一名数据科学家的新年计划

转自|灯塔大数据

微信|DTbigdata

新的一年不仅仅意味着换一本新台历或者揉着眼睛在下一个清晨醒来。新的一年应该拥有一个新开端的喜悦,它赋予我们充分的理由去养成新习惯,也标志着新“希望”的到来。

如果你看到这篇文章的题目开始阅读本文,那么一定是数据科学激起了你的兴趣。你肯定希望2016年成为你的转运年,对不对?如果你从今天起坚持去执行这些新年计划,转运的可能性就会更大。要知道,成为一名数据科学家不能一蹴而就,需要的是一个过程。因此,朝目标迈进的过程中一定要充满耐心。

根据发展阶段的不同,我在此给大家分享一些每个数据科学家都应该做的新年计划。当然这个列表比较笼统,大家可以根据自己的需求去调整。

一名数据科学家的新年计划

根据数据科学家一生的三个发展阶段,我将这些计划做了分类。大家可以自己判断哪些计划适合自己并按照计划行动起来。如果你已经成功地完成了现有阶段的任务,就可以转向下一阶段。我还列出了现有的有关该主题的最佳课程。为了实现最佳效益,我建议大家逐一学习。

初学者水平

什么是初学者?——如果解析学和数据科学对你来说是全新的领域,你也不知该行业的发展模式,而你又想在这个行业大展拳脚一番,那么初学者就是你。以下这些应该在你的计划之内。

1. R语言也好,Python语言也好,学习一门新的编程语言

我曾见到有同学同时学习R语言和Python语言,最后落得两手空空。这种做法是很致命的。你一定要沉下心来专攻一门。鉴于这两种语言都是开放源代码工具,所以在公司里都有广泛运用。Python被公认为最简单的编程语言,而R语言一直都是最受青睐的统计工具。学习哪一门的决定权在你,因为两个同等出色。

推荐课程:学习Codecademy上的Python语言课程;学习DataCamp上的R语言课程。

2. 学习统计学和数学

统计学的内容全都是关于假设和数列,然而没有统计学和数学的知识你很难深入到数据行业里,这是数据科学家的重中之重。如果你不擅长数学,那现在是时候走出困境了。面对深奥的统计、几何和概率领域知识时,一定不要惊慌。可汗学院(Khan Academy)、Udacity等站点上都有很多优质的统计学课程。下载APP,现在就能开始学习!

推荐课程:Udacity上的推论统计学和描述统计学课程;可汗学院(Khan Academy)上的几何课程。

3.每次完成一门网络开放课程(最难执行)

大规模网络开放课程可以免费获取和学习,可这对你来说也是最难实现的诺言。很多学生通常一次性注册选修很多课程,结果一门也没有圆满完成。所以,你一定要一次专注一门课,完成之后再选下一门。你也可以在Coursera,edX和 Udacit上查找任何想要的学习课程。

推荐课程:例如学习Coursera上的数据科学专业化(R语言)课程;学习Dataquest上的数据科学Python语言课程。

4. 融入业界、发现新知、不断拓展

你要了解业内动态。我们生活在一个变化的世界,一夜之间事物就可能发生重大变化,今日风靡的技术明日就很可能面临淘汰。你一定要与富有经验的专业人士、业内专家交流,预见未来的自己。所以赶快参与到讨论和聚会中来吧,关注一些微博微信(如灯塔大数据公众号),加入一些群组,多阅读一些书籍。

中级水平

中级水平的数据科学家是什么样的?——如果你已经完成了前一阶段的内容,有过机器学习基础知识的实践经验,掌握了建立预测模型的知识,那你就达到了中级水平。完成这一阶段需要强大的决心和持久的练习。迎接这个挑战,你做好准备了吗?

1.理解并构建你的机器学习技能

机器学习是数据科学和技术的未来。所有的大型企业都不惜重金雇用掌握这个技能的人才。毫无疑问,近日来这项技术的需求越来越大,现在正是你充分利用这一局面的大好时机。今年,你应该努力在机器学习上精益求精,深入掌握回归、聚类和分类与回归树(CART)技能。Andrew Ng上你可以找到关于机器学习的免费资源。

推荐课程:完成Andrew Ng机器学习课程任务。

2. 专注集成算法和Boosting算法

一旦你对机器学习充满自信,那就继续去学习其他模型。通过Boosting和集成算法,你的模型准确率与其他算法相比会突飞猛进。上述免费资源里也包含这一主题。不过一定要让自己做好心理准备,拿下这个主题需要超强的理解力。

推荐课程:阅读Kaggle Ensembling Guide。学习MIT LectureBoosting相关课程。

3. 探索Spark、NoSQL和其他大数据工具

今年你的学习之旅始于大数据。考虑到大数据专业人员的需求激增,你一定要学习Spark,这个工具最近非常火爆。大数据的未来就在Spark,它广泛用于处理和操纵数据。除此之外,你还可以拓展到NoSQL和Hadoop领域来。

推荐课程:从Spark迈出学习第一步。

4.给社区成员做分享

还有什么比分享知识更美妙呢!从今年开始,你可以把自己的知识分享给正在数据科学的路上不断探索的人们。你可以加入活跃的数据科学论坛,给他们答疑解惑,以你的灵招妙计给他们做培训。你也可以在附近的行业圈里发起聚会。

推荐任务:关注我们的Facebook账号。

5.参加数据科学竞赛

是时候检验你的真才实学了。今年你一定要参加一些竞赛。这些竞赛会引导你去关注自己的弱势领域。此外,你也会因已有的学识而信心倍增。我希望你可以荣登Kaggle500强数据科学家之列。而现在,你的目标就是坚持到底。

