
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
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10