数据科学学习误区

“平衡是一门艺术，也是一种智慧” ——数据人网

如何学习数据科学知识？

如何利用数据科学知识解决好数据问题，实现数据变现？

如何通过数据科学的学习，从事数据工作，迈入与数据相关的行业？

图1：社交链与概率图

本文探讨和总结数据科学学习的误区，有责改则，无则加勉。

误区一：花大把时间消耗于理论

有人说，数据科学的学习之路，堪比“长征之路”，走出来的人，都很了不起。

一部分人在学习数据科学知识时，会花费很多时间和精力在理论上，触及到数学、统计学、计算机科学、机器学习等相关理论，比方说，学习一个机器学习算法，会从算法的原理、算法的来龙去脉、算法的改进与优化等方面进行研究。这种学习方法，没有很好地平衡理论与实践的关系。数据科学是具有很强的实践特质，因此，在学习数据科学的进程中，“学中做，做中学，迭代反复”会更有效果，也能深刻体会到数据科学的价值。

思考环节：当你在学习逻辑回归算法的时候，理论层面需要了解哪些内容？实践层面需要如何实现与应用？逻辑回归算法优点和缺点是什么？逻辑回归算法的“能与不能”问题？逻辑回归算法的应用场景？

图2：学中做，做中学

误区二：从头编写太多算法

学习了一个算法，想把算法实现和应用，这就需要“写代码”。写代码的人需要平衡“造轮子”和“不造轮子”的关系。通俗地说，“造轮子”意味什么都从头做起；“不造轮子”意味着什么都拿来即用，这两种情形都存在利弊。在学习数据科学知识的时候，造轮子太多未必是好事情，向比自己厉害的人学习并加以转化与创造会更加有效果，毕竟我们的时间和精力都是有限的，毕竟我们的想法需要尽快地落实与验证，毕竟我们的商业问题需要及时地合理解决。

思考环节：逻辑回归算法，从头编写如何实现？选择已成熟的轮子，你会选择哪些轮子，造轮子的人是怎么实现的？与你所制造的轮子有什么差异？

误区三：浅尝辄止，不够深入

“逻辑回归算法为什么是概率模型算法？”，一位面试官问一个求职者。

学习数据科学知识，对知识的深入地理解和认识，而不是至于表面，对于前面的面试问题，应该会有恰当的见解。

如何对知识进行深入地钻取呢？可以多角度地思考与尝试，以做到“举一反三，触类旁通，融会贯通”。

思考环节：逻辑回归算法怎么设计的？逻辑回归算法的理论是什么？逻辑回归算法表现形式、目标函数、知识表达分别是什么？

图3： 深入学习例子