这篇文章是为那些属于下列类别之一的人准备的:
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。
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。
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:
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。
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…
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。
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。
数据分析咨询请扫描二维码