九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区

選自 towardsdatascience，作者：Andrew Lukyanenko，機(jī)器之心編譯，參與：高璇、王淑婷。

成為一名數(shù)據(jù)科學(xué)家，Course 或 MOOC 上的廣告說幾個(gè)月就行。然而本文作者說，這是不存在。以下是作者根據(jù)自身經(jīng)歷寫的經(jīng)驗(yàn)（雞湯）貼，內(nèi)容詳實(shí)豐富 ↓↓

關(guān)于做一名數(shù)據(jù)科學(xué)家，我有一些想法。成為一名數(shù)據(jù)科學(xué)家并不容易，需要付出很多努力，但如果你對(duì)數(shù)據(jù)科學(xué)充滿興趣，那一切都是值得的。

時(shí)常有人問我：如何成為一名數(shù)據(jù)科學(xué)家？必修的課程是什么？需要多長(zhǎng)時(shí)間？你是怎么成為數(shù)據(jù)科學(xué)家的？我已多次回答過這些問題。所以在我看來，寫一篇匯總的文章也許能幫助那些想要成為數(shù)據(jù)科學(xué)家的人。

關(guān)于我自己

我（俄羅斯，莫斯科）在密歇根州立大學(xué)經(jīng)濟(jì)學(xué)院獲得碩士學(xué)位，并在 ERP 系統(tǒng)規(guī)劃領(lǐng)域做了 4 年的分析師和顧問。我的工作涉及與客戶交談，討論他們的需求并將其落地，編寫文檔，向程序員說明任務(wù)，測(cè)試結(jié)果，組織項(xiàng)目和許多其它事情。

這是一項(xiàng)壓力很大的工作，需要處理很多問題。更重要的是，我并不喜歡它。盡管我喜歡處理數(shù)據(jù)，但我做的大多數(shù)事情還是令人索然無味。所以，在 2016 年的春夏之交，我開始另謀出路。我通過了精益六西格瑪（Lean Six Sigma）的綠帶測(cè)試，但還未找到新的就業(yè)機(jī)會(huì)。有一天我發(fā)現(xiàn)了大數(shù)據(jù)（BigData）。在 google 上搜索和閱讀了許多文章后，我意識(shí)到這可能是我的夢(mèng)想職業(yè)。

我辭去工作，并在八個(gè)月后在一家銀行找到了第一份數(shù)據(jù)科學(xué)家的工作。從那之后，我先后就職了幾家公司，但我對(duì)數(shù)據(jù)科學(xué)的熱情日益增加。我完成了一些關(guān)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的課程，實(shí)踐了一些項(xiàng)目（如聊天機(jī)器人或數(shù)字識(shí)別 APP），先后參加了許多機(jī)器學(xué)習(xí)的比賽和活動(dòng)，在 Kaggle 上獲得了三枚銀牌。總之，我有一些學(xué)習(xí)數(shù)據(jù)科學(xué)和作為數(shù)據(jù)科學(xué)家工作的經(jīng)驗(yàn)。當(dāng)然，我還有很多技能需要學(xué)習(xí)。

免責(zé)聲明

本文所述僅為我自己的觀點(diǎn)。可能有些人會(huì)對(duì)其中的內(nèi)容持反對(duì)態(tài)度，但我無意冒犯任何人。我認(rèn)為想成為一名數(shù)據(jù)科學(xué)家必須投入大量的時(shí)間和精力，否則將一事無成。Course 或 MOOC 聲稱可以讓你在幾周或幾個(gè)月內(nèi)成為機(jī)器學(xué)習(xí)/深度學(xué)習(xí)/數(shù)據(jù)科學(xué)專家的廣告語并不是真的。你可以在數(shù)周/數(shù)月內(nèi)獲得一些知識(shí)和技能。但如果沒有廣泛的實(shí)踐（大多數(shù)課程內(nèi)不包含這一部分），你無法真正掌握它。

你確實(shí)需要內(nèi)在的動(dòng)力，但更重要的是，你需要嚴(yán)格地規(guī)范自己，這樣你可以在動(dòng)力消失后繼續(xù)努力。

