作者: Harrison Jansma
编译: Mika
CDA 数据分析师原创作品，转载需授权

在过去的一年里，我自学了数据科学。我学习了数百个在线资源课程，每天学习6-8个小时，同时还在做一份兼职工作谋生。

我的目标是在缺乏资金的前提下，从事我热爱的数据科学职业。

在过去几个月里，我取得了很多成就。我发布了自己的网站，并获得了一个很不错的计算机科学研究生课程奖学金。

在本文中，我总结了自己是如何自学数据科学的，希望能给你有所帮助，让你更加顺利地开启自己的数据科学职业生涯。

注意，本文中我所说的“数据科学”指的是，那些将数据转化为现实行动的工具集合。当中包括机器学习、数据库技术、统计、编程和特定领域技术。

资源推荐

互联网上资源纷乱复杂，试图从中学习有时会让人无从下手。

Dataquest，DataCamp和Udacity等网站都提供不错的数据科学知识。它们都有相应的课程计划，都能让你系统地进行学习。

但问题在于，以上这些网站课程太贵了。而且没有教你如何在工作环境中应用概念，同时还限制你进行自我探索。

edX和coursera上的课程是免费的，并且设有针对特定主题的课程。如果你善于从视频或课堂环境中学习，这些都是学习数据科学的绝佳方式。

免费在线教育平台

以下列出了许多不错的数据科学课程，当中有些课程是免费的。

https://www.class-central.com/subject/data-science

如果你喜欢跟着书学习，那么可以看到这本教材。

Data Science From Scratch 
http://math.ecnu.edu.cn/~lfzhou/seminar/[Joel_Grus]_Data_Science_from_Scratch_First_Princ.pdf

为了让你更明确在数据科学中需要掌握哪些技能，在下一部分中，我将详细介绍具体的课程计划指南。

数据科学课程指南

Python编程

编程是数据科学家的基本技能。你需要熟悉Python的语法，了解如何以多种不同的方式运行python程序。（Jupyter notebook VS 命令行 VS IDE）

我花了大约一个月的时间来学习这些Python文档，以及CodeSignal上的编程挑战。

https://docs.python.org/3/tutorial/
https://docs.python-guide.org/intro/learning/

统计与线性代数

这是进行机器学习和数据分析的先决条件。如果这方面你有不错的基础，建议花一两个星期来梳理关注概念。

特别注意描述性统计。能够理解数据集是一项非常重要的技能。

Numpy，Pandas，Matplotlib

学习如何加载、操作和可视化数据。掌握这些库对你的个人项目至关重要。

可以查看相关教程，这些都是我用过的。
http://pandas.pydata.org/pandas-docs/stable/
https://docs.scipy.org/doc/numpy/user/index.html
https://matplotlib.org/tutorials/index.html

请记住，学习这些库的唯一方法就是使用它们！

机器学习

学习机器学习算法的理论和应用。然后将学到的概念应用于真实数据上。

大多数初学者会从使用UCI ML Repository的数据集开始，使用数据并浏览机器学习教程。

Scikit-learn文档具有出色的算法应用教程。
http://scikit-learn.org/stable/

生产系统

工作意味着获取实际数据并将其转化为行动。为此，你需要学习如何使用业务资源来获取、转换和处理数据。

亚马逊网络服务，谷歌云，微软Azure

这是数据科学课程中最基础的部分。主要是因为你使用的特定工具取决于你要进入的行业。

但是，数据库操作是必需的技能。你可以在ModeAnalytics或Codecademy上学习如何用代码操作数据库。你还可以在DigitalOcean上实现自己的数据库。

另一个需要的技能是版本控制。你可以创建GitHub帐户，并命令行每天提交代码来轻松获得此技能。

在考虑学习其他技术时，重要的是认识到你的兴趣是什么。如果你对Web开发感兴趣，那么关注该行业中公司使用的工具。

学习建议

1. 学习概念时要有主次

网上的学习资源很多，因此在线学习时很容易走弯路。

当开始研究某个主题时，你需要牢记自己目标。否则你将忘记初衷，被其他的内容吸引注意力。建议有效地整理和存储资源，从而更专注目前需要掌握的技能。

目前我的Chrome书签栏

如果你这样做，你保持有序的学习路径，将注意力集中在目前应关注的内容，避免分心。

2. 不要着急。学习是跑马拉松，而不是百米冲刺。

如果你要在数据科学领域取得成功，你需要不断地学习。请记住，学习过程就是回报。

在整个学习过程中，你将探索自己感兴趣的内容，你对自己的了解越多，你学习的乐趣就越多。

3. 学习，应用，重复

不要只学习一个概念，然后学习下一个概念。学习过程不会停止，直到你可以将概念应用于现实情况。

4. 建立个人作品集，向他人展示自己的技能

怀疑主义是你在学习数据科学时将面临的最大逆境之一。这可能来自其他人，也可能来自你自己。

因此，在学习数据科学时，个人简历是很重要的一环。这能让你找到理想的工作，成为更自信的数据科学家。

在作品集中包含你引以为荣的项目。你是否从头开始开发过Web应用程序吗？你有自己的IMDB数据库吗？你是否写过有趣的医疗保健数据数据分析？把这些罗列在作品集中。

这是我的作品集，存储在GitHub上是一个不错的选择，其中可以包含摘要页面和相关的项目文件。

5. 数据科学+ ____ =充满激情的职业

数据科学是能够改变世界的工具。数据科学的应用是无穷无尽的，因此你需要找到你的兴趣所在。

如果你找到自己感兴趣的内容，你将更愿意投入其中完成项目。

在学习的过程中，请留意那些让你感兴趣的项目或想法。

发现你所热衷的领域后，你会更系统地学习该领域所需的技能和专业知识。

结论

进入数据科学行业并不容易。为了激励自己继续学习，你需要毅力和自控能力。数据科学家需要时刻具有好奇心，并热衷于寻找答案。