и читателей. Я поделюсь каждой подтемой, связанной с наукой о данных, и ресурсами, которые я использовал, когда начинал. Я поделюсь не только своими использованными ресурсами, но и лучшими ресурсами, доступными в настоящее время, чтобы все было правильно в изучении этого удивительного предмета.
Итак приступим-
Я всегда стремился изучать вещи на практике, поэтому DataCamp был моим первым выбором, как предложил мой старший друг. Просто таким образом вы действительно можете учиться быстрее и лучше. Таким образом, вы увидите множество курсов в приведенных ниже списках.DataCamp также имеет потрясающую библиотеку проектов. Недавно они запустили эту новую услугу, и она действительно потрясающая.Я также добавлю ссылку на Проекты DataCamp в конце этого блога. Обязательно попробуйте. Просто попробуйте их один раз, и тогда вы поймете, почему я так люблюDataCamp.
P.S. Изначально я выбрал R, потому что со школьных времен всегда любил статистику и вероятность, поэтому автоматически, не думая о том, чтобы начать с Python, я начал с R, и он мне просто нравится. Так что, пожалуйста, потерпите меня, если я немного предвзято отношусь к R. Python тоже потрясающий. Оба хороши по-своему, и я считаю, что у них есть свои варианты использования. Чтобы не волноваться любителям Python, я также буду прикреплять лучшие курсы и ресурсы по Python.
DataCamp будет предлагать подписку на первый месяц всего за 1 доллар с сегодняшнего дня до 3 декабря, 20:00 по восточноевропейскому времени. Кроме того, у них распродажа черная пятница, когда годовая подписка имеет скидку 75%. Такая распродажа у них впервые. Так что обязательно посетите DataCamp. Кроме того, DATCAMP CHEATSHEETS — очень удобный и очень полезный инструмент, которым я пользуюсь время от времени.
Поэтому сейчас самое подходящее время, чтобы получить несколько годовых подписок (которые у меня есть), которые в основном дают неограниченный доступ ко всем курсам и другим вещам вDataCamp, и сделать их плодотворными. используйте свое время, сидя дома во время этой пандемии. Так что дерзайте, ребята, и счастливого обучения, максимально используйте время карантина и выходите из этой пандемии сильнее и опытнее.
Глава 1 – Язык специалиста по данным – статистика
«Статистика — это язык специалиста по данным»
Статистика была первым и самым важным предметом, который нужно было изучить, чтобы начать работу с наукой о данных. Я тоже начал с курсов по описательной и выводной статистике в R от DataCamp,присоединившись различные группы, связанные с наукой о данных, в Facebook, LinkedIn, отслеживание и общение с профессионалами в области обработки данных, влиятельными лицами на Github и т. д. Итак, ниже приведены некоторые из моих любимых курсов по статистике и теории вероятностей.
1. Введение в статистику — это лучший курс по навыкам статистики, который учит вас всем основам статистики с использованием R, поэтому в нем есть все подкурсы. Так что, если вы не хотите бродить туда-сюда и строго придерживаться одного источника и учиться у основ, тогда дерзайте, это сэкономит вам много времени.
2. Объединение данных в R с Data.table — я прошел этот курс, когда изучал анализ данных с помощью R, и это очень помогло мне реализовать и понять предварительную обработку данных, преобразование данных. . И поверьте мне, когда я говорю это, половину времени в любом проекте по науке о данных вы будете тратить на очистку и преобразование данных. Так что этот курс тоже стоит попробовать.
3 Основы вероятности в R — эти знания о вероятности помогут вам понять статистические выводы и могут быть применены для получения выводов на основе данных.
4 Статистический анализ в R — это базовый курс, состоящий из 5 подкурсов, которые объясняют основы полной статистики вместе с практическим применением в R. Я начал мое путешествие с этим конкретным курсом. Начать этот замечательный курс было моим лучшим решением. Обязательно ознакомьтесь с этим курсом, если вы хотите полностью разобраться с полной статистикой и ее использованием.
