这篇文章是为那些属于下列类别之一的人准备的：

1. 你没有大专学位，但你对数据科学感兴趣。
2. 你没有STEM相关的学位，但你对数据科学感兴趣。
3. 你在一个与数据科学完全无关的领域工作，但你对数据科学感兴趣。
4. 您只是对数据科学感兴趣，并想了解更多关于它的知识。

你可能在想，“我有机会吗？”

答案是：“是的，有可能。”

好消息是，您已经通过了第一步，这就是您对数据科学感兴趣。现在这将不是一个容易的旅程，因为您是一个失败者，但要把它作为每天激励自己的燃料。

最重要的是，我要给你我的建议，我希望我在开始的时候有。

首先，介绍一下我自己…

我有商科学位，但从大学二年级开始，我就对机器学习感兴趣。因此，我自学了我今天所知道的大部分知识，我很幸运地在几个数据分析师/数据科学工作中工作。

我为什么要告诉你这些？我想说清楚，我曾经和你处于类似的位置！

请记住，这是一个长期目标，因此您应该期待长期的结果。如果你愿意付出100%的努力，我会给你至少一年的时间来决定是否继续下去。

说到这里，让我们潜入其中：

进入数据科学可以归结为两件事，增长和展示您的技能。

1）提高数据科学技能

不久前，我写了一篇文章，“如果我可以重新开始，我将如何学习数据科学。”在这篇文章中，我将学习的内容按学科划分，即统计与数学、编程基础和机器学习。

在这篇文章中，我将根据你的理解水平来划分你应该学习的内容。

级别0：基本原理

你必须从基础开始，构建块，无论你想怎么称呼它。但是相信我，当我说这些的时候，你的基础越好，你的数据科学之旅就会越顺利。

特别是，我建议您在以下主题中建立基础知识：统计与概率、数学和编程。

统计和概率:如果你读过我以前的文章，那么你可能已经听过第一百万次了，但是数据科学家实际上只是一个现代统计学家。

• 如果你对统计和数学几乎没有接触，我推荐可汗学院的统计和概率课程。
• 然而，如果你有一些微积分和积分的知识，我强烈建议你读读佐治亚理工学院的课程，名为“统计方法”。这是一个稍微困难的过程，因为它需要更多的证明，但它将帮助你理解每个想法的复杂性。

数学:取决于你在高中时的注意力，这将决定你需要花多少时间学习基础数学。您应该学习以下三个方面:微积分、积分和线性代数:

• 当涉及到任何与优化相关的事情（这在数据科学中非常相关）时，微积分是必不可少的。为此我推荐了可汗学院的微积分课程。
• 当谈到概率分布和假设检验时，积分是必不可少的。我推荐了汗学院的积分课程。
• 如果你想进入深度学习，线性代数尤其重要，但即使这样，了解其他基本的机器学习概念也是很好的，比如主成分分析和推荐系统。惊喜惊喜，你可以猜到我推荐什么课程。这里提供了链接。

编程:就像对数学和统计数据有一个基本的理解是很重要的一样，了解编程中的核心基础知识会使您的生活变得容易得多，尤其是在实现方面。因此，我建议您在深入研究机器学习算法之前，先花时间学习基本的SQL和Python。

• 如果您对SQL是完全陌生的，我建议您阅读Mode的SQL教程，因为它非常简洁和全面。
• 同样，如果您是Python的新手，Codecademy是熟悉Python的好资源。

级别1：专门化

一旦你学会了基础知识，你就准备好专门化了。在这一点上，你是否想专注于机器学习算法、深度学习、自然语言处理、计算机视觉等就取决于你了…

• 如果你想了解更多关于机器学习算法和实现的知识，我会去看看Kaggle的机器学习介绍，斯坦福的机器学习课程，或者Udemy上的机器学习A-Z。看看他们，看看什么最适合你的喜好！
• 如果你想了解更多关于深度学习的信息，在这里查看欧泰的专业化。物有所值！
• 如果你想学习更多关于NLP的知识，这里有5个免费的自然语言处理课程，来自斯坦福和牛津等顶尖大学。

你可以专攻的东西还有那么多，所以在你做决定之前，请多探索一下！

第2级：练习

像其他任何事情一样，你必须练习你学到的东西，因为你失去了你不用的东西！以下是我推荐的3个资源，可以用来练习和改进你的技能。

1. Leetcode是一个伟大的资源，它帮助我学习技能和整洁的技巧，我从来没有想过是可能的。这是我在找工作时充分利用的东西，也是我永远会回去的资源。最好的部分是，他们通常有推荐的解决方案和讨论板，因此您可以了解更有效的解决方案和技术。
2. 熊猫练习问题：这个资源是一个专门针对熊猫的练习问题的存储库。通过完成这些练习问题，您将知道如何：筛选和排序数据、聚合数据、使用.apply（）操作数据，等等。
3. Kaggle是世界上最大的数据科学社区之一，有数百个数据集可供选择。使用Kaggle，您可以参加比赛，或者简单地利用可用的数据集创建自己的机器学习模型。

2）展示你的数据科学技能

学习数据科学是一回事，但人们通常忘记的是营销自己--你最终会想展示你学到的东西。如果您没有与数据科学相关的学位，这对您来说尤其重要。

一旦你完成了几个个人数据科学项目，下面是你展示它们和推销自己的几种方法：

您的简历

首先，利用你的简历展示你的数据科学项目。我建议创建一个名为“个人项目”的部分，在那里你可以列出你已经完成的两到三个项目。

同样，您也可以在LinkedIn上的“projects”部分添加这些项目。

GitHub存储库

如果您还没有创建Github存储库，我强烈建议您创建一个Github存储库。当我们讨论Github的主题时，学习Git将是一个好主意。在这里，您可以包含所有的数据科学项目，更重要的是，您可以与其他人共享您的代码以供查看。

如果你有一个Kaggle帐户，并在Kaggle上创建笔记本，这也是一个很好的选择。

一旦你有了一个活跃的Kaggle或Github账户，确保你的账户URL在你的简历、领英和网站上都有。

个人网站

说到网站，我强烈建议以网站的形式建立一个数据科学投资组合。HTML和CSS是非常简单的学习，这将是一个有趣的项目！如果你没有时间，像Squarespace这样的东西也会很好地工作。

中型博客

我有偏见，因为这对我来说很有效，但这并不意味着我不能推荐写博客！使用像Medium这样的平台，您可以编写项目演练，就像我的onWine Quality Prediction一样。