成为数据科学家的简约学习之路

原文：https://medium.com/hackernoon/minimalistic-learning-path-to-become-a-data-scientist-c0a4f614bd09

Image Courtesy: https://unsplash.com/collections/396462/learn

数据一直存在于我们身边，但自从《哈佛商业评论》宣布“数据科学家是 21 世纪最性感的工作”的那一天起，对新工作角色——数据科学家——的需求已经达到顶峰，各行各业的人力资源部门都被赋予了招聘“数据科学家”的最艰巨任务，这几乎等同于“火星人”——从来没有见过的人。

俗话说得好，“趁热打铁”，软件工程师和工程毕业生开始将他们的职业生涯转换为“数据科学家”，这样他们的薪酬可以增加 2 倍或 3 倍(事实也确实如此)，因此一个新的行业“成为数据科学家的训练营”和“成为数据科学家的付费课程开始在我们周围涌现，让有志之士感到困惑——有时非常沮丧的是，许多有志之士在成为数据科学家的漏斗的早期阶段就放弃了。

Image Courtesy: http://blog.edx.org/the-importance-of-data-science-in-the-21st-century

因此，作为一名数据科学从业者(据说)，我决定勾勒出一条成为数据科学家的极简学习路径(根据我的经验，这似乎也有更高的成功率)

以下是建议的学习路径:

选择一种语言——R 或 Python——R 非常适合非技术人员，Python 适合技术人员
理解所选语言的基础——数据类型、循环、条件、函数

R-MSFT 课程简介 Data camp 数据科学 Python 简介

是时候从数据分析开始了——数据科学最艰苦的过程，但是 R 和 Python 中优秀的包/模块的可用性使任何人都更容易——在这个阶段，熟悉 RStudio / Jupyter 笔记本是相当可观的

R: dplyr ， tidyr ， stringr ， reshape2
生活总是枯燥的，没有切实的结果来感觉良好，所以是时候进行数据可视化 R:gg plot 2(不败之王)，交互可视化:rbo kehPython:matplotlib，交互可视化: bokeh
机器学习开始了——但是从统计开始了解基础知识

统计学习简介开放简介统计
机器学习兴起— Learn 用最常用的机器(监督/非监督)学习技术或算法来建立模型(这是 Python 派上用场的地方，因为 Python 只有一个中央模块scikit—Learn而 R 有很多—来执行模型建立，尽管两者都更容易)

线性回归
逻辑回归
决策树
KNN (K-最近邻)
k 均值聚类
购物篮分析(关联规则挖掘)
朴素贝叶斯

就这样，如果你成功地完成了这一部分，你就成功地成为了一名数据科学家(虽然是入门级的)，从这里你可以开始进入高级机器学习(打包/增强/集成技术、特征工程、降维)的旅程，并到达深度学习(人工神经网络、卷积神经网络等等)的深层世界

虽然这都是关于学习的，但当学习与 实践-实施-反馈 周期紧密结合时，学习会更好——这可以是你的github+blog posts在每个阶段的组合+一个顶点项目或 kaggle 竞赛/分析黑客马拉松

最后，值得一提的一本书(其中不包含代码)是， 商业数据科学 —对于任何想要进入数据科学领域的人来说，这是一本精彩的必读书籍。

Image Courtesy: Goodreads

更多资源:

黑客中午是黑客如何开始他们的下午。我们是 AMI 家庭的一员。我们现在接受投稿并乐意讨论广告&赞助机会。

如果你喜欢这个故事，我们推荐你阅读我们的最新科技故事和趋势科技故事。直到下一次，不要把世界的现实想当然！