對于數據科學領域來說，現在是一個令人振奮的時期。它是新興的研究領域，但是卻在飛速的發展。如今數據科學領域需要大量的數據科學家，而他們在硅谷年人均收入則超過10萬美元。哪里有優厚的薪酬，哪里就會有相當多的人會盡可能的拿到這樣的薪酬。而數據科學技能的不足意味著很多人都要學習或者嘗試著學習數據科學。

學習數據科學的第一步通常都是問問自己：我要怎樣學習數據科學？這個問題的回復是我們要上一系列的課程和閱讀一些書籍，并且我們需要先從線性代數或統計學開始學習。一年前，在學習過程中我也有過類似的經歷。當時我不懂編程，但是我知道我想要從事數據領域。

我難以解釋在只給了一個很大的沒有任何說明的資源庫目錄下極其不明確的方向情況下怎樣學習數據科學的，好比我的老師直接給我一疊相關的教材并說“把這些書全部讀完”。在上學期間我曾為此而苦惱過。如果我是以這樣的方式來學習數據科學，我肯定不久就會放棄。

有些人認為讀一些相關書籍是最好的學習方式，而我則認為嘗試建模和實踐里面的東西是最好的學習方式。此時，這學習的過程鼓舞著我，同時我也清楚自己為什么要學?？傊?，最好的學習方式就是當你在學習它的時候，你可以立即使用有效的技能。從我和初學者這些年的交談中，我知道很多這些想法的分享。

這就是我為什么不建議你在入門的時候學習線性代數或統計學了。如果你想要學好數據科學，你首先就應該要學會如何熱愛數據，對怎樣理解它深感興趣。

通過閱讀以下內容讓你明白應該如何熟練掌握數據科學。

一個你可在數據科學領域進行的可視化操作例子（來源經濟刊物）。

學會如何愛上數據

幾乎沒有人會談到學習的動機。數據科學是一門寬泛且模糊的領域，這讓你感到無從下手，真的很難。沒有學習它的動機，你會在學習過程中半途而廢，并開始認為你學不下去了，其實錯不在你-與教學相關。

你需要一些東西能激發你不斷學習的欲望，甚至在午夜時分，你開始認為這些公式看起來都覺得模糊的時候，你此時在思考如果這些公式能讓我在夜晚的時候通過我的神經網絡系統琢磨出其中的名堂。

此時你需要一些東西可以讓你找到線性代數、統計學和神經網絡系統之間的聯系，而且可以讓你不再猶豫我下一步我該學些什么。

而我學習數據科學的切入點是如何分析股市行情，盡管在那時我還不清楚它是什么。一些我曾編寫過如何預測股市行情的程序代碼是沒有涉及統計學的。但我清楚我目前所做的努力還不夠，仍需要日以夜際的完善其功能。

當時我在為了不斷的完善我的編程能力而廢寢忘食。我對股票市場為之著迷。我在學著如何熱愛數據。也正因如此，我不斷的被激勵著去學習任何能讓我程序更好的知識。

我知道，不是所有人都對股市行情的預測為之著迷，但是需找一些你想要學習的知識是相當重要的。

在此，我們可以試著了解一些關于你的城市中新奇而有趣的問題、在網上映射所有設備、發現每一位NBA球員所打的位置、在地圖上顯示每年難民的分布情況，甚至其它一些相關的東西。數據科學偉大之處就是你可以在工作的過程中找到無限的樂趣，它們都是提出問題并獲得解決問題的過程。

