在我们量化评估的 20 个数据科学课程中，Kirill Eremenko 在 Udemy 上的 Data Science A-Z? 在数据科学过程的广度和深度上都是确定无疑的赢家。在其 3071 个评价中，其获得了 4.5 的加权平均评分，这个课程是目前评分最高且评论数最多的课程。

该课程概述了完整的数据科学过程并提供了实际的案例。而且该课程的长度为 21 小时，是一个非常合适的长度。评价者普遍很喜欢该导师的讲解以及课程的内容组织。该课程的价格会随 Udemy 的折扣政策而发生改变，你甚至有可能只需 10 美元就能学习该课程。

尽管它并不检查我们的「常用数据科学工具使用」工具箱，但非 Python/R 工具选择（gretl、Tableau、Excel）在这一背景中得到了有效的应用。Eremenko 解释了选择 gretl 的原因（注：gretl 是一个统计软件包），尽管这个解释也适用于其使用的所有工具：

使用 gretl，我们可以实现与使用 R 和 Python 一样的建模，但我们却不需要编写代码。这是很重要的。你们一些人可能已经对 R 非常了解了，但另一些人却可能对 R 一无所知。我的目标是让你了解如何构建一个稳健的模型以及给你一个你可以应用你所选择的任何工具的框架。gretl 将能帮助我们避免陷入写代码的麻烦中。

一位著名的评论者指出：

Kirill 是我在网上找到的最好的老师。他使用实际案例并会解释常见的问题，让你能对该课程有更深入的理解。他也提供了很多关于作为一位数据科学家意味着什么的见解，从如何利用不足分的数据一直到如何将你的成果展示给高管。我强烈推荐初学者学生到中等的数据分析师都学习这门课程。

一个非常棒的以 Python 为中心的入门介绍

数据分析入门（Intro to Data Analysis（Udacity））：

https://www.class-central.com/mooc/4937/udacity-intro-to-data-analysis

Udacity 的 Intro to Data Analysis 是一个相对较新的课程，该课程也是 Udacity 受欢迎的数据分析师纳米学位（Nanodegree）课程中的一部分。它包含了清晰的使用 Python 的数据科学过程，尽管其在建模方面还有所欠缺。该课程估计需要 36 个小时的时间（每周 6 小时，一共 6 周）。尽管在我的经历中它要短一些。这个课程有一个 5 星的评价。它是免费的。

该课程的视频制作精良，其导师 Caroline Buckey 的授课清晰明了。课程中大量的编程测验能够帮助强化在视频中学到的概念。学生肯定能够获得新的或提升过得 NumPy 和 Pandas 技能（NumPy 和 Pandas 都是流行的 Python 库）。其最后的项目（其会在纳米学位中得到评估和评价，但并不在这个免费的单独课程中）可以作为一个很好的额外补充。

一个很不错但没有评价数据的课程

数据科学基础（Data Science Fundamentals (Big Data University)）：

https://bigdatauniversity.com/learn/data-science/

Data Science Fundamentals 是由 IBM 的 Big Data University 所提供了一个 4 个课程的系列课程。这四门课程分别是：Data Science 101、Data Science Methodology、Data Science Hands-on with Open Source Tools 和 R 101。

数据科学 101（Data Science 101）：

https://bigdatauniversity.com/courses/data-science-101/

数据科学方法（Data Science Methodology）：

https://bigdatauniversity.com/courses/data-science-methodology-2/

使用开源工具上手数据科学（Data Science Hands-on with Open Source Tools）：

https://bigdatauniversity.com/courses/data-science-hands-open-source-tools/

R 101：

https://bigdatauniversity.com/courses/r-101/