100 Coursera Kursu Tamamlayan Birinden 5 İpucu

E-öğrenme yolculuğum üzerine düşünceler

Geçtiğimiz hafta sonu resmi olarak 100. Coursera kursumu tamamladım. E-öğrenme dünyasıyla 3.5 yıl önce tanıştım ve o zamandan beri Coursera, DataCamp ve Udemy gibi platformlarla içli dışlıyım. Farklı e-öğrenme platformlarının doğrudan karşılaştırılmasından ziyade, bu makale e-öğrenme yolculuğuna başlamayı planlayanlar veya e-öğrenme yolculuğumdaki verimliliğimi nasıl sağladığımı öğrenmek isteyenler için öneriler ve kurslar paylaşacağım, öğrendiklerime dair bir geriye bakış.

№1. (İyi) Notlar Alın

Not almanın birçok faydası var! Neden ve nasıl iyi not alacağınızı öğrenmek için okumaya devam edin.

Bir bireyin öğrenme tarzına bağlı olsa da, gördüğüm kadarıyla genellikle içeriği yazmak, düzenlemek ve yeniden ifade etmek, özellikle görsel veya kinestetik öğrenenler için içeriği daha iyi anlamayı sağlıyor. İçeriği başka bir yere not almanın daha etkili olduğunu düşünüyorum çünkü kurs videolarına geri dönmeksizin başvurması daha kolay.

İyi notlar yazmak için, notları kursa değil konuya göre düzenlemenizi öneririm.

Notlarımı "Makine Öğrenimi", "Yazılım Geliştirme", "Proje Yönetimi", "Python" vb. konulara ayırıyorum. Notlarımı kurslara göre düzenlemiş olsaydım, "Python ile Veri Bilimi" gibi bir kurs aynı belgede olurdu, halbuki teorinin Makine Öğreniminde olması gerektiği gibi Python altında kod örnekleri de bulunmalıdır. Böyle yaparak, benzer konuları kapsayan diğer kurslar için notları genişletmek daha kolay olur, ki bu da oldukça sık yaşanan bir durum.

Bu konuyu daha önce fark etseydim notlarımı birden fazla kez yeniden düzenlemek zorunda kalmazdım. Kabullenmek gerekirse, hala içerik örtüşmeleri (hatta bazı tanımlar üzerinde anlaşamayan kurslar!) buluyorum ve not almak ekstra çaba gerektiriyor. Bu durumlarda, içeriği yeniden düzenlemenin o konuları hatırlamama yardımcı olduğunu görüyorum. Mevcut notları yeniden ifade etmek ve yeniden düzenlemekten çekinmeyin. Bir uyarı olarak, ben not almanın "tek bir iyi yolu" olduğunu düşünmüyorum ancak bir yerden başlamak gerek.

№2. Veri Biliminde Matematikten Kaçınamazsınız

Çeşitli Veri Bilimi, Makine Öğrenimi ve Derin Öğrenme kursları aldıktan sonra diyebilirim ki, matematik hepsinin kalbinde bulunuyor.

Matematiğin birçok dalı vardır, bazı dalları diğerlerinden daha eşittir (haha). Aşağıda, alfabetik sırayla önerdiğim matematik dalları ve o bilgiyi kullanacağım senaryolar yer almaktadır:

• Algoritmalar: Formüller çoğunlukla kendiliğinden uygulandığından ben bu bilgileri pek kullanmam. Fakat bu kurslardan alınan fikirler, farklı algoritmaların farklı doğruluk ve karmaşıklık takaslarına sahipken aynı sonuca nasıl ulaştıklarını anlamak için Yazılım Mühendisliği alanında faydalıdır.

• Cebir ve Matris: Bilgisayar Görüşü ve Derin Öğrenme alanlarında algoritmaların nasıl çalıştığını ve nasıl değiştirilip geliştirilebileceklerini anlamakta kullanışlıdır.

• İstatistik: Veri Analizi için faydalıdır. İki dağılımın aynı popülasyon dağılımından geldiğini test etmek, verilerden istatistiksel özetler elde etmek, nedensel çıkarım ve çıkarım hataları gibi konularda istatistiksel testler kullanılabilir. İstatistik ayrıca sürekli, kategorik veya zaman serisi verileri ele alırken Veri Bilimi için de önemlidir.

