數(shù)據(jù)科學是成功的。全球成千上萬的學生報名參加在線課程，甚至數(shù)據(jù)科學碩士課程。

數(shù)據(jù)科學領(lǐng)域是一個競爭非常激烈的市場，尤其是在一家大型科技公司獲得一份（假設(shè)的）夢想工作。積極的消息是，通過充分的準備，你已經(jīng)掌握了在這樣一個職位上獲得競爭優(yōu)勢的機會。

另一方面，也有很多MOOC、碩士課程、訓練營、博客、視頻和數(shù)據(jù)科學院。作為一個初學者，你感到失落。我應該上哪門課？我應該學習哪些主題？我需要關(guān)注哪些方法？我必須學習什么工具和編程語言？

事實是，每個數(shù)據(jù)科學家都有她/他的個人旅程，并偏向于那條學習道路。所以，如果不了解你，很難說什么是對你最好的方法。

但也有所有數(shù)據(jù)科學家一遍又一遍地犯的共同錯誤。即使知道了它們，你也不會完全回避它們，但最終，你會更早地停止去做它們，并發(fā)現(xiàn)更快地回到成功的道路上。

基于我在數(shù)據(jù)科學領(lǐng)域20多年的經(jīng)驗，帶領(lǐng)多達150人的團隊，并仍然在全球領(lǐng)先的大學之一兼職授課，我為你總結(jié)了避免更快實現(xiàn)夢想的核心錯誤。

錯誤給出了作為一個初學者的數(shù)據(jù)科學家的學習進度的順序。

#1在您最終開始之前（或最終永遠不開始），在評估所有不同類型和選項的課程上投入了太多時間

我知道你被所有的課程淹沒了，你盡量不犯任何錯誤。你想有效地投資你的時間和金錢，選擇正確的方法，承諾最快和最好的成功。

不幸的是，在任何技術(shù)和科學領(lǐng)域都沒有立竿見影的成功，為了最好的成功，你不會有任何比較。

事實是，今天，所有已建立的平臺、學院和研究所都有很好的課程。所以，不要過度思考和分析課程。勇敢地選擇一個，完成那個課程，然后再選擇另一個。

最關(guān)鍵的方面是開始和做。你不能在這里犯錯誤，因為你既不知道你的旅程，也不知道當選擇另一個時，它會有什么不同。沒人能告訴你。經(jīng)期。

同樣重要的是要認識到學習是循環(huán)的，而不是線性的。選修一門數(shù)據(jù)科學課程并不排除你正在選修另一門。

在我多年的經(jīng)驗之后，我仍然從事數(shù)據(jù)科學、機器學習和人工智能訓練。在每一個仍然如此“簡單”的初學者課程中，我發(fā)現(xiàn)了一個新的方面和關(guān)于這個主題的新觀點。而這正是最終造就一個高要求數(shù)據(jù)科學家的原因。它是理解對一個主題的所有不同觀點。

#2您希望一次學習太多的方法和工具，而不是一個接一個地學習和理解這些方法

許多有抱負的數(shù)據(jù)科學家認為，簡歷中提到的盡可能多的方法有助于更快地找到工作。但事實恰恰相反。當你在六個月前開始為每個招聘人員提供數(shù)據(jù)科學時，很明顯，這是一個沒有實質(zhì)內(nèi)容的流行語。

如果我們看回歸模型，有很多書只是關(guān)于回歸。有50多種回歸類型，每種都有不同的前提條件。所以，只有“回歸”在你的簡歷中沒有說什么。此外，回歸模型仍然是應用程序的最重要的模型，并為一般的數(shù)據(jù)科學奠定了理解的基礎(chǔ)。

你必須明白用一種方法解決的是什么；假設(shè)是什么；參數(shù)是什么意思；什么是陷阱；等等，等等。

根據(jù)簡歷和回歸知識的描述，每一個有經(jīng)驗的招聘人員--或者今天，這個過程背后的算法--都可以識別你理解的深度。

只對少數(shù)幾種方法有深入的知識和經(jīng)驗，總比對許多方法一無所知要好。

#3您從一開始就編寫所有代碼，因為您認為這有助于您更好、更快地編寫程序

當開始編碼時，人們認為他們必須迅速開始編碼和重新編程盡可能多的算法。另外，在這里你應該集中于理解幾個而不是數(shù)量。

首先，你需要了解編碼的先決條件：線性代數(shù)、數(shù)學歸納法、離散數(shù)學、幾何學--是的，這是優(yōu)秀程序員的強項，但經(jīng)常被數(shù)據(jù)科學家遺忘，統(tǒng)計學和概率論、微積分、布爾代數(shù)和圖論。

我并沒有因為編碼更多而變得更好更快。我通過理解數(shù)學基礎(chǔ)，審查其他人的代碼，并在不同的數(shù)據(jù)和問題上運行和測試它們來擅長編程。

是的，編碼是必不可少的，但更重要的是理解代碼的（好的）架構(gòu)。而這只能通過查看其他代碼來了解。

一個事實是，代碼越來越成為一種商品，甚至出現(xiàn)了無代碼工具。區(qū)分者將不再是那些能編碼和不能編碼的人，而是那些理解其架構(gòu)和不理解其架構(gòu)的人。

