Käed külge: kuidas alustada andmeteadusega

Ülikoolikursused ja MOOCid ning olulisemad tehnoloogiad -- näiteks Pythoni ja R-i vahel valimine.

Kindlasti oled nüüdseks põnevil andmete ägedast maailmast ja tahad rohkem teada. Nagu muudel aladel, on ka andmeteaduses kaks olulisemat õppimisviisi a) kursused ja b) ise harjutamine.

Nullist alustades on kursused mõistlik valik, aga mida täpselt õppida? Matemaatilised jt alusteadmised on olulised, aga kuna andmeteaduse eesmärk on praktilist kasu tuua, on praktiliste oskuste arendamine väga oluline. Alustame seega ühest suurest otsusest, nimelt programmeerimiskeele valikust: kas Python või R?

Python vs R

Python ja R on kaks andmeteaduses enimkasutatud keelt ja suurt osa ülesandeid saab lahendada mõlemas keeles, seega ei ole näiteks ainult R-i tundmine tohutult piirav.

Hea mõte on keskenduda esialgu ainult ühele keelele ja saada selles heaks. Kuna esialgu pead ära õppima hunniku andmeteaduse kontseptsioone, on oluline kulutada aega enim sellele – mitte kahe programmeerimiskeele iseärasuste tundmaõppimisele. Lisaks: kui oled heal tasemel ühes, on oluliselt lihtsam teine ära õppida.

Kumb siis valida? Järgnev on mõistlik rusikareegel:

  • Vali Python, kui sul on varasem programmeerimise taust (s.t. kui oled läbinud rohkem kui ühe programmeerimiskursuse, või iseseisvalt palju koodinud). Taivo ja mitme teise arvutiteadlase kogemus R-iga oli frustreeriv, sest Python on oluliselt sarnasem teistele programmeerimiskeeltele, näiteks Javale.
  • Vali R, kui sa ei ole varem programmeerinud. R-i on lihtsam ilma varasema kooditaustata ära õppida – mõned tehnilised raskused jäävad seda kasutades olemata. See tähendab, et jõuad vähema õppimisega põnevate tulemusteni, mis aitavad hoida motivatsiooni.

Siin on üks erand: kui oled veendunud, et tahad tegeleda peamiselt masinõppega (eriti sügavate neurovõrkudega), alusta Pythonist. Suur osa uusimatest ja põnevaimatest masinõppe meetoditest avaldatakse praegu ainult Pythonis ja kuna ala liigub nii kiiresti, ei ole samad teegid alati teistes keeltes saada.

Võid otsustada ka oma eelistuse järgi: kui tahaksid tegeleda pigem A-tüüpi andmeteadusega, alusta pigem R-ist; kui B-tüüpi andmeteadusega, siis Pythonist.

Ressursid

Projekt Open Data Science Master’s teeb väga põhjaliku kokkuvõtte kursustest, mis katavad andmeteadlase alusoskused (nii Pythonis kui R-is). Nimekiri on väga pikk ja võib uustulnukana olla hirmutav, mistõttu annan allpool oma soovitused alustamiseks.

Kui oled tudeng Tartu ülikoolis (või saad sealt eksternina aineid võtta), võib sind aidata ka hüpoteetiline andmeteaduse “kõrvaleriala” Tartu ülikoolis – see on Taivo kokkupandud nimekiri andmeteadusega seotud TÜ kursustest.

Python

Eesti keeles ei ole Pythoni+andmeteaduse õppimiseks eriti materjale, aga inglise keeles alguse tegemiseks sobib näiteks see Harvardi kursus. Masinõppega alustamiseks sobib klassikaline Coursera Machine Learning kursus ja sügavõppe (deep learning) jaoks tuliuus Coursera Deep Learning spetsialiseerumine. Kui tahad õppida lihtsalt Pythonit (ilma andmeteadusele keskendumata), vaata kursust Programmeerimine maalähedaselt ja selle järgi.

Kõige olulisemad teegid on:

Muide, Anaconda on mugav viis endale Python installida, sest sisaldab kõiki standardseid andmeteaduse tööriistu, sh ülalnimetatud teeke. Väga kasulik tööriist on ka Jupyter notebookid, mis võimaldavad Pythoni koodi interaktiivselt jupphaaval jooksutada.

R

Andmeteadust R-is saab õppida Eesti keeles – TÜ statistilise andmeteaduse ja visualiseerimise aine (3EAP) materjalid on vabalt kättesaadavad ja väga hea sissejuhatus R-i kasutamisse andmeteaduseks. Kui sa ei ole kunagi R-i kasutanud, tahad ilmselt teha lühikese kursuse R-i tutvustava kursuse – näiteks selle 4-tunnise interaktiivse e-kursuse DataCampilt.

Põhjalikum ja pikem (ingliskeelne) viis andmeteadust ja R-i õppida on Coursera Data Science spetsialiseerumine Johns Hopkinsi ülikoolilt.

Kui tahad ilma kursusteta teemasse sisse hüpata, siis kõige olulisem teek visualiseerimiseks on ggplot2 ja kuigi andmete ettevalmistamiseks saab kasutada palju tööriistu, on dplyr mõistlik esimene valik. Ülalnimetatud eestikeelne kursus tutvustab mõlemat teeki. ggploti ja dplyr’i autor Hadley Wickhami on loonud ka hulga muid pakette – need aitavad teha R-i oluliselt mugavamaks ja võimsamaks. Hadley on kirjutanud ka koodinäidetega e-raamatu R for Data Science.