5 Исследовательский анализ данных в R. Следующее, что нужно сделать после изучения статистики и теории вероятностей, — начать изучение данных, сбор информации и извлечение из нее знаний с помощью статистических и вероятностных методов. узнали, пройдя вышеуказанные курсы. Так что этот курс - то, что вам нужно. Одномерный, двумерный и многомерный анализ данных — это то, как вы начинаете анализировать свои данные и знать их.
6 Выводная статистика и Вывод из числовых данных – это два замечательных курса по выводной статистике и проверке гипотез. Лично мне было трудно понять выводную статистику из-за сложных и запутанных методов тестирования. Но я, наконец, понял это, используя вышеуказанный курс.
7 Для любителей Python лучше всего начать с Статистического мышления в Python.
8. Shell для науки о данных — еще один удобный и удивительный курс по использованию команд оболочки и сценариев оболочки для выполнения повторяющихся задач, запуска программ в облаке и т. д., если вы являетесь пользователем Linux или Unix.
9.Предварительная обработка данных для машинного обучения в Python также является очень важной задачей для любого специалиста по данным, поскольку специалист по данным тратит более 70% своего времени на предварительную обработку и очистку данных. Таким образом, этот курс может помочь вам изучить эти методы эффективным образом. Я тоже скоро начну этот курс, после того, как закончу некоторые из моих нынешних курсов. Я просто люблю изучать новые техники и методы.
Теперь для дальнейшего списка курсов, вы, ребята, можете искать удивительные курсы здесь курсы по статистике и вероятности
Это — потрясающая шпаргалка по вероятностным и статистическим формулам, которую я держу под рукой и использую очень часто. Скачайте его.
Глава 2 — Визуализация данных и изучение способов исследования данных!
Затем я научился визуализировать данные и строить графики, что очень важно для любого аналитика данных или ученого, хорошо изучающего данные и делящегося результатами.Теперь, чтобы изучить визуализацию данных, я не проходил какой-то конкретный курс, а изучил Youtube, Google, скачал различные шпаргалки, использовал Kaggle для поиска примеров и т. д. К этому времени я уже начал делать небольшие проекты, загружая наборы данных из Kaggle и других источников данных. Спасибо DataCamp за их интерактивные курсы, которые дают вам необходимый объем концептуальных знаний, а также помогают вам запачкать руки с помощью выбранного вами инструмента. Вы можете посетить мой Github, чтобы найти различные проекты по науке о данных, которые могут помочь вам начать работу. Тем не менее, я добавлю список курсов, которые могут вам помочь.
1. Визуализация данных с помощью R – это курс навыков, который научит вас основам ggplot2,потрясающего пакета визуализации данных в R, на самом деле это наиболее часто используемые данные. пакет визуализации от пользователей R, а также мой любимый пакет.
2. Визуализация данных с помощью ggplot2, Визуализация данных с помощью ggvis — это два замечательных пакета для построения графиков данных в R. Вы можете их проверить.
3. Функциональное программирование в R с использованием муррр — еще один замечательный и удобный курс по R для работы со списками и их обработки. И наличие этого навыка определенно пригодится при работе с большими данными и сложными данными в форме списков.
4. Этот новый замечательный курс Общение с данными с помощью Tidyverse в R действительно отличный курс, который поможет вам научиться эффективно общаться с изучить данные. В настоящее время я прохожу этот курс, чтобы узнать что-то новое и необычное, и поверьте мне, он мне нравится. Определенно стоит попробовать, чтобы научиться использовать расширенные инструменты отчетности в R, такие как RMarkdown, и создавать собственные графики и диаграммы с помощью ggplot2. Я просто считаю, что нужно быть в курсе последних и новых тенденций и пробовать новые и разные вещи.
5. Для Python Введение в визуализацию данных или Визуализация данных с боке будет отличным курсом для начала. Bokeh – это интерактивная библиотека визуализации данных для Python (и других языков!), предназначенная для презентаций в современных веб-браузерах. Он может создавать универсальную графику на основе данных и соединять всю мощь всего стека обработки данных Python с богатыми интерактивными визуализациями.
6. Управление данными временных рядов в R с использованием пакетов xts и zoo — мой еще один любимый и удобный курс для выполнения проектов, связанных с данными временных рядов и анализом временных рядов. Знание этих пакетов, безусловно, даст вам большое преимущество и сэкономит вам много времени при работе с данными временных рядов. Обязательно попробуйте и вы.
