RoyalMail數(shù)據(jù)科學家Freddie Odukomaiya曾經(jīng)用12個月的時間讓自己成功的成為數(shù)據(jù)科學家，以下是他的經(jīng)驗分享和他所使用的學習資源。

以下內容譯自https://blog.usejournal.com/how-to-become-a-data-scientist-in-12-months-71aa9ee822d9

?

想成為數(shù)據(jù)科學家，以下8點非常重要

• 選擇一種編程語言，堅持下去。

不要不斷改變你選擇的語言。如果這樣做，你的進度將大大減慢。

• 明確你的動機。

這很重要，因為學習數(shù)據(jù)科學很難，所以在過程中很容易失去動力。如果你的動力清晰而強大，那么就更容易忍受和堅持。

• 不要迷失在課程中。

如果你只是不斷的在學習教程，你很容易陷入一種自我欺騙“我知道自己在干什么”。最好的方法是在項目中學習。找一個你感興趣的項目，把數(shù)據(jù)科學應用其中，比如，我的項目是預測英超聯(lián)賽的冠軍。

• 精準選擇小部分資源。

現(xiàn)在有太多學習數(shù)據(jù)科學基礎知識的資源。一個普遍的現(xiàn)象是，大家很難堅持使用一個資源學習，很多人使用一個資源開始學習，看到了一個更好的資源后立即就更換了學習資源，這樣成本是非常高的，要盡量避免這種情況。相反，我們應該選擇一組涵蓋不同主題的資源（例如，construct a curriculum），堅持下去，知道你完成他們

• 讓自己沉浸在社區(qū)中。

你需要讓數(shù)據(jù)科學包圍自己。可以通過以下幾種方式：訂閱DS簡報，閱讀數(shù)據(jù)科學文章和書籍，收聽數(shù)據(jù)科學播客，在youtube上觀看數(shù)據(jù)科學講座，通過參加所有和任何數(shù)據(jù)科學活動，利用Meetup和Eventbrite等網(wǎng)站。查找在線DS社區(qū)并加入他們。

• 去黑客馬拉松！

不要等到你“準備好”再去參加黑客馬拉松，參加黑客馬拉松的好處遠遠超過你認為你會經(jīng)歷的任何負面影響。黑客馬拉松也可以在線參與，例如，Kaggle本質上就是一個永無止境的在線黑客馬拉松。

• 尋找導師。

這對我來說是最困難的部分，因為我對導師的定義有些許誤解。導師只是一位經(jīng)驗豐富且值得信賴的老師/輔導員。你可以擁有多個導師，甚至可能無法直接與他們互動。我最終的導師其實是哪些有影響力的數(shù)據(jù)科學家，我通過社交媒體關注他們，訂閱他們的新聞通訊，閱讀他們的書籍和聽他們的談話/播客。當我覺得我需要建議時，我通過電子郵件和社交媒體與他們聯(lián)系，雖然不是每個人都回復了我，但那些確實幫助了我很多。

• 準備好犧牲你工作日的晚上和周末。

你必須投入大量的精修勤練，花費大量時間學習，你的社交生活會受到影響。努力工作很重要，但聰明地工作更有價值，請你準備一份時間表，關于你正在學習的課程，正在閱讀的書籍以及正在開展的項目。

最全學習資源匯總

充分利用這些信息資源才能更好的學習數(shù)據(jù)科學哦。

【課程】

• 開源數(shù)據(jù)科學大師 ?- @clarecorthell制作了涵蓋數(shù)據(jù)科學所有不同方面的課程，并附有相關課程，書籍等的鏈接。
• Class Central ?- 這是谷歌的在線課程。您可以通過簡介和用戶評分找到與任何主題相關的在線課程。
• DataCamp ?- 一家通過互動在線課程教授數(shù)據(jù)科學的EdTech公司。

【實踐】

• Kaggle ?- Kaggle是預測建模和分析競賽的平臺。
• ＃100DaysOfCode ?- 這是一個挑戰(zhàn)，初學者嘗試每天至少編碼一個小時，持續(xù)100天。
• Codewars ?- 通過與其他人一起訓練真實代碼的挑戰(zhàn)來提高您的技能。
• DrivenData ?- DrivenData讓眾包成為世上最大的社會挑戰(zhàn)和組織之一。
• HackerRank ?- 練習編碼。參與競爭。找工作。

【書籍】

• Machine Learning with Python Cookbook by Chris Albon
• An Introduction to Statistical Learning: with Applications in R
• Hands-On Machine Learning with Scikit-Learn and TensorFlow by Aurélien Géron
• Think Stats: Exploratory Data Analysis by by Allen B. Downey
• The Signal and the Noise: The Art and Science of Prediction by Nate Silver
• Prediction Machines: The Simple Economics of Artificial Intelligence
• How to Lie with Statistics by Darrell Huff
• Automate the Boring Stuff with Python by Al Sweigart