我向您展示另一個示例：我假設(shè)您已經(jīng)使用了TensorFlow。但你明白是什么嗎？它是做什么的？以及它為什么被稱為“TensorFlow”？你知道張量是什么嗎？不僅僅是張量積的機械計算，它在幾何上意味著什么？

#4通過學習理論，你認為自己無所不知，但卻錯過了足夠的實踐經(jīng)驗

學習數(shù)據(jù)科學是一種嘗試和錯誤。只有當你做了盡可能多的經(jīng)驗，找出所有的錯誤并解決它們時，你才會有更深的理解。

理論是好的和重要的。你需要了解基本原理。

不幸的是，在實踐中，它很少像理論上那樣起作用。相反，它經(jīng)常以一種方式精確地起作用，正如你所知道的那樣，你不應該這樣做。

所以，你必須從實際的例子開始。通常，您還沒有準備好去做實際的工作：沒有足夠的基礎(chǔ)知識或者沒有足夠的編程經(jīng)驗。

但我強烈建議：即使你覺得還沒有準備好做練習，也要從一開始就開始。它不是一個為期一天或一周的項目。一個1-2小時的小項目就足夠了。

您可以從像RapidMiner或KNIME這樣的無代碼工具開始，也可以使用其他人的代碼并應用它。例如。拿一個簡單的情感分析代碼，用它來推文或產(chǎn)品說明。然后您可以開始更改其他示例的代碼并比較結(jié)果。

當你小時候?qū)W會說話時，你開始用單個單詞或兩三個單詞的表達。一步一步地，你對這種語言建立了一種感覺。數(shù)據(jù)科學的實踐經(jīng)驗也是如此。

專業(yè)提示：學習是循環(huán)的。所以，儲存你的工作。稍后您可以返回，改進它，將其移到GitHub，并使用Tableau添加可視化。

#5您認為證書是獲得數(shù)據(jù)科學工作的競爭優(yōu)勢

認證沒問題。有很多聲音告訴你，你不應該做認證。但它們可以作為一種動力，最后，它們正式地顯示了你的進步和你對學習的渴望。我還是做證件的。它沒有錯，當你投入時間時，擁有它是合法的。

但它不是市場上的差異化者。事實是，有成千上萬的人有同樣的認證。因此，要擁有競爭優(yōu)勢，你必須超越這一點。

例如，我的一個學生向我尋求金融領(lǐng)域的實習機會。他想學以致用，了解數(shù)據(jù)科學團隊的文化和合作。我可以把他放在銀行里，他可以用銀行寫學期論文。是的，同時做學習、實習和學期論文是很有壓力的。但這將為他提供無價的競爭優(yōu)勢。

#6你擔心別人的意見，而不是根據(jù)事實建立自己的意見

大多數(shù)有抱負的數(shù)據(jù)科學家擔心其他數(shù)據(jù)科學家的意見。而且他們聽到的論據(jù)越多，他們就越困惑。即使在清晰的道路上需要混亂，但它不應該保持穩(wěn)定的狀態(tài)。

每一個數(shù)據(jù)科學家都是一個擁有她/他的經(jīng)驗、學習和職業(yè)道路和觀點的個體。我習慣說，“如果你有兩個數(shù)據(jù)科學家在一個房間里，你至少有四個不同的意見。”

把意見作為靈感和作為搜索信息的指南是好的，但不是作為信息本身。

尋找確鑿的事實。得出合乎邏輯的結(jié)論，驗證并再次更新它們。這是在你的數(shù)據(jù)科學職業(yè)生涯中取得成功的一項重要技能。

#7不關(guān)心業(yè)務和領(lǐng)域知識

許多數(shù)據(jù)科學家認為他們可以將這些方法應用于每個問題和行業(yè)，但我可以告訴你，從20多年的經(jīng)驗來看，這是錯誤的。

我經(jīng)?？吹綌?shù)據(jù)科學家向商業(yè)人士展示發(fā)現(xiàn)，他們的反應是，“哦，我們已經(jīng)知道這一點了。我們需要的是“為什么會發(fā)生這種情況”和“如何解決它”，或者，在最壞的情況下，“這絕對是胡說八道，因為這不是我們的業(yè)務運作方式?！编?！

擁有領(lǐng)域知識比了解所有性別歧視和最花哨的方法更重要。一個數(shù)據(jù)科學家正在解決一個商業(yè)問題，而不是一個技術(shù)問題。通過解決一個業(yè)務問題，你給公司的業(yè)務帶來了價值，而你的價值只有你的解決方案的價值。當你了解業(yè)務時，你就成功地做到了這一點。

我在許多不同的行業(yè)工作過。每次在我開始從事這個行業(yè)之前，我都會讀到很多關(guān)于這個行業(yè)的東西。

• 我從維基百科開始，了解了大局觀和公司的情況
• 我查閱了某行業(yè)前10大公司的年報和投資者關(guān)系信息
• 我讀了過去幾年關(guān)于這個行業(yè)和公司的所有新聞文章
• 我聯(lián)系了在這個行業(yè)工作的LinkedIn聯(lián)系人