推荐任务:加入Kaggle。加入Data Hack。

附言:有时竞赛也会有难度。你也可以通过这些实际的问题来检验你的技能和知识。这些问题不难,并且妙趣横生。

高级水平

对于进入这个阶段的人我就不需要来给出标准了,你们所了解的数据科学,很多人甚至连尝试的勇气都没有。身处这一阶段,你们的生活惬意而又自如。可有时还想去迎接挑战,以下是一些计划。

1. 建立深度学习模式

今年,你们要为有志于成为数据科学家的人们树立榜样。你要下决心在今年建立深度学习的模式。全球的人都在用这一模式进行预测,它是机器学习的高级阶段,其准确率明显高于普通的机器学习模型。

推荐课程:完成深度学习辅导课程任务。

2.回馈

我相信知识的意义不是被束之高阁,而是与人分享。分享越多,收获越大。据说,如果你了解一个新概念并解释给你的两个朋友,你对这个概念的记忆很可能会更久。所以今年,你必须制定计划,运用自己的知识和经验帮助数据分析学领域的人。这也会为更多的在这个领域的人指明方向。

推荐任务:在Discuss上分享你的知识。

3. 探索强化学习

强化学习是机器学习中最有效而又鲜有发现的领域。今年,你可以下定决心研究下这个领域。虽然很有挑战性,但是一定值得你去尝试。无人汽车、无人侦察机就是强化学习的硕果。一旦开始学习这些,你就自然而言地进入到了人工智能领域。

推荐课程:学习 Andrew Moore的辅导课程。

4. 位列Kaggle50强

今年,你要下定决心保持Kaggle上的领先地位。具体来说,就是在Kaggle50强中占有一席之地。参加一些与自己的知识相符的竞赛。与其他的选手团结协作。在这个竞争阶段,你一定会有意想不到的收获。

推荐任务:参加Kaggle。

尾注

我相信,这些计划也许对你来说很富有挑战,但是很值得一试。你可以根据自己的现状开始一项计划。我只是简单地列出了有事业心的数据科学家必须采取的一些计划。

上周,我意识到有的人在决定一个新年计划时会信心不足。我也曾为此而忧心忡忡。因此,我才打算写这篇文章。我希望2016年结束之前,大家可以达到初学者水平(假定你刚刚入行)。

本文也许能消除你制定新年计划时的一些疑虑。作为一位有事业心的数据科学家,我已经为大家提供了很多参考课程,大家一定要逐一消化后再不断前进。如果你有难以圆满完成计划的感想,欢迎与我互动。

原文发布于微信公众号 - 大数据文摘(BigDataDigest)

原文发表时间:2016-01-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏程序员的SOD蜜

DDD为何叫好不叫座?兼论DCI与业务分析的方法论

     今天,仔细阅读了园子里面的一个朋友写的《一缕阳光:DDD(领域驱动设计)应对具体业务场景,如何聚焦 Domain Model(领域模型)?》(http...

2397
来自专栏PPV课数据科学社区

干货 :谷歌电影票房预测模型探究

谷歌公布了一项重要研究成果–电影票房预测模型。该模型能够提前一个月预测电影上映首周的票房收入,准确度高达94%。这在业内引起了强烈讨论,不少内人士认为该模型非常...

57010
来自专栏企鹅号快讯

AI与自动驾驶

走进《公共交通资讯》,及时掌握公交领域的行业政策、管理理论、科技信息、专家观点和先进经验... 来源:慧眼看车 ? 近年来,有一个很热门的词----“AI” A...

21510
来自专栏CDA数据分析师

想入门人工智能? 这些优质的 AI 资源绝对不要错过

如今人工智能备受追捧,由于传统软件团队缺乏AI技能,常常会遇到一些挑战。越来越多的企业都开始对人工智能进行投资,并在寻找具有AI技能的人才。

1252
来自专栏CDA数据分析师

数据科学优质课程推荐#2:统计入门课程篇

原作者 David Venturi 编译 CDA 编译团队 本文为 CDA 数据分析师原创翻译作品,转载需授权 一年前,我退出了加拿大最好的计算机科学...

3507
来自专栏新智元

Facebook AI 背后的神秘组织:FAIR + AML + Product Groups

Yann LeCun 是 Facebook 人工智能实验室负责人,卷积神经网络发明者。面对 Google 的 AlphaGo,他最近谈到了 Faceboo...

3966
来自专栏机器之心

专访 | UIUC陈德铭教授:「万能芯片」FPGA与深度学习

人工智能的风潮从技术一路蔓延到硬件,让「芯片」成为今年行业里盛极一时的主题。人们关注通用芯片领域里 CPU 和 GPU 不断刷新的基准(benchmark),更...

1062
来自专栏AI科技评论

学界 | DeepMind眼中的神经科学研究:人工智能进步的另一个重要支点

AI 科技评论按:继神经科学家成为机器学习领域会议的邀请演讲的常客以后,DeepMind AI 博客今天也发出了一篇文章讲述他们对人工智能研究和神经科学研究协作...

35411
来自专栏黄成甲

AI不是魔法:人工智能的能与不能

如果把AI技术分为「前端的交互技术」和「后端的人工智能技术」。前端的交互技术包括语音识别、图像识别和自然语言处理;后端的人工智能技术就是人工智能的核心算法,包括...

1253
来自专栏机器之心

观点 | 机器学习确实还没商品化,也不必需博士学位

选自fast.ai 作者:Rachel Thomas 机器之心编译 参与:晏奇、微胖、吴攀 上周,我收到了两个前提截然相反的问题:其中一个是兴奋地认为机器学习...

2745

扫码关注云+社区