好消息是，您已經通過了第一步，這就是您對數據科學感興趣。現在這將不是一個容易的旅程，因為您是一個失敗者，但要把它作為每天激勵自己的燃料。

最重要的是，我要給你我的建議，我希望我在開始的時候有。

首先，介紹一下我自己…

我有商科學位，但從大學二年級開始，我就對機器學習感興趣。因此，我自學了我今天所知道的大部分知識，我很幸運地在幾個數據分析師/數據科學工作中工作。

我為什么要告訴你這些？我想說清楚，我曾經和你處于類似的位置！

請記住，這是一個長期目標，因此您應該期待長期的結果。如果你愿意付出100%的努力，我會給你至少一年的時間來決定是否繼續下去。

說到這里，讓我們潛入其中：

進入數據科學可以歸結為兩件事，增長和展示您的技能。

1）提高數據科學技能

不久前，我寫了一篇文章，“如果我可以重新開始，我將如何學習數據科學?！痹谶@篇文章中，我將學習的內容按學科劃分，即統計與數學、編程基礎和機器學習。

在這篇文章中，我將根據你的理解水平來劃分你應該學習的內容。

級別0：基本原理

你必須從基礎開始，構建塊，無論你想怎么稱呼它。但是相信我，當我說這些的時候，你的基礎越好，你的數據科學之旅就會越順利。

特別是，我建議您在以下主題中建立基礎知識：統計與概率、數學和編程。

統計和概率:如果你讀過我以前的文章，那么你可能已經聽過第一百萬次了，但是數據科學家實際上只是一個現代統計學家。

• 如果你對統計和數學幾乎沒有接觸，我推薦可汗學院的統計和概率課程。
• 然而，如果你有一些微積分和積分的知識，我強烈建議你讀讀佐治亞理工學院的課程，名為“統計方法”。這是一個稍微困難的過程，因為它需要更多的證明，但它將幫助你理解每個想法的復雜性。

數學:取決于你在高中時的注意力，這將決定你需要花多少時間學習基礎數學。您應該學習以下三個方面:微積分、積分和線性代數:

• 當涉及到任何與優化相關的事情（這在數據科學中非常相關）時，微積分是必不可少的。為此我推薦了可汗學院的微積分課程。
• 當談到概率分布和假設檢驗時，積分是必不可少的。我推薦了汗學院的積分課程。
• 如果你想進入深度學習，線性代數尤其重要，但即使這樣，了解其他基本的機器學習概念也是很好的，比如主成分分析和推薦系統。驚喜驚喜，你可以猜到我推薦什么課程。這里提供了鏈接。

編程:就像對數學和統計數據有一個基本的理解是很重要的一樣，了解編程中的核心基礎知識會使您的生活變得容易得多，尤其是在實現方面。因此，我建議您在深入研究機器學習算法之前，先花時間學習基本的SQL和Python。

• 如果您對SQL是完全陌生的，我建議您閱讀Mode的SQL教程，因為它非常簡潔和全面。
• 同樣，如果您是Python的新手，Codecademy是熟悉Python的好資源。

級別1：專門化

一旦你學會了基礎知識，你就準備好專門化了。在這一點上，你是否想專注于機器學習算法、深度學習、自然語言處理、計算機視覺等就取決于你了…

• 如果你想了解更多關于機器學習算法和實現的知識，我會去看看Kaggle的機器學習介紹，斯坦福的機器學習課程，或者Udemy上的機器學習A-Z?？纯此麄?，看看什么最適合你的喜好！
• 如果你想了解更多關于深度學習的信息，在這里查看歐泰的專業化。物有所值！
• 如果你想學習更多關于NLP的知識，這里有5個免費的自然語言處理課程，來自斯坦福和牛津等頂尖大學。

你可以專攻的東西還有那么多，所以在你做決定之前，請多探索一下！

第2級：練習

像其他任何事情一樣，你必須練習你學到的東西，因為你失去了你不用的東西！以下是我推薦的3個資源，可以用來練習和改進你的技能。

1. Leetcode是一個偉大的資源，它幫助我學習技能和整潔的技巧，我從來沒有想過是可能的。這是我在找工作時充分利用的東西，也是我永遠會回去的資源。最好的部分是，他們通常有推薦的解決方案和討論板，因此您可以了解更有效的解決方案和技術。
2. 熊貓練習問題：這個資源是一個專門針對熊貓的練習問題的存儲庫。通過完成這些練習問題，您將知道如何：篩選和排序數據、聚合數據、使用.apply（）操作數據，等等。
3. Kaggle是世界上最大的數據科學社區之一，有數百個數據集可供選擇。使用Kaggle，您可以參加比賽，或者簡單地利用可用的數據集創建自己的機器學習模型。

2）展示你的數據科學技能

學習數據科學是一回事，但人們通常忘記的是營銷自己--你最終會想展示你學到的東西。如果您沒有與數據科學相關的學位，這對您來說尤其重要。

一旦你完成了幾個個人數據科學項目，下面是你展示它們和推銷自己的幾種方法：

您的簡歷

首先，利用你的簡歷展示你的數據科學項目。我建議創建一個名為“個人項目”的部分，在那里你可以列出你已經完成的兩到三個項目。

同樣，您也可以在LinkedIn上的“projects”部分添加這些項目。

GitHub存儲庫

如果您還沒有創建Github存儲庫，我強烈建議您創建一個Github存儲庫。當我們討論Github的主題時，學習Git將是一個好主意。在這里，您可以包含所有的數據科學項目，更重要的是，您可以與其他人共享您的代碼以供查看。

如果你有一個Kaggle帳戶，并在Kaggle上創建筆記本，這也是一個很好的選擇。

一旦你有了一個活躍的Kaggle或Github賬戶，確保你的賬戶URL在你的簡歷、領英和網站上都有。

個人網站

說到網站，我強烈建議以網站的形式建立一個數據科學投資組合。HTML和CSS是非常簡單的學習，這將是一個有趣的項目！如果你沒有時間，像Squarespace這樣的東西也會很好地工作。

中型博客

我有偏見，因為這對我來說很有效，但這并不意味著我不能推薦寫博客！使用像Medium這樣的平臺，您可以編寫項目演練，就像我的onWine Quality Prediction一樣。