京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25