【通訊/博客】

• Data Elixir?— Data Elixir每周二會發(fā)送到您的收件箱，其中包含從網(wǎng)絡上挑選的數(shù)據(jù)科學內容。
• Data Science Roundup?- 互聯(lián)網(wǎng)上最有用的數(shù)據(jù)科學文章。由Tristan Handy策劃。
• FiveThirtyEight ?- Nate Silver使用統(tǒng)計分析來解決政治和體育問題的熱門博客。
• Variance Explained ?- David Robinson的數(shù)據(jù)科學博客，DataCamp的首席數(shù)據(jù)科學家，這是一家通過互動在線課程教授數(shù)據(jù)科學的EdTech公司。
• Flowing Data ?- FlowingData探索統(tǒng)計學家，設計師，數(shù)據(jù)科學家和其他人如何使用分析、可視化和探索去理解數(shù)據(jù)和我們自己。
• The Pudding ?- ?The Pudding通過視覺論文解釋了文化中爭論的觀點
• Datacamp ?- 幫助您成為數(shù)據(jù)科學家的數(shù)據(jù)科學博客。
• Kaggle Blog ?- Kaggle.com的官方博客
• Machine Learning Mastery ?- 即使你是從0開始，也可以在真實應用程序中使用它來掌握機器學習。
• Chris Albon ?- 流行的Machine Learning Flashcards背后的數(shù)據(jù)科學家和Machine Learning with Python Cookbook的作者。
• KD Nuggets ?- KDnuggets?是業(yè)務分析，大數(shù)據(jù)，數(shù)據(jù)挖掘，數(shù)據(jù)科學和機器學習的領先站點。
• Analytics Vidhya ?- 了解有關Data Analytics的所有信息。

【播客】

• Linear Digressions ?- 在每一集中，主持人通過有趣的應用程序探索機器學習和數(shù)據(jù)科學。
• Partially Derivative ?- 日常生活中每天的數(shù)據(jù)，由Data Science超級極客主持。
• Data Skeptic ?- 介紹與數(shù)據(jù)科學，機器學習，統(tǒng)計和人工智能相關的主題的訪談和教育討論。
• This Week In Machine Learning and Artificial Intelligence- 迎合熱愛機器學習的觀眾和AI愛好者。
• Software Engineering Daily ?- 關于軟件主題的技術訪談。
• DataFramed ?- 通過DataCamp，專注于探索數(shù)據(jù)科學可以解決的問題。
• Talking Machines ?- 機器學習正在改變我們可以提出的問題，我們探索如何提出最佳問題以及如何解決問題。
• Becoming A Data Scientist Podcast ?- 訪問數(shù)據(jù)科學家，了解他們成功的方法。
• AI in Industry- 每周Dan Faggella都會采訪Top AI和ML高管，投資者和研究人員。

【Youtube頻道】

• 3Blue1Brown ?- 到目前為止最好的數(shù)學教程頻道。以可視方式解釋復雜概念。
• Brandon Foltz ?- 我第二喜歡的數(shù)學頻道，主要側重于從初級到高級教學統(tǒng)計。
• Computerphile ?- 關于計算機和計算機的視頻。
• PyData ?- PyData為數(shù)據(jù)分析工具的用戶和開發(fā)人員的國際社區(qū)提供了一個論壇，分享想法，相互學習。
• Sentdex ?- Youtuber和程序員會提供高質量的數(shù)據(jù)科學教程。
• Siraj Raval ?- 與Sentdex類似，可生成有趣且信息豐富的數(shù)據(jù)科學內容。
• 兩分鐘論文 ?- 在2分鐘內解釋最新的數(shù)據(jù)科學研究論文。
• Enthought ?- 從SciPy等流行的數(shù)據(jù)科學會議中尋找精彩的對話和討論。

【大家要關注】

• @BecomingDataSci ?- HelioCampus的數(shù)據(jù)科學家Renee Teate和流行的Becoming A Data Scientist網(wǎng)站和播客的創(chuàng)建者。
• @drob ?- 大衛(wèi)羅賓遜，DataCamp的首席數(shù)據(jù)科學家，Tidytext軟件包和O'Reilly的書籍Text Mining with R的共同作者。
• @chrisalbon ?- Chris Albon，流行的Machine Learning Flashcards背后的數(shù)據(jù)科學家和Machine Learning with Python Cookbook的作者。
• @frankchn ?- Frank Chen，Google Brain的軟件工程師，負責TensorFlow。
• @fchollet ?- Francois Chollet，Google的深度學習。神經(jīng)網(wǎng)絡庫Keras的創(chuàng)造者。“Deep Learning with Python”的作者。
• @goodfellow_ian ?-Ian Goodfellow，Google腦研究科學家，領導一個研究人工智能對抗技術的團隊。Deep Learning Book的主要作者。
• @jakevdp ?- Jake VanderPlas，華盛頓大學電子科學研究所數(shù)據(jù)科學家。訪問Google的研究員; Python Data Science Handbook的作者。
• @dataandme ?- 來自Rstudio的Tidyverse Dev Advocate的Mera Averick。
• @math_rachel ?- Rachel Thomas，Fast.ai的聯(lián)合創(chuàng)始人和舊金山大學教授。

【在線社區(qū)】

• Python for Data Science
• FreeCodeCamp Data Science Room
• Reddit's Data Science Subreddit
• Kaggle’s online forum
• ＃100DaysOfCode ?- ＃100DaysOfCode Challenge參與者的Slack頻道。
• Stack Overflow ?- 全球最大的開發(fā)者社區(qū)。

?

數(shù)據(jù)科學的學習是一個永無止境的過程，有了方法和學習資源最重要的一定還是堅持。

享受學習，享受知識，享受進步，大家加油鴨！！

?

網(wǎng)易云信，你身邊的即時通訊和音視頻技術專家，了解我們，請戳網(wǎng)易云信官網(wǎng)

想要行業(yè)洞察和技術干貨，請關注網(wǎng)易云信博客

更多精彩內容，關注網(wǎng)易云信知乎機構號哦。

總結

以上是生活随笔為你收集整理的如何12个月内成为数据科学家？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。