你可在此隨心所欲的做一切你想做的事，而且保證不受周圍環境的干擾。

2.在實踐的過程中學習

學習一些與神經網絡系統、圖像識別以及其尖端科技相關的內容是很重要的。然而很多數據科學知識并不涉及以下內容：

l  90%的工作將會是數據清洗。

l  深入了解幾個算法遠勝于對很多算法只懂一點點。

如果你熟練的掌握線性回歸分析，k均值聚類分析，以及邏輯回歸分析，能夠解釋和理解結果，且利用它們來很好的完成你需要做的項目，與你只知道任何單個算法，且不知道用它們對比，你會覺的將更有能力。

l  很多時候，你所使用的算法，它會變成函數庫的一種形式（你幾乎不需要寫你的SVM-這需要耗費你相當長的時間）。

綜上所述，學習數據科學的最好方式就是學習如何完成一個項目。通過完成一個項目，你會獲得一些立即實用且有效的技能。你也有一個不錯的方式構建工程組。

開啟項目之旅需要你找到一個喜歡的數據集，從數據集里解決一些感興趣的問題，并重復上述步驟。

這里有一些相關鏈接可以讓你找到能運用到你做項目的數據集。

100+ 有趣統計數據集

數據集子板

機器學習數據庫

另一種方法（也就是我所使用的方法）就是需找一個深層次的問題，預測股市行情，并把它們分解成若干個小問題。我首先連接到雅虎的經濟API（應用程序接口），并獲取每日價格數據。然后我在此基礎上創建一些指標，用于顯示過去幾天的平均價格，同時一次來預測未來的走勢（這里沒有用到真實的算法，僅方法分析而已）。然后效果并不是很明顯，因此我要學習一些統計學的內容，然后使用線性回歸分析。然后我再連接到其他API應用程序接口，并爬取每一分鐘的數據，把它們存儲到SQL數據庫中。然后不斷重復操作，直到選出一個合適的算法。

關于這些最棒的事情是學習的內容。我并不僅是學習SQL的相關句法，同時還應用他們來儲存價格數據，并且所學習到的內容是單純學習SQL語句的10倍。學習這些知識而不去運用的話你會很難熟練掌握這些知識，而且你也沒有做足準備來完成一個真正意義上的數據科學工作。

這些家伙嘗試預測股票行情，顯然需要一些數據科學。

3.學會與他人交流心得

數據科學家經常需要把他們分析出來的結果展示給其他人看。而這樣的工作技能可以在一定程度上區分是一個一般數據科學家還是一個偉大數據科學家。

交流心得的一部分在于需要我們理解一個項目的主題及其理論，而另一部分則是明白如何清晰的整理結果。這最后一小部分則是能清楚地解釋你分析出來的結果。

也許做到有效且到位的傳達一個復雜而抽象的概念是非常困難的，但是你可以嘗試以下幾點：

創建一個博客。把你的數據分析結果寫到你的博客上。

嘗試去教你那些不懂技術的朋友以及家人一些數據科學的相關概念。你會驚訝的發現你在賜教的過程中能大大的幫助你理解這些概念。

嘗試在聚會中說出一些與其相關的內容。

嘗試用Github管理你所有的分析。

嘗試活躍在Quora,DataTau，以及機器學習子書簽社區。

4.從同行學習

你可以在與別人的合作中學到非常多的知識。在數據科學領域，團隊合作完成項目相當重要。

這里有一些不錯的想法：

可以在用戶間的聚會中找一些能與你共事的人。

可對開源包作以份貢獻。

可以給一些曾經寫過一些有趣的數據分析博客的并能與你合作的人發消息。

可以嘗試在keggle，一個機器學習競賽平臺上參與其中，并且看一下你是否能從中找到一個可以和你組隊的人。

5.不斷的增加工作的難度

你是否會感覺到你在完成一個項目時會感到如此的安逸和放松？這是否會是你最后一次使用一個星期前更新的概念？是時候要做一些有難度的項目了。數據科學猶如你要攀登一座陡峭的山峰，如果你停止前進，你會很容易失敗。

如果你覺得你現階段過得如此安逸，這里有幾個建議：

嘗試使用一個更大的數據集，學習和使用Spark。

看一下你是否能使用一個運行時間更少的算法。

想想如何把你的算法擴展到多處理器？你可以做到嗎？

多掌握一些你所常用的算法的相關理論。它會改變你的假設嗎？

嘗試教導新手做一些你在做的事情。