笔者邀请您,先思考:
1 数据科学家如何构建知识体系?
根据30年的商业经验,下面的列表是我认为首先应该在数据科学课中讲授的(非全面的)内容选择。 这是我文章的后续内容为什么Logistic回归应该最后讲解。
我不确定下面这些主题是否在数据营或大学课堂上讨论过。 问题之一是招聘教师的方式。 招聘过程是有利于以学业成就或其“明星”身份而闻名的个人,并且他们倾向于在数十年内反复教导同一事物。 厉害的专业人士对成为老师毫无兴趣(俗话说:如果你做不到,就写出来,如果你写不出来,就教你。)
它不一定是那样。 大量合格的专业人士,尽管不是明星,但他们会成为完美的老师,并不一定是受到金钱的激励。 他们在实战中获得大量的经验,可能会是很棒的老师,帮助学生处理真实的数据。 他们不需要成为数据科学家,许多工程师完全有能力(并且有资格)提供强大的数据科学培训。
我的建议如下:
相比之下,传统数据科学课程中首先讨论了一个典型的主题列表:
这些技术没有什么根本性的错误(除了最后两个),但是你不可能在职业生涯中使用它们 - 而不是在课堂上提出的基本版本 - 除非你是在一群志同道合的人中全部使用相同的老式黑盒子工具。确实应该教他们,但也许不是一开始。
下面列出的不应该在一开始就教,但是非常有用,很少包括在标准课程中:
原文链接: https://www.datasciencecentral.com/profiles/blogs/the-first-things-you-should-learn-as-a-data-scientist-not-what-yo
版权声明:作者保留权利,严禁修改,转载请注明原文链接。