再說一遍——你需要自己動(dòng)手動(dòng)腦。如果你在提出最基礎(chǔ)的問題之前沒有用 Google/ StackOverflow 或思考幾分鐘，那你將永遠(yuǎn)無法趕上專業(yè)人士。

在我參加的大多數(shù)課程中，只有大約 10-20％的人完成了這些課程。半途而廢的人基本都缺乏耐心和決心。

什么樣的人能成為數(shù)據(jù)科學(xué)家？

上圖顯示了數(shù)據(jù)科學(xué)家所需的一些核心技能，比如：數(shù)學(xué)和統(tǒng)計(jì)學(xué)，編程和開發(fā)，領(lǐng)域相關(guān)知識(shí)和軟技能。

這么多技能！怎么可能完全掌握呢？嗯，需要花費(fèi)很多時(shí)間。但告訴你一個(gè)好消息：沒必要掌握全部。

2018 年 10 月 21 日，Yandex 上有一個(gè)有趣的演講，其中提到數(shù)據(jù)科學(xué)專家類型有很多，他們只是擁有上述技能中的某幾種而已。

數(shù)據(jù)科學(xué)家應(yīng)該處于圖片中間的位置，但實(shí)際上他們可以處于三角形的任何位置，不同位置對(duì)應(yīng)了不同的專家能力。

在本文中，我將討論的一類數(shù)據(jù)科學(xué)家是那些可以與客戶交談，進(jìn)行分析，構(gòu)建模型并實(shí)施項(xiàng)目的人。

轉(zhuǎn)行？這意味著你已有所了解！

有人說轉(zhuǎn)行相當(dāng)困難。雖然這是事實(shí)，但轉(zhuǎn)行也通常意味著你對(duì)現(xiàn)在工作已經(jīng)有所了解。也許你有編程和開發(fā)經(jīng)驗(yàn)，也許你在數(shù)學(xué)/統(tǒng)計(jì)學(xué)領(lǐng)域工作過，或者你每天鍛煉你的軟技能。至少你擁有一些自己領(lǐng)域的專業(yè)知識(shí)。你可以揚(yáng)長(zhǎng)避短。

來自 Reddit 的數(shù)據(jù)科學(xué)路線圖

實(shí)際上這里有兩個(gè)路線圖:)

第一個(gè)來自 Reddit：

首先，閱讀 Hastie、Tibshirani 和 Jerome Friedman 所著的《The Elements of Statistical Learning》第 1-4 章和 7-8 章。就算暫時(shí)不理解，也要堅(jiān)持閱讀。

如果需要，你可以閱讀該書的其它部分。假設(shè)你對(duì)全書都已有所了解。

觀看 Andrew Ng 的 Coursera 課程。用 python 和 R 語言完成所有練習(xí)。確保你能寫出正確答案。

然后閱讀一本深度學(xué)習(xí)書。在 Linux 系統(tǒng)中運(yùn)行 tensorflow 和 pytorch 框架并實(shí)踐示例項(xiàng)目，直到完成。嘗試使用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和前饋神經(jīng)網(wǎng)絡(luò)。

完成所有這些后，繼續(xù)在 arXiv 上閱讀最新的有用論文。文獻(xiàn)不斷在更新，所以要跟上大部隊(duì)。

完成這些的你現(xiàn)在會(huì)被大多數(shù)公司錄取。如果你需要完善簡(jiǎn)歷，可以參加一些 Kaggle 比賽。如果你有調(diào)試問題，請(qǐng)使用 StackOverflow。如果在數(shù)學(xué)方面有問題，請(qǐng)多讀文獻(xiàn)。如果生活上問題，自己看著辦吧。（以上引用）

《The Elements of Statistical Learning》地址：https://web.stanford.edu/~hastie/ElemStatLearn//printings/ESLII_print10.pdf

其中一條評(píng)論：

這些還不夠。還有一個(gè)新問題：沒有訓(xùn)練數(shù)據(jù)，想想怎么收集。學(xué)會(huì)寫 scraper，然后做一些標(biāo)注和特征提取。在 EC2 上完成所有安裝并實(shí)現(xiàn)自動(dòng)化。嘗試編寫代碼，以便有新數(shù)據(jù)時(shí)，在生產(chǎn)中不斷重新訓(xùn)練和部署模型。