Глава 3. Начало работы с машинным обучением.
К этому времени я уже изучил статистику, вероятность и делал какие-то базовые проекты по анализу данных. Теперь я знал, как извлекать знания и идеи из данных, используя статистические концепции, визуализацию данных, одномерный, двумерный и многомерный анализ данных и т. д. Теперь, после этого, нужно начать с изучения концепций машинного обучения. Это то, что я сделал, и вы должны сделать тоже.
1 Статистическое обучение в R — этот курс, если он предлагается Stanford Online, заканчивается на Edx. Я начал с этого курса. Я считаю, что вы не можете найти другого лучшего курса, чтобы начать понимать основные математические концепции, лежащие в основе основных методов обучения с учителем и без учителя. Мне понравился этот курс. Они также учат вас методам статистического обучения в R. Таким образом, предварительным условием является то, что вы должны знать R. Итак, это очень большой и длинный курс. Так что вам действительно нужно много времени и терпения, чтобы завершить его. Есть и pdf-версия книги, которую преподаватели преподают на онлайн-курсе здесь. Так что вы также можете скачать книгу и прочитать ее.
Я не упомянул курс машинного обучения Эндрю Нг, потому что никогда им не занимался. Кроме того, я рад, что сначала прошел курс Статистическое обучение в R. Это был лучший выбор. Вы по-прежнему можете пройти курс Andrew Ng’s от Coursera. Но я лично настаиваю на том, чтобы читатели сначала опробовали предыдущий курс Stanford Online. Вы почувствуете разницу, как только начнете.
2. Машинное обучение с помощью R – это фантастический курс, который представляет собой практически все основы машинного обучения в одном месте. Если вы выберете этот замечательный курс, вам не придется бродить по разным местам. и тратить свое время и энергию на то, чтобы не знать, что делать. Так что обязательно попробуйте, если вы хотите с нуля изучить основы машинного обучения в R. Точно так же она подойдет и любителям Python Машинное обучение с Python.
3. Инструменты машинного обучения в RилиВведение в машинное обучение—эти 2 курса научат вас основам машинного обучения в R. Он также фокусируется на таких методах, как перекрестная проверка и поиск по сетке для настройки модели. На самом деле это действительно хороший курс для начала работы с машинным обучением в R. Поэтому я настаиваю на том, чтобы читатели попробовали их, если они хотят прояснить свои концепции машинного обучения с нуля.
4.Прогнозный анализ в R для сетевых данных — это новый курс, который я недавно начал делать просто ради того, чтобы узнать что-то новое. По сути, этот курс лучше всего подходит для человека, который хочет начать с анализа сетевых данных и прогнозного моделирования сетевых данных.
5. Обучение с учителем с помощью Scikit-learn — это лучший курс Python для начала работы с машинным обучением.
6. Обучение без учителя в Python —еще один мощный курс по обучению и внедрению обучения без учителя в Python.
7. Обучение без учителя в R — для пользователей R этот курс по внедрению и пониманию обучения без учителя мой любимый. Проверьте это.
8. Кластерный анализ в R — Кластерный анализ в R — это еще один замечательный курс по обучению без учителя, но в нем особое внимание уделяется двум наиболее важным типам методов кластеризации — K- средства и иерархическаякластеризация. Так что, если вам интересно изучать неконтролируемое обучение, то этот курс был бы замечательным для начала. Поверьте мне, когда я говорю это: Обучение без учителя немного сложнее и труднее для понимания, чем обучение с учителем, из-за отсутствия заранее определенной проблемы и цели.
9. Обнаружение аномалий в R —Еще одна интересная тема в машинном обучении, которой не придается особого значения, но она действительно потрясающая. Так что, чтобы попробовать и узнать что-то новое и необычное, вы определенно можете выбрать этот.
10. Обучение ансамблем и моделирование на основе дерева в R —Этот конкретный курс потрясающий. Я завершил это. Клянусь, мне это очень понравилось. Я хотел учиться и углубляться, чтобы понять модели на основе дерева, а также изучить обучение в ансамбле. Итак, ребята, это то, что вам нужно, если вы хотите глубже изучить древовидное моделирование в R.
