原文：
www.kdnuggets.com/5-free-courses-to-master-math-for-data-science
图片由storyset on Freepik提供
在学习数据科学时，建立良好的数学基础将使你的学习之旅更轻松且更有效。即使你已经获得了你的第一个数据职位，学习数据科学的数学基础也只会进一步提升你的技能。
1. 谷歌网络安全证书 - 快速通道进入网络安全职业。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT
从探索性数据分析到构建机器学习模型，拥有良好的数学基础，如线性代数和统计学，将使你更好地理解为什么你做什么。所以即使你是初学者，这个课程列表也将帮助你学习：
-
基础数学技能
-
微积分
-
线性代数
-
概率和统计
-
优化
听起来有趣，是吗？让我们开始吧！
数据科学课程要求你在数学方面有一定的基础。具体来说，大多数课程假设你对高中代数和微积分感到舒适。如果还没有，也不用担心。
数据科学数学技能课程，由杜克大学在 Coursera 上提供，将帮助你在尽可能短的时间内掌握数学基础。课程内容包括：
-
问题解决
-
函数和图形
-
微积分简介
-
概率简介
建议你在开始其他深入探讨特定数学主题的课程之前，先学习这门课程。
链接: 数据科学数学技能 – 杜克大学在 Coursera 上的课程
当我们谈论数据科学中的数学时，微积分绝对是你应该熟悉的内容。但大多数学习者发现高中微积分令人畏惧（我也经历过！）。然而，这部分是因为我们学习的方式——主要关注概念、少量说明性示例和大量练习题。
但如果有有用的可视化帮助你从直觉到方程，专注于为什么，你会更好地理解和学习微积分。
微积分课程由 3Blue1Brown 的 Grant Sanderson 讲授，正是我们所有人需要的！通过一系列带有超级有用的可视化的课程——尽可能从几何到公式——这门课程将帮助你学习以下内容以及更多：
-
极限和导数
-
幂法则、链式法则、积法则
-
隐式微分
-
高阶导数
-
泰勒级数
-
积分
作为数据科学家，你所处理的数据集本质上是维度为 num_samples x num_features 的矩阵。因此，你可以将每个数据点视为特征空间中的一个向量。所以理解矩阵的工作原理、矩阵的常见操作、矩阵分解技术都是重要的。
如果你喜欢了 3Blue1Brown 的微积分课程，那么你可能同样会喜欢 Grant Sanderson 的线性代数课程，甚至可能更加喜欢。线性代数课程将帮助你学习以下内容：
-
向量和向量空间的基础
-
线性组合、跨度和基
-
线性变换和矩阵
-
矩阵乘法
-
3D 线性变换
-
行列式
-
逆矩阵、列空间和零空间
-
点积和叉积
-
特征值和特征向量
-
抽象向量空间
统计学和概率是你数据科学工具箱中极好的技能。但这些技能绝不是易于掌握的。然而，掌握基础并在其上构建相对较容易。
统计与概率课程来自 Khan Academy，将帮助你学习开始更有效地处理数据所需的概率和统计知识。以下是涵盖的主题概述：
-
分类和定量数据分析
-
数据分布建模
-
概率
-
计数、排列和组合
-
随机变量
-
抽样分布
-
置信区间
-
假设检验
-
卡方检验
-
方差分析（ANOVA）
如果你对深入研究统计感兴趣，也可以查看 5 个免费课程掌握数据科学中的统计。
链接: 统计与概率 - 可汗学院
如果你曾经训练过机器学习模型，你会知道算法学习模型参数的最佳值。在后台，它运行优化算法以找到最佳值。
机器学习优化速成课程来自 Machine Learning Mastery，是一个全面的资源，用于学习机器学习中的优化。
该课程采用代码优先的方法，使用 Python。因此，在了解优化的重要性后，你将编写 Python 代码来查看流行的优化算法的实际效果。以下是涵盖的主题概述：
-
优化的必要性
-
网格搜索
-
SciPy 中的优化算法
-
BFGS 算法
-
爬山算法
-
模拟退火
-
梯度下降
链接: 机器学习优化速成课程 - MachineLearningMastery.com
我希望你发现这些资源有帮助。由于这些课程大多数是针对初学者的，你应该能够掌握所有基本的数学知识，而不会感到不堪重负。
如果你在寻找学习 Python 用于数据科学的课程，可以阅读 5 个免费课程，掌握数据科学中的 Python。
祝学习愉快！
Bala Priya C**** 是来自印度的开发者和技术作家。她喜欢在数学、编程、数据科学和内容创作的交汇点工作。她的兴趣和专长领域包括 DevOps、数据科学和自然语言处理。她喜欢阅读、写作、编程和喝咖啡！目前，她正在通过编写教程、指南、评论文章等来学习和分享知识。Bala 还创建了引人入胜的资源概述和编程教程。