雖然這些聽起來很簡(jiǎn)短，但很嚴(yán)苛且非常困難，如果做到了，它可以讓你有個(gè)飯碗。

當(dāng)然，還有許多其它的數(shù)據(jù)科學(xué)方法，我提供的只是我自己的方法。它并不完美，但卻是基于我的個(gè)人經(jīng)驗(yàn)。

我的路線圖：

有一項(xiàng)技能可以讓你走得很遠(yuǎn)。如果你還沒擁有這項(xiàng)技能，希望你盡快掌握。這項(xiàng)技能是——獨(dú)立構(gòu)思，檢索信息，發(fā)現(xiàn)信息，理解信息。有些人無法獨(dú)立構(gòu)思，有些人無法找到最基本問題的解決方案，有些人甚至不知道如何正確使用谷歌搜索。這是一項(xiàng)必備的基礎(chǔ)技能，你必須掌握它！

1. 選擇一門編程語言進(jìn)行學(xué)習(xí)。Python 或 R 語言就不錯(cuò)。我強(qiáng)烈建議選擇 Python。理由我就不多說了，關(guān)于 R / Python 的爭(zhēng)論已經(jīng)多得數(shù)不勝數(shù)，不過我個(gè)人認(rèn)為 Python 更通用，更實(shí)用。花上 2-4 周學(xué)習(xí)語言，這樣你就能做基本的事情了。大致了解要使用的庫，例如 pandas / matplotlib 或 tydiverse / ggplot2。
2. 過一遍 Andrew NG 的 ML 課程。這門課比較老，但它可以幫你夯實(shí)基礎(chǔ)。用 Python/R 完成其中的任務(wù)可能很有用，但沒有必要。
3. 再選擇一門（或幾門）進(jìn)階的 ML 課程進(jìn)行學(xué)習(xí)。對(duì)于 R 用戶，我推薦 Analytics Edge，對(duì)于 Python 用戶，我推薦 mlcourse.ai。如果你懂俄語，那么 Coursera 上的這門課（https://www.coursera.org/specializations/machine-learning-data-analysis）也很棒。在我看來，mlcourse.ai 是三者中最好的。為什么？它提供了良好的理論和一些有挑戰(zhàn)的任務(wù)，這已經(jīng)足夠了。同時(shí)它還教人們參加 Kaggle 比賽并制作獨(dú)立項(xiàng)目。這對(duì)實(shí)踐很有幫助。
4. 學(xué)習(xí) SQL。大多數(shù)公司的數(shù)據(jù)都保存在關(guān)系數(shù)據(jù)庫中，因此你要能夠獲取它?？梢允褂?select 語句、group by 語句、join 語句、CTE 表達(dá)式等。
5. 嘗試使用原始數(shù)據(jù)，獲得處理雜亂數(shù)據(jù)集的經(jīng)驗(yàn)。
6. 上一條是選做，但這一條是必須完成的：完成至少 1 或 2 個(gè)完整項(xiàng)目。例如，對(duì)某些數(shù)據(jù)集進(jìn)行詳細(xì)的分析和建模，或創(chuàng)建一個(gè)應(yīng)用程序。最重要的是學(xué)習(xí)如何構(gòu)思一個(gè)想法、規(guī)劃實(shí)施、獲取數(shù)據(jù)、實(shí)施并完成項(xiàng)目。
7. 參加 Kaggle 比賽。
8. 加入一個(gè)好的社區(qū)。我加入了 ods.ai——由一萬五以上活躍的俄羅斯數(shù)據(jù)科學(xué)家組成的社區(qū)（不過這個(gè)社區(qū)對(duì)任何國家的數(shù)據(jù)科學(xué)家都開放），這對(duì)我?guī)椭艽蟆?/li>

學(xué)習(xí)深度學(xué)習(xí)是另一個(gè)全新的話題。

這僅僅是個(gè)開始。遵循這個(gè)路線圖（或做相似的事）將幫助你開啟數(shù)據(jù)科學(xué)家之路。剩下的路要靠你自己走!