欢迎来到这个网站，马丁！这是一个相当广泛的问题，所以你可能会得到各种各样的答案。这是我的看法。

1. 数据科学是一个跨学科领域，通常被认为结合了经典统计学、机器学习和计算机科学（同样，这取决于你问谁，但其他可能包括这里的商业智能，以及可能的信息可视化或知识发现；例如，维基百科关于数据科学的文章）。一个优秀的数据科学家也擅长掌握他们工作领域的特定领域特征。例如，从事医院记录分析的数据科学家如果具有生物医学信息学背景，效率会更高。
2. 这里有很多选择，具体取决于您感兴趣的分析类型。Andrew Ng 的 coursera 课程是大多数人提到的第一个资源，这是正确的。如果您对机器学习感兴趣，那么这是一个很好的起点。如果您想深入探索所涉及的数学，Tibshirani 的 The Elements of Statistical Learning非常出色，但相当高级。除了 Ng 的课程之外，coursera 上还有许多在线课程，但您应该根据您想要关注的分析类型和/或您计划工作的领域来选择它们。
3. 卡格尔。如果您想深入研究一些现实世界的分析问题，请从 kaggle 开始。不过，根据您的专业水平，从简单的开始可能会更好。Project Euler是一次性练习题的绝佳资源，我仍然将其用作热身工作。
4. 同样，这可能取决于您希望工作的领域。但是，如果您完成一系列与数据科学相关的课程，我知道 Coursera 会提供数据科学证书。这可能是一个很好的起点。

祝你好运！如果您还有其他具体问题，请随时在评论中问我，我会尽力提供帮助！

我是一名自学成才的数据科学家，我会尽力向您解释如何去做。

数据科学有哪些领域？（例如，人工智能、机器学习、数据分析等）

数据科学是一个非常广泛的领域。它是关于数据科学的。因此，任何使用数据做出决策的领域都属于这个领域。一些领域包括：

• 人工智能
• 模式识别和分析
• 生物统计学
• 统计学习
• 机器学习
• 数据美学（或数据可视化）
• 数据新闻

有没有人可以推荐的在线课程？

我已经回答了一个类似的问题。所以我在这里引用它：

从Coursera 的机器学习课程开始。它在向学生介绍机器学习领域方面做得非常好，并帮助您在概念上打下坚实的基础。

万一你觉得那门课的数学有点笨，你可以选这门课，由同一位教授教授，比前者的数学密集。

现在，您将对机器学习的基本概念有了清晰的直觉。现在，学习这门课程，可以说是吴恩达课程的后续或补充。

来自 IAPR 的这个资源对交叉验证、正则化等许多 ML 概念有深入的说明。

您还可以 在 Quora 上的博客中查看这些惊人的资源列表。

现在，为了深入了解神经网络和深度学习的高级概念，您可以使用这本免费的书。

最后，免费的电子书：统计学习要素是一本适合机器学习或统计学习初学者的好书。

除此之外，请查看Quora 提供的数据科学参考资料库。

有没有我可以练习的项目（例如，开放数据集）。

我已经开始用印度的开放数据集做项目。但是，我建议你在这里查看这个惊人的讨论，在完成这些项目之后，你可以从 Kaggle 开始。

是否有我可以申请或完成的认证？

在我看来，没有任何数据科学认证。是的，那里有很多大数据认证，但我认为它们对初出茅庐的数据科学家并没有真正有用，所以我建议你至少在你对自己的 ML 和数据技能有足够信心之前不要追逐它们。

我建议从 Coursera 的数据科学专业开始。约翰霍普金斯大学的数据科学专业是最古老的运行专业。我不推荐书籍和 kaggle。他们只是在开始时让你感到困惑。请记住，编码是数据科学中最简单的部分，您必须学习很多。为了了解该领域，这个维恩图是一个好的开始。