
想做数据分析师,上大学和在线自学哪个更好
互联网连接你我,改变生活。身处互联网时代,学习资料获取更加容易,学习方式也更加丰富。是要继续上大学获取知识和技能还是在家自学在线课程?本文将阐述两者各自的优缺点,并帮你作出决策。
2012年刚开始的时候,关于数据科学的线上课程只有不到20个。2013年,CDA数据分析师推出数据分析课程。到了2017年,线上已经有数不清的课程可以选择,许多人都在纠结:到底是上传统的学校去学习,还是通过在线培训获取知识?
这也难怪,如今我们的选择确实丰富得太多,更多元的选择为我们的专业学习提供了很好的平台,但是选择丰富之余,也出现了一个新问题
选择太多也容易让人挑花眼。今天我就来给大家分析分析,是要选择传统的大学学术项目还是一系列独立的在线课程。
培养数据专家的正式学术学位计划
对于想成为数据科学家或者数据工程师或者分析专家的人来说,如果你看重的是学术声望,那么你有很多高校的专业可以选择。但是选择追求学校的声望可是要付出一定的成本哦。我接下来简要分析一下在传统学术机构学习的优缺点,然后再深入研究。(可参考CDA数据分析课程和CDA证书)
优点
毕业之后会获得正式的证书,可以写进简历
在校期间在专业上的学习可以由浅入深,一步一步,全面建立对该学科的知识框架
在这样的教育体系下,你需要对自己的教育追求负责
通过努力学习和辛苦付出,会受益颇丰
全面参与各种高级项目或者独立研究
缺点
费用不菲(2年平均费用在18000美元到144000美元之间)
专业学习更需要坚持和毅力(比如,没有了平实、简洁易懂的解释,取而代之的可能是充满理论的探讨)
课堂之外,你需要发展全面的自学能力(上大学充电,就是要自学与数据打交道的能力)
必须严格遵循课程(甚至是上课地点)安排
到大学上课一定更好吗?
答案是因人而异
如果你还没有拿到STEM学位(STEM分别代表science(科学), technology(技术), engineering(工程),mathematics(数学),译者注 ),那你最好先拿一个。这种情况下最好的选择应该是选一个数据科学或者数据工程的学术项目。我的建议是,在选择具体专业或者项目事还要注意几个前提条件。
如果你想为来自工业国家的客户工作或者与他们共事,而且你的STEM学位是在一个发展中国家的学术机构拿到的,那么你可以考虑就读一个工业国家学校提供的正式学术项目。但值得注意的是,如果你已经有很多和世界级客户共事的经验,那么其实你也不必再继续追求学历以证明你的能力(但是,你肯定已经知道了能力的重要性。)
最后,如果你自己很清楚一定要有一个传统的教室学习环境才能让你学到真知,那你就要不惜一切代价去追求自己的梦想了。
成为数据专家所需的在线培训
我们实事求是地说,在线培训是专门为想自己动手学习知识的人群设计的。我们有上千种提高技术的选择,帮助实现职业向着预期发展。但是很多人被林林总总的选择搞得晕头转向,眼花缭乱。有关数据专家的在线培训课程数量总是很多,指导却很少。以下是在线课程的主要优缺点:
优点
事实上,所有的课程都是免费的。顶多只需花不到500美元就能了解到比在传统学术项目中更多的话题
选择网络培训课程说明你是一个专心致志,积极向上,充满热情的技术专家(自学是证明一个人不断追求进步的表现之一)
你可以按照自己的节奏,随时随地开始学习
你有很大的自由,用自己最感兴趣的方式磨练技艺,很有灵活性
你可以用简单的方式学习(这取决于你选了哪位老师。大多数线上培训讲师都会直白的语言,实用的手段进行讲解,但有些老师会故作高深,把内容搞得很难。)
缺点
除了在培训视频上学到的东西以外,其他东西都要自己学(不过,选择一个会用很实用的方法培训你的老师可以帮助解决这一问题。好好想想,你是在为你自己学习)
你必须得对自己负责,或者和别人一起学习,相互监督
你要自己设计学习方案,或者请人帮你设计一个学习方案
你拿不到正式的大学认证,但是培训结束后会有一个认证。
通过在线培训成为数据专家是否适合你?
决定是否通过在线学习成为数据专家需要考虑许多因素。如果你已经获得名校的STEM学科学位,我认为你没必要因为要锻炼数据处理技术而去大学继续学习,你只需再听一些在线课程,读一些相关书籍,由小到大,由少到多,循序渐进。如果你非常确定自己不沉浸在学术气氛中就无法学好知识,那么培养数据专家的在线培训课程就不适合你了。
很多人问我要如何在在线培训课程上学习才更有效果。我知道这个领域范围很广,更新换代日新月异。如果你初涉该领域,想一下子找到适合的方法会比较困难。但是想想自己报了网络课程相比上大学所省下来的一大笔钱,找出合适的在线学习方法似乎就不算个事儿了。如果你已经在数学和分析并解决问题上学到了足够的知识,为什么还要牺牲钱包、时间,甚至你的生活方式去坐在教室里学习呢?
但是我还是要说一下,我是有偏见的。我在大学获得环境工程专业学位和专业证书,然后我才开始自学数据科学。我从没有上大学去学习数据科学这一专业,我觉得没必要。我在大学期间修了20多个数学的学分,自己可以自学代码,为什么还要去上大学再专门学习这个专业呢?我可不想再白花两年时间和6万美元。怎么样,有道理吧!
说得有点多,有点离题了。总之,我不太赞成为了学习如何与数据打交道而专门回大学充电。但是如果你没拿过STEM学科专业学位,那可能就另当别论了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29