
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
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师证书考取全攻略 在数字化浪潮汹涌的当下,数据已成为企业乃至整个社会发展的核心驱动力。数据分析师作 ...
2025-06-25人工智能在数据分析的应用场景 在数字化浪潮席卷全球的当下,数据以前所未有的速度增长,传统的数据分析方法逐渐难以满足海 ...
2025-06-25评估模型预测为正时的准确性 在机器学习与数据科学领域,模型预测的准确性是衡量其性能优劣的核心指标。尤其是当模型预测结 ...
2025-06-25CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-06-24金融行业的大数据变革:五大应用案例深度解析 在数字化浪潮中,金融行业正经历着深刻的变革,大数据技术的广泛应用 ...
2025-06-24Power Query 中实现移动加权平均的详细指南 在数据分析和处理中,移动加权平均是一种非常有用的计算方法,它能够根据不同数据 ...
2025-06-24数据驱动营销革命:解析数据分析在网络营销中的核心作用 在数字经济蓬勃发展的当下,网络营销已成为企业触达消费者 ...
2025-06-23随机森林模型与 OPLS-DA 的优缺点深度剖析 在数据分析与机器学习领域,随机森林模型与 OPLS-DA(正交偏最小二乘法判 ...
2025-06-23CDA 一级:开启数据分析师职业大门的钥匙 在数字化浪潮席卷全球的今天,数据已成为企业发展和决策的核心驱动力,数据分析师 ...
2025-06-23透视表内计算两个字段乘积的实用指南 在数据处理与分析的过程中,透视表凭借其强大的数据汇总和整理能力,成为了众多数据工 ...
2025-06-20CDA 一级考试备考时长全解析,助你高效备考 CDA(Certified Data Analyst)一级认证考试,作为数据分析师领域的重要资格认证, ...
2025-06-20统计学模型:解锁数据背后的规律与奥秘 在数据驱动决策的时代,统计学模型作为挖掘数据价值的核心工具,发挥着至关重要的作 ...
2025-06-20Logic 模型特征与选择应用:构建项目规划与评估的逻辑框架 在项目管理、政策制定以及社会服务等领域,Logic 模型(逻辑模型 ...
2025-06-19SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的利器 在数据分析的众多方法中,Mann-Kendall(MK)检验凭借其对数据分 ...
2025-06-19CDA 数据分析能力与 AI 的一体化发展关系:重塑数据驱动未来 在数字化浪潮奔涌的当下,数据已然成为企业乃至整个社会发展进 ...
2025-06-19CDA 干货分享:统计学的应用 在数据驱动业务发展的时代浪潮中,统计学作为数据分析的核心基石,发挥着无可替代的关键作用。 ...
2025-06-18CDA 精益业务数据分析:解锁企业增长新密码 在数字化浪潮席卷全球的当下,数据已然成为企业最具价值的资产之一。如何精准地 ...
2025-06-18CDA 培训:开启数据分析师职业大门的钥匙 在大数据时代,数据分析师已成为各行业竞相争夺的关键人才。CDA(Certified Data ...
2025-06-18CDA 人才招聘市场分析:机遇与挑战并存 在数字化浪潮席卷各行业的当下,数据分析能力成为企业发展的核心竞争力之一,持有 C ...
2025-06-17CDA金融大数据案例分析:驱动行业变革的实践与启示 在金融行业加速数字化转型的当下,大数据技术已成为金融机构提升 ...
2025-06-17