• Kalkülüs: Makine Öğrenimi ve Derin Öğrenme alanlarında Stokastik Gradyan İnişi ve kayıp fonksiyonu gibi kavramları anlamak için kullanışlıdır.

• Oyun Teorisi: Etmenler , eylemler ve ödüllerin olduğu Pekiştirmeli Öğrenme alanında faydalıdır.

Eğer herhangi bir matematik dalını atladıysam, yorumlarda benimle paylaşın! Tüm matematik dallarında uzman olmanıza gerek olmadığını düşünüyorum, ancak ilgili alanlara odaklanmak hangi kursları alacağınıza karar vermenize yardımcı olacaktır.

№3. Sadece Kodlama Modüllerine Odaklanmayın

Betik dilleri (bazı) programlama dillerinden daha alakalıdır.

Kodlamayı seviyorum. E-öğrenim yolculuğuma başladığımda kurs kataloğuna baktığımda, her şeyi öğrenmek isteğiyle - Python, SQL, R, Java, Golang, vb. - doldum. Hemen sonrasında ise her şeyin kariyerinizle ilgili olmayacağını fark ettim. Veri bilimcileri için en çok kullanılan programlama dilleri Python ve SQL'dir (bazen R), ama çok alakalı olmasına rağmen genellikle göz ardı edilen bir sürü "kodlama" dili vardır. Yani Bash / UNIX ve Git komutlarını öğrenmek gibi.

Bash/UNIX komutları, dosya dizinlerini listelemek için ls veya yeni bir klasör oluşturmak için mkdir gibi komutlar kullanarak dosyaları ve dizinleri manipüle etmeye yardımcı olan komut satırı araçlarıdır, öte yandan Git komutları sürüm kontrolüne yardımcı olur. Kod depolarındaki değişiklikleri yapmak için git add, git commit, git push gibi komutlarla aşina olabilirsiniz.

İş ortamınızda kullanacağınız sadece birkaç Bash ve Git komutu olsa da, arka plandaki işleyişini anlamak yararlıdır. Örneğin, Git'te birleştirme işlemini gerçekleştirmek için dört farklı yol vardır - hızlı ileri birleştirme, birleştirme taahhüdü, ezme birleştirme ve yeniden taban. Farklılıkları anlamak, projeniz için uygun bir birleştirme stratejisi seçmek için önemlidir. Onları nasıl uygulayacağınızı bilmek, kodunuzu (veya diğer insanların kodunu) bozduğunuzda ne yapmanız gerektiğini bilmek anlamına gelir - bu olur!

№4. Diğer İlgi Alanlarınızı Takip Etmeyi Unutmayın

Önceki bölümlerde ele alınan matematik, kodlama ve script derslerine ek olarak, tükenmişlik veya aşırı bilgi yüklemesi yaşamak kolaydır. Başka ilgi alanlarınızı da takip etmek için zaman ayırmayı unutmayın.

E-öğrenme platformları tarafından sunulan birçok kurs kategorisini keşfedin! Coursera örneğini ele alırsak, ilgi alanınıza bağlı olarak sanat ve beşeri bilimler, işletme, bilgisayar bilimi, veri bilimi, bilgi teknolojisi, sağlık, matematik ve mantık, kişisel gelişim, fiziksel bilimler ve mühendislik, sosyal bilimler ve dil öğrenme gibi kategoriler bulunmaktadır.

Tüm bilgiler mevcut, dünyanın bütün nimetleri ayaklarının altında.

Benden bahsedecek olursak, kodlama en iyi uygulamaları, veri görselleştirme, finansal, organizasyonel ve proje yönetimi modülleri de ilgimi çekiyordu. Bilgisayar Bilimi alanındaki Yüksek Lisansıma hazırlanmak için büyük veri, bulut uygulamaları, bilgisayar görüsü, veritabanı ve güvenlik modüllerine de göz attım. Kişisel olarak, önce geniş bir bilgi yelpazesine sahip olmayı, ardından belirli bir konuya daha derinlemesine inmeyi tercih ederim, ancak herkesin kendine göre bir tercihi vardır.

№5. Öğrendiklerinizi projelerinizle İlişkilendirin

Uygula! Uygula! Uygula!

