京公网安备 11010802034615号
经营许可证编号:京B2-20210330
我只想在前言中说,这篇文章更多地反映了我是如何走到今天的。我并不是说你会通过遵循同样的步骤来实现同样的事情,但我认为这可能会为你提供一个独特的视角,这是你以前可能没有想过的。
说到这里,让我们深入研究一下吧!
为了让我的收入翻一番,我主要做了三件事:
今天,许多人倾向于像比特币这样的高风险、高回报投资,试图“快速致富”,但正如沃伦·巴菲特所说,你能做的最好的投资是在自己身上。对于那些没有钱投资但又想改善财务状况的人来说尤其如此。
通过简单地提高自己的技能,学习数据科学和机器学习,我在一年内将工资提高了40%。
在过去的一年里,我主要关注三个领域:
数据操作(SQL/Pandas)
在我看来,使用SQL和Pandas进行数据操作是最重要的领域,给我带来了最大的好处。从我的经验来看,最多的时间花在查询数据、探索数据和争论数据上,所有这些都需要SQL和Pandas。在我所有与数据相关的工作中(增长营销分析师、数据分析师、数据科学家),SQL一直是一个共同的标准,可以说是数据专业人员最重要的技能。
以下是我用来自学SQL和Pandas的资源:
脚本(Python)
我开始使用Python是因为学校的原因,我可能会在我的余生中坚持使用Python。它在开源贡献方面遥遥领先,而且学习起来很简单。
我强烈推荐以下两个主要资源来开发您的Python技能(除了做辅助项目之外):
但是当然,不学习机器学习,做一个数据科学家是多么有趣啊!下面是我在职业生涯开始时使用的两个最重要的资源。
如果你想了解各种机器学习算法,请查看我在这里的文章。
我实际上写了一个为期52周的课程,包括SQL、Pandas、Python和机器学习,你可以在这里查看。
既然我已经介绍了我在哪些方面提高了自己的技能,您可能想知道我是如何做到这一点的,这就是我接下来要讨论的内容。
你们中的一些人可能知道,我发起了一个名为“数据科学和机器学习52周”的个人倡议,在那里,我每周学习、编码和写一些与数据科学和机器学习有关的东西,持续了整整一年。这主要是为了让我能够在持续的基础上保持自己学习新东西的责任感。
在写了100多篇文章,建立了2万多名读者的追随者基础后,写作现在占了我总收入的25%左右。
以下是三个让我获得成功的秘诀:
提示#1:找到你擅长写的东西、你喜欢写的东西和人们喜欢读的东西之间的交集。
这是我总是给有抱负的作家的第一个提示。理想情况下,你想找到一个利基,满足所有这三个东西。
如果你发现了一些你擅长写的东西,你也喜欢写它,但人们不喜欢读它,那么你就不会建立一个追随者基础(假设你关心这一点)。
如果你发现了一个你擅长写的话题,人们喜欢读它,但你不喜欢写它,那么你就不会持续太久,因为你会失去兴趣。
最后,如果你发现了一个你喜欢写的话题,人们也喜欢读它,但你不擅长写它(例如,因为你没有足够的专业知识),那么你可能不会得到任何吸引力。
所以,在你旅程的开始,找出你的利基。我将在技巧3中详细说明这一点。
技巧#2:理解您正在编写的平台的机制。
无论您是使用Medium、Substack、Patreon还是其他博客平台,请确保您花时间了解该平台是如何工作的。
我不能说太多细节,但理解收入是计算出来的,平台如何帮助你自己做广告,诸如此类的事情是需要考虑的重要事情。
通过了解媒体的机制和它是如何工作的,我能够最大限度地扩大我的外联,最终更快地增长我的追随者基础。
下一个技巧将帮助您实现技巧1和2:
提示#3:在创建内容时考虑“利用vs.探索”的概念。
为了找到技巧1中这三个方面的交叉点,并理解您正在编写的平台的机制,请考虑开发vs.探索的概念。
这个想法来自一个名为“多臂强盗问题”的统计问题。我不想太详细,但“探索和利用”背后的主要思想是决定是探索并发现新的潜在想法,还是利用您已经知道的有效想法。
在你写作/写博客生涯的开始,探索和尝试尽可能多的想法,看看什么最适合你,这是你最感兴趣的。这意味着写不同的主题,在不同的出版物上发表,并可能尝试新的写作风格。
随着你在写作风格和偏好上的发展,你可能会偶然发现一个“食谱”,让你在写作中取得持续的成功。这时你可以开始利用这个突破,在你的秘密公式上加倍努力。
总而言之,在你的旅程的早期尽可能多地探索,当你开始定义自己并找到成功时,开始利用那些让你成功的洞察力和想法。
我剩下的一点收入来自与数据科学和机器学习相关的自由职业项目。我从事的项目包括撰写技术论文、撰写营销内容和建立模型。
当我刚开始工作时,我只从自由职业项目中获得最低工资。这是有道理的,因为我没有太多的经验,我也不知道我值多少钱。然而,到了年底,我可以每小时收取50美元以上的费用。
我的大部分收入来自科技行业的老客户。事实上,我也不必接触其他人--我可以通过我的数据科学和机器学习博客来吸引客户的注意力,我认为这是本文的重点。
我的数据科学和机器学习博客不仅帮助我在一致的基础上学习,还帮助我建立了自己的追随者基础,并帮助我获得了几个自由职业客户。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12