只有那時，我才開始與商家互動。

你學習的一半應該包含工業(yè)和商業(yè)知識的發(fā)展。

#8您沒有在一致和持續(xù)的基礎(chǔ)上學習和學習

很容易因為不懂題目而分心或提前放棄。學習數(shù)據(jù)科學是一場馬拉松，而不是短跑。因此，建立一個持續(xù)和一致的學習常規(guī)是至關(guān)重要的。就像馬拉松訓練一樣，你每天都在小單位訓練。

同樣，正如前面所寫的，學習是循環(huán)的。曾經(jīng)研究過一個課題并不意味著你已經(jīng)掌握了它。

我舉個例子。在數(shù)學金融講座中，我不得不學習許多極限定理。考試進行得很好，我確信我理解他們。但七年后，當我不得不審查復雜結(jié)構(gòu)金融產(chǎn)品估值的代碼時，天平從我的眼睛里掉了下來，我意識到直到審查代碼的那一刻我才明白。

所以，每天，或者至少每周，預定幾個小時來學習。不管你是一個有抱負的人還是已經(jīng)是一個資深的數(shù)據(jù)科學家。

學習應包括新的數(shù)據(jù)科學主題、已學過但從另一個角度出發(fā)的主題，例如另一門課程或書籍、新技術(shù)和技術(shù)趨勢、工業(yè)和商業(yè)知識、數(shù)據(jù)可視化和數(shù)據(jù)故事，以及數(shù)據(jù)應用。

它增加了一層又一層的理解，在求職面試中，你將能夠通過從不同的角度展示整體觀點來給出令人信服的答案。

#9不要用數(shù)據(jù)講故事

在一份數(shù)據(jù)科學工作中，您主要將您的發(fā)現(xiàn)傳達給非技術(shù)人員，特別是業(yè)務人員。生意在資助你的工作。沒有他們的承諾，你的工作和數(shù)據(jù)科學團隊就不會存在。

你的工作是為企業(yè)帶來價值。不是為了應用而應用花哨的方法。

我的一個朋友是一家全球性銀行的數(shù)據(jù)科學主管。當他們雇傭數(shù)據(jù)科學家時，他們會提前兩周給他們發(fā)送一個數(shù)據(jù)集，并要求他們做20分鐘的演示。沒有進一步的投入。他們想看講故事。他們對所使用的方法不感興趣--除了候選人會對所使用的方法說出絕對無稽之談。他們希望看到的是，首先，業(yè)務問題的框架，以及為什么解決它很重要。第二，應該解決什么和最后，如何解決，以及在業(yè)務環(huán)境中的結(jié)果?！斑@是我們一整天做的最重要的工作。候選人在這方面不能盡善盡美，但要表明她/他已經(jīng)明白我們工作中什么是重要的?！?

因此，學習數(shù)據(jù)講故事--甚至有免費的課程--并學習業(yè)務環(huán)境中的數(shù)據(jù)可視化。

#10無需與數(shù)據(jù)科學界進行交互而自行學習

許多人認為他們可以通過自己的努力學習數(shù)據(jù)科學。所有其他數(shù)據(jù)科學家都被視為競爭對手，其中一個不愿意交流知識。

但是生活在你的世界里，你只根據(jù)你的選擇來閱讀和學習，這是非常有偏見的，對一個主題或方法的許多觀點都是缺失的。此外，關(guān)于一個主題的開放式論述和在論證中獲得經(jīng)驗是缺失的--這是任何數(shù)據(jù)科學家都需要的技能。

任何有經(jīng)驗的招聘人員在問一兩個問題后都會知道你是一個人表演，還是你有一個生動的網(wǎng)絡來幫助你成倍地獲得知識。這有利于公司，增加您的市場價值和需求。

因此，發(fā)展網(wǎng)絡是至關(guān)重要的。這可以通過參加訓練營、黑客馬拉松和Meetup會議來實現(xiàn)。

現(xiàn)在，你從理論上知道你應該避免什么了。

這些錯誤中的任何一個對你的數(shù)據(jù)科學工作來說都是一個潛在的攪局者。

我知道你還會犯幾個這樣的錯誤。我沒有什么不同。認為“我與眾不同”是人之常情--盡管數(shù)據(jù)說的恰恰相反。但是意識到這些潛在的錯誤將幫助你更快地重新調(diào)整你的路徑，從而更有效地成為一名被要求的數(shù)據(jù)科學家。

你喜歡我的故事嗎？在這里可以找到更多信息。

增加工作機會的一步一步實際指導
如何戰(zhàn)略性地利用Meetup會議來獲得你夢寐以求的數(shù)據(jù)科學工作

edX 2021上的數(shù)據(jù)科學微主程序最終指南
6個節(jié)目你該選哪一個？

頂級技術(shù)趨勢及其對數(shù)據(jù)科學、機器學習和人工智能的影響
為你和你的事業(yè)制定的行動計劃