Другие курсы по машинному обучению можно найти здесь.
Поэтому, проходя различные курсы по машинному обучению, я также одновременно выполнял различные проекты, чтобы реализовать то, что я изучал. Так что это на самом деле очень хорошая практика. Это показывает, что вы трудолюбивы, страстны, решительны и действительно сосредоточены на том, что вам нравится и нравится. Потому что дело только в том, чтобы ходить на курсы, а учеба сделает тебя глупым, а потом станет очень скучно. На мой взгляд, вам нужно запачкать руки, делать что-то самостоятельно и получить реальное представление об этом. Только так вы действительно сможете быстро учиться и понимать вещи. Кроме того, вы узнаете и познакомитесь с массой новых вещей, которым не научит ни один из курсов. Итак, ребята, проведите эксперимент самостоятельно и запачкайте руки, выполняя вышеуказанные курсы. Хотя курсы DataCamp довольно удивительны, когда дело доходит до того, чтобы запачкать руки и практически реализовать различные техники. Но тем не менее, исследуйте и узнавайте новое. Это также отличное занятие для вашего мозга.
Таким образом, к этому времени большинство предметов и основ, необходимых для изучения науки о данных, уже были пройдены или находились в процессе. Прошел уже год или около того моего пути в науку о данных и с момента моего первого курса. Вы должны быть терпеливы, и у вас должна быть эта внутренняя мотивация и тот драйв, который заставляет вас делать то, что вы любите. Я видел людей, которые начали учиться, но так и не закончили ни одного курса. Им не хватало страсти и решимости.
Итак, в основном после этого все зависит от вашего интереса, куда вы хотите вложить полученные знания из вышеперечисленных вещей и курсов. Вы можете выполнять проекты, начинать исследовательскую работу, участвовать в конкурсах Kaggle, создавать приложения, вести блоги, изучать использование машинного обучения и науки о данных в некоторых конкретных областях, таких как глубокое обучение, обработка естественного языка, компьютерное зрение, экономика и финансы. финансовая эконометрика, прогнозирование временных рядов и т. д. Например, у меня есть дополнительный интерес к экономике, вычислительной статистике и эконометрике.
Поэтому после этого мне стало интересно узнать и узнать больше о глубоком обучении и искусственном интеллекте. Я начал писать статьи и посты о науке о данных, статистическом моделировании и т. д., чтобы делиться своими знаниями с такими же, как я. В конце поста добавлю ссылки на свои блоги.
Глава 4. Все глубже и глубже погружаемся в глубокое обучение и искусственный интеллект.
Теперь, после изучения всего вышеперечисленного, следующим шагом будет начать разработку приложений и начать с глубокого обучения для решения проблем. Курсы, которые лучше всего подходят для начала работы с глубоким обучением и другими приложениями науки о данных и машинного обучения:
1. Глубокое обучение в Python с использованием Keras — это буквально лучший курс для начала работы с глубоким обучением. Этот курс написан на Python и учит, как использовать знаменитый пакет Keras. Я прошел этот курс. Так что для всех читателей это будет лучшим выбором для начала работы с глубоким обучением.
2. Создание CNN для обработки изображений с использованием Keras —это еще один лучший курс по глубокому обучению и построению основ обработки изображений. В настоящее время я тоже прохожу этот курс, так что все энтузиасты обработки изображений и глубокого обучения, это то, что вы хотели бы сделать дальше.
3. Создание чат-ботов на Python — если вы больше сосредоточены на изучении стороны глубокого обучения, связанной с разработкой приложений. Этот курс идеально подходит для вас. Когда все сделано правильно, взаимодействие с компьютером на человеческом языке невероятно мощно, а также довольно весело. Устройства для обмена сообщениями и голосового управления являются следующими крупными платформами, и диалоговые вычисления играют большую роль в создании увлекательных впечатлений от дополненной и виртуальной реальности. Таким образом, этот курс поможет вам начать путь к созданию таких приложений.
