罗曼·奥拉克，数据科学家。
我收到许多信息，向有抱负的数据科学家寻求建议。我不是职业建议方面的专家，所以对我写的一切都持怀疑态度。
我根据我对这个领域的观察和我多年来积累的经验给出建议。这是我，建议年轻的我，因为我有类似的问题，在我的职业生涯开始。
我的建议是从实际项目开始，然后慢慢地进行理论研究。Kaggle笔记本是学习实际部分的好方法。
在Reddit社区或交叉验证社区中提问。
当您对自己的工具和实践知识感到满意时，我建议您自己为某些问题构造数据集（例如，您可以刮取数据），并对其应用ML算法。ML中最难的是数据集的构造。你甚至可以用它建立一个公司。
Kaggle是学习实际部分的一个很好的方法。
我建议您从免费资源开始，因为有许多免费资源可用于编程、机器学习和数据科学：
我个人很喜欢吴恩达的Machine LearningCoursera课程。这门课程开始很容易，然后随着它的进行逐渐变得困难。它的优点在于它专注于机器学习的基础知识。
我建议你至少听前几堂课。如果你不明白所有的事情，也不要担心，因为你可以在以后重温它。我也建议你不要只专注于一个课程。我们学得都不一样，没关系。
我们学得都不一样，没关系。
不要一个人学习！寻找并加入能帮助你学习和成长的在线社区。我在以下文章中写过关于数据科学社区的文章：
您可以开始在Excel中练习机器学习。尝试在Excel中实现线性回归。这是一个很好的第一个挑战，它会让你有动力。
开始在Excel中练习机器学习。
让我们对房间里的大象讲话。如果您刚刚起步，我建议您学习Python。主要原因有：
使用Python，您可以进行分析，从头开发模型，然后在生产中运行它。虽然我确信R中的模型也在生产中运行，但我还没有听说过（如果您的经验不同，请在评论中告诉我）。
别误会，如果你知道R，那完全没问题。数据科学团队通常使用这两种语言，一些人喜欢R，另一些人喜欢Python。
最后，这并不重要，因为有些模型必须用编译语言(Java，Go)重新实现，以便在生产中做出更快的预测。
Python使您能够进行分析、从头开发模型并在生产中运行它。
这是个很棒的问题。答案是肯定的--用大写字母。
无论您是否使用SQL数据库，您都应该了解关系数据库中的主要概念，如joins、group by、window functions、lag、lead等。即使在使用pandas、R或其他工具时，这些概念也是必不可少的。
如果您感兴趣，我还写了几篇关于SQL的文章：
答案是肯定的--用大写字母。
你知道的数学越多，从长远来看对你越好。了解数学将使您能够理解黑匣子机器学习模型的幕后发生了什么。从理论到实践的知识转移也更容易。
有了数学，你就会明白黑匣子模型的幕后发生了什么。
当你需要改进模型时，数学就变得至关重要。您需要数学来理解不同类型的模型、发行版等之间的差异。
资深机器学习工程师只需看优化函数就能说出一个模型的主要性质。
当你试图改进模型时，数学变得至关重要。
我的建议是提前考虑。每个领域都需要一名数据科学家，或者将来也会需要。问问自己，完成学业后，你希望在哪家公司实习？如果你已经听过一些相关的课程，就更容易获得生物信息学的实习机会。
提前想想。
你不需要博士学位。从事数据科学工作--意味着对现实世界的数据进行分析，并应用机器学习模型。
如果你的目标是做研究和开发新的机器学习算法（例如，在Deep Mind工作），那么你应该攻读博士学位。
你不需要博士学位。从事数据科学工作，但是...
参加LocalMeetups。公司在那里寻找新雇员。也许从数据质量评估部门开始--大公司有这些。在线社区也能有所帮助。
参加当地的聚会。
最近，我写道，“当你有多个工作机会时，接受一个有更好导师的工作机会。”
你怎么知道哪家有最好的导师？在面试过程中尽可能多地了解团队成员、经理、他们的背景等信息。查看他们的LinkedIn。他们在Quora、StackOverflow、Medium上写吗？做你的研究。
数据分析咨询请扫描二维码