Öğrendiklerinizi gerçek hayatta uygulamak, şirket projelerinde veya kişisel projelerde olsun, tatmin edicidir. Kurs içeriğini incelerken, nasıl yararlı olabileceğini veya sizin için çalışacak şekilde nasıl değiştirilebileceğini düşünün.

Web kazıma hakkında öğrenme - yan projeler için hangi verileri web kazıyacaksınız, belki duygu analizi için Twitter tweet'lerini web kazıyorsunuz? ML Ops hakkında öğrenmek - gelecekte dağıtılacak modeller üzerinde çalıştığınız modeller nelerdir? Hangi modelleri dağıttınız ve kurs içeriği gibi benzer uygulamaları takip ettiler mi? Mantığı anladınız.

Kodlamayı öğrenmek ve hemen bir web veya mobil uygulama yapmak gibi büyük bir adım olmak zorunda değildir. Okunanların üzerine düşünerek küçük şeyler yapmak da önemlidir. Örneğin, kodlama en iyi uygulamaları hakkındaki yeni bilgileri takip eden okunaklı, zarif kodlar yazmak gibi küçük adımlar da uzun bir yol kat ettirebilir.

Sonuç

Kariyerime başladığımda e-öğrenim yolculuğuma başlama fırsatım oldu ve e-öğrenim kurslarının arkadaşlarımın işlerinde yardımcı olduğunu gördüm. Erken başlamamanın pişmanlığına dalmayalım, başlamak için ikinci en iyi zaman şimdi. Umarım bu makale, e-öğrenim kurslarına etkili bir şekilde yaklaşmanıza, önceliklendirilecek modüllere ve momentum kaybetmemenin yollarına dair biraz netlik kazandırdı.

Özetlemek gerekirse, bu makalede paylaşılan 5 ipucu şunlardır:

1. (İyi) Notlar Alın

2. Veri Biliminde Matematikten Kaçınamazsınız

3. Sadece Kodlama Modüllerine Odaklanmayın

4. Diğer İlgi Alanlarınızı Takip Etmeyi Unutmayın

5. Öğrenimleri Projelere İlişkilendirin

Okuduğunuz için teşekkürler! Bu makaleyi beğendiyseniz, paylaşmaktan çekinmeyin.

Konulara Göre Önerilen Kurslar

Alfabetik sırayla

Algoritmalar: Algoritmalar (Stanford Üniversitesi)

Yapay Zeka: Herkes için Yapay Zeka (DeepLearning.AI)

Bash: Unix Workbench (Johns Hopkins Üniversitesi)

Cloud (Google Cloud): Google Cloud'ta Gelişmiş Makine Öğrenimi

Cloud (IBM): Cloud Application Development Foundations

Derin Öğrenme: Derin Öğrenme (DeepLearning.AI)

Git: Git ile Sürüm Kontrolü

Golang: Google Go Programlama

Java: Java Programlama ve Yazılım Mühendisliği Temelleri

Makine Öğrenimi: Python ile Uygulamalı Veri Bilimi

Makine Öğrenimi Mühendisliği: Derin Öğrenme ile Üretimde Makine Öğrenimi (DeepLearning.AI)

Doğal Dil İşleme: Doğal Dil İşleme (DeepLearning.AI)

Proje Yönetimi (Scrum): Scrum Master Sertifikası

Proje Yönetimi (Six Sigma): Altın Kemer Six Sigma

Proje Yönetimi (Six Sigma): Yeşil Kemer Six Sigma

Python: Herkes için Python

Python: Python'da Betik Dili Giriş

R (temel): R Programlama (John Hopkins Üniversitesi)

R (ileri): İleri Düzey R Programlama (John Hopkins Üniversitesi)

Yazılım Mühendisliği: Yazılım Tasarımı ve Mimarisi

İstatistik (temel): Temel İstatistikler

İstatistik (ileri): İstatistiksel Çıkarım (John Hopkins Üniversitesi)

İstatistik (zor): İstatistiksel Çıkarım

SQL (temel): Yapılandırılmış Sorgu Dili Giriş

SQL (ileri): Veri Biliminde SQL

Kaynak: https://towardsdatascience.com/5-tips-after-completing-100-coursera-courses-1ee5a35e72a4

Editör: Koru ve Semih