4. НЛП в Python с использованием NLTK —обработка естественного языка в Python лучше всего подходит для знакомства с основами интеллектуального анализа текста и обработки естественного языка в Python. интерес.
5. Маркетинговая аналитика в R. Этот курс в основном поможет вам изучить и поддержать процесс принятия бизнес-решений на основе данных, а не вашей интуиции с использованием статистического моделирования в R. Этот курс может быть потрясающим. для начинающих бизнес-аналитиков и аналитиков решений, которые также часто работают вместе с учеными по данным. Это определенно добавлено в мой список желаний.
6. Интеллектуальный анализ текста в R — я также прошел этот курс, чтобы научиться анализировать текст в R. Подсчитано, что более 70% потенциально полезной бизнес-информации неструктурировано, часто в виде текстовых данных. . Так что это была мотивация для прохождения этого курса. И позвольте мне добавить, что тематическое исследование, проведенное в последней главе этого курса, было просто потрясающим. Это было что-то, связанное с HR-аналитикой и анализом отзывов Google и Amazon. Проект был потрясающим. Так что идите на этот курс, не задумываясь, если вы заинтересованы в анализе текста.
7. Конфиденциальность данных и анонимизация в R — действительно новый курс о том, как кодировать основные методы и методы обеспечения конфиденциальности данных, а также дифференциально-приватный алгоритм, основанный на различных дифференциально-приватных свойствах. Конфиденциальность данных вызывает все большую озабоченность общественности. Поэтому, если вы хотите научиться чему-то другому, уникальному и модному, этот курс вам подходит. Я недавно начал с этого курса, и он мне очень нравится. Это просто потрясающе, когда ты постоянно получаешь новые знания, чтобы учиться. Это просто держит вас в игре. Так что не забудьте попробовать это, если интересно.
8. Создание веб-приложений на R с использованием Shiny.Этот курс по созданию веб-приложений на R очень помог мне в разработке основных веб-приложений и информационных панелей для различных проектов. Это тоже бесплатный курс. Так что попробуйте, если вы хорошо владеете R и хотите научиться разрабатывать веб-приложения, развертывать свои прогностические модели в качестве веб-службы, проектировать и разрабатывать красивые интерактивные информационные панели для своих проектов по науке о данных. Я реализовал различные проекты с использованием Shiny, и вы можете найти их в моем профиле на Github.
9. Введение в Spark в R с использованием sparklyr —Apache Spark — известная платформа для обработки больших данных, широко используемая в различных отраслях. Пакет sparklyr позволяет вам писать код dplyr R, который работает в кластере Spark, предоставляя вам лучшее из обоих миров. Так что вы можете пойти на этот случай, если вы заинтересованы в анализе и обучении легкой обработке огромных наборов данных. Я сейчас прохожу этот курс. До сих пор это было удивительно.
10. PySpark для Python — этот курс научит вас использовать Spark из Python. Таким образом, пользователи Python могут в рамках этого курса научиться использовать Spark в Python.
11. Изучение Git для управления версиями. Теперь, если вы не знакомы с git, я настоятельно рекомендую и настаиваю на том, чтобы читатели прошли и опробовали этот курс по использованию GitHub для управления версиями. Профиль GitHub в настоящее время представляет собой резюме разработчика программного обеспечения или специалиста по данным. Кроме того, это бесплатный курс.
12. Недавно я также начал курс Прикладные финансы в R, это действительно потрясающий курс для человека, который занимается финансами, экономикой и т. д. Просто удивительно, как много всего можно сделать. используя науку о данных. У меня просто есть побочный интерес к экономике и финансам, поэтому я начал эти курсы недавно. Это действительно приятно и удивительно. Таким образом, люди вроде меня, интересующиеся финансами и экономикой, могут начать с этого курса. Поверьте мне, это стоит попробовать, даже если у вас мало знаний в области экономики или если вы сначала хотите изучить основы финансов, тогда Основы финансов с использованием R — то, что вам нужно.
Вы можете просмотреть полную библиотеку курсов DataCamp здесь и начать с любой темы по вашему выбору.
Проекты DataCamp
Недавно, в этом году, Datacamp запустил еще одну замечательную услугу, а именно Проекты DataCamp. Здесь вы можете начать с любого проекта по вашему выбору и завершить его. Поэтому, как только вы освоите навык, вы можете применить этот навык в теме проекта по вашему выбору, и, что самое приятное, они научат вас, как начать работу над проектом и применить в нем нужные навыки.
Одним из таких интересных проектов, который я недавно начал, был Действительно ли левши умирают молодыми?. Мне очень нравится проходить этот курс. И есть много таких других забавных и странных тем. Так что, если у вас нет на примете никакого проекта, теперь вы знаете, куда пойти и проверить свои навыки в области науки о данных. Полную библиотеку проекта можно найти здесь.
БОНУСЫ — ПОЛНЫЕ НАУКИ О ДАННЫХ
Теперь, если вы готовы потратить дополнительное время и энергию на изучение основ в рамках единого курса, который учит вас всем основам от самых основ до продвинутого уровня науки о данных, то вы определенно можете выбрать этот курс DataCamp. курсы-
2. Исследователь данных с Python
Вышеупомянутые курсы отслеживания также будут включать все вышеупомянутые курсы, перечисленные в разделах выше. На самом деле я прошел курс Исследователь данных с R, который включал в себя все различные курсы, которые я включил в разные разделы этой публикации, в один курс. Поверьте мне, трековые курсы просто потрясающие, когда речь идет об обучении с нуля надлежащим поэтапным образом и постепенном наращивании навыков.
Так что, в основном, это ваш выбор: если вы хотите изучить конкретную тему, тогда отправляйтесь на отдельные курсы или, если вы новичок и хотите учиться с нуля и с основ, тогда идите на эти курсы трека, которые будут включать в себя все соответствующие курсы. и важные темы и курсы в 1 единый курс и поможет вам построить правильный набор навыков в хорошей поэтапной манере.
БЛОГИ
Вот некоторые из моих любимых блогов, которые замечательны, когда дело доходит до обмена лучшими и полезными статьями по науке о данных:
2. KdNuggests
Глава 5. Делитесь своими знаниями и совершенствуйтесь.
Теперь, после всего этого, все, что вам нужно, это быть в курсе, продолжать учиться новому, окружать себя вдохновляющими людьми. Самое главное — поделиться тем, чему вы научились, и ваши знания — это величайший источник счастья. Внутренняя мотивация, страсть и решимость, на мой взгляд, важнее, чтобы стать тем, кем вы действительно хотите быть.
Что я делаю сегодня, спустя почти 2 года на пути науки о данных?
Я пишу статьи, веду блог, делюсь своими знаниями и ресурсами, которые действительно помогли мне стать тем, кем я являюсь сегодня, со всеми вами, как этот пост, который вы прочитали сегодня. Я делаю различные проекты по науке о данных постоянно и регулярно. И самое главное, я все еще учусь и расту каждый день. Моя цель — стать лучше, чем я был вчера. И это действительно должно быть вашей целью в любой жизненной ситуации.
ЗАКЛЮЧЕНИЕ
Итак, это моя история о том, как я начал заниматься наукой о данных, как я это сделал и откуда я это сделал. Я действительно уверен, что этот пост и упомянутые ресурсы помогут вам, как и мне. Кроме того, продолжайте исследовать Интернет, вы найдете удивительные ресурсы и на других ресурсах, которые не были упомянуты в этом посте.
Поделитесь со мной своей историей и тем, как вы начали свой путь к тому, чтобы стать специалистом по данным, а также любыми другими полезными ресурсами в комментариях ниже.
Надеюсь, вам всем понравился пост. Не забудьте поставить лайк и поделиться им. Удачного обучения!!.
Вы можете связаться со мной по любой из ссылок на мой профиль в социальных сетях ниже —
1. Github-https://github.com/anishsingh20
2. Linked In-https://www.linkedin.com/in/anish-singh-walia-924529103/
3. Твиттер-https://twitter.com/anish_walia
4. средний-https://medium.com/@anishsinghwalia
5. Блог Datascienceplus-https://datascienceplus.com/author/anish-singh-walia/
6. Блог Rpubs-http://rpubs.com/anish20
