數據科學是成功的。全球成千上萬的學生報名參加在線課程，甚至數據科學碩士課程。

數據科學領域是一個競爭非常激烈的市場，尤其是在一家大型科技公司獲得一份（假設的）夢想工作。積極的消息是，通過充分的準備，你已經掌握了在這樣一個職位上獲得競爭優勢的機會。

另一方面，也有很多MOOC、碩士課程、訓練營、博客、視頻和數據科學院。作為一個初學者，你感到失落。我應該上哪門課？我應該學習哪些主題？我需要關注哪些方法？我必須學習什么工具和編程語言？

事實是，每個數據科學家都有她/他的個人旅程，并偏向于那條學習道路。所以，如果不了解你，很難說什么是對你最好的方法。

但也有所有數據科學家一遍又一遍地犯的共同錯誤。即使知道了它們，你也不會完全回避它們，但最終，你會更早地停止去做它們，并發現更快地回到成功的道路上。

基于我在數據科學領域20多年的經驗，帶領多達150人的團隊，并仍然在全球領先的大學之一兼職授課，我為你總結了避免更快實現夢想的核心錯誤。

錯誤給出了作為一個初學者的數據科學家的學習進度的順序。

#1在您最終開始之前（或最終永遠不開始），在評估所有不同類型和選項的課程上投入了太多時間

我知道你被所有的課程淹沒了，你盡量不犯任何錯誤。你想有效地投資你的時間和金錢，選擇正確的方法，承諾最快和最好的成功。

不幸的是，在任何技術和科學領域都沒有立竿見影的成功，為了最好的成功，你不會有任何比較。

事實是，今天，所有已建立的平臺、學院和研究所都有很好的課程。所以，不要過度思考和分析課程。勇敢地選擇一個，完成那個課程，然后再選擇另一個。

最關鍵的方面是開始和做。你不能在這里犯錯誤，因為你既不知道你的旅程，也不知道當選擇另一個時，它會有什么不同。沒人能告訴你。經期。

同樣重要的是要認識到學習是循環的，而不是線性的。選修一門數據科學課程并不排除你正在選修另一門。

在我多年的經驗之后，我仍然從事數據科學、機器學習和人工智能訓練。在每一個仍然如此“簡單”的初學者課程中，我發現了一個新的方面和關于這個主題的新觀點。而這正是最終造就一個高要求數據科學家的原因。它是理解對一個主題的所有不同觀點。

#2您希望一次學習太多的方法和工具，而不是一個接一個地學習和理解這些方法

許多有抱負的數據科學家認為，簡歷中提到的盡可能多的方法有助于更快地找到工作。但事實恰恰相反。當你在六個月前開始為每個招聘人員提供數據科學時，很明顯，這是一個沒有實質內容的流行語。

如果我們看回歸模型，有很多書只是關于回歸。有50多種回歸類型，每種都有不同的前提條件。所以，只有“回歸”在你的簡歷中沒有說什么。此外，回歸模型仍然是應用程序的最重要的模型，并為一般的數據科學奠定了理解的基礎。

你必須明白用一種方法解決的是什么；假設是什么；參數是什么意思；什么是陷阱；等等，等等。

根據簡歷和回歸知識的描述，每一個有經驗的招聘人員--或者今天，這個過程背后的算法--都可以識別你理解的深度。

只對少數幾種方法有深入的知識和經驗，總比對許多方法一無所知要好。

#3您從一開始就編寫所有代碼，因為您認為這有助于您更好、更快地編寫程序

當開始編碼時，人們認為他們必須迅速開始編碼和重新編程盡可能多的算法。另外，在這里你應該集中于理解幾個而不是數量。

首先，你需要了解編碼的先決條件：線性代數、數學歸納法、離散數學、幾何學--是的，這是優秀程序員的強項，但經常被數據科學家遺忘，統計學和概率論、微積分、布爾代數和圖論。

我并沒有因為編碼更多而變得更好更快。我通過理解數學基礎，審查其他人的代碼，并在不同的數據和問題上運行和測試它們來擅長編程。

是的，編碼是必不可少的，但更重要的是理解代碼的（好的）架構。而這只能通過查看其他代碼來了解。

一個事實是，代碼越來越成為一種商品，甚至出現了無代碼工具。區分者將不再是那些能編碼和不能編碼的人，而是那些理解其架構和不理解其架構的人。

我向您展示另一個示例：我假設您已經使用了TensorFlow。但你明白是什么嗎？它是做什么的？以及它為什么被稱為“TensorFlow”？你知道張量是什么嗎？不僅僅是張量積的機械計算，它在幾何上意味著什么？

#4通過學習理論，你認為自己無所不知，但卻錯過了足夠的實踐經驗

學習數據科學是一種嘗試和錯誤。只有當你做了盡可能多的經驗，找出所有的錯誤并解決它們時，你才會有更深的理解。

理論是好的和重要的。你需要了解基本原理。

不幸的是，在實踐中，它很少像理論上那樣起作用。相反，它經常以一種方式精確地起作用，正如你所知道的那樣，你不應該這樣做。

所以，你必須從實際的例子開始。通常，您還沒有準備好去做實際的工作：沒有足夠的基礎知識或者沒有足夠的編程經驗。

但我強烈建議：即使你覺得還沒有準備好做練習，也要從一開始就開始。它不是一個為期一天或一周的項目。一個1-2小時的小項目就足夠了。

您可以從像RapidMiner或KNIME這樣的無代碼工具開始，也可以使用其他人的代碼并應用它。例如。拿一個簡單的情感分析代碼，用它來推文或產品說明。然后您可以開始更改其他示例的代碼并比較結果。

當你小時候學會說話時，你開始用單個單詞或兩三個單詞的表達。一步一步地，你對這種語言建立了一種感覺。數據科學的實踐經驗也是如此。

專業提示：學習是循環的。所以，儲存你的工作。稍后您可以返回，改進它，將其移到GitHub，并使用Tableau添加可視化。

#5您認為證書是獲得數據科學工作的競爭優勢

認證沒問題。有很多聲音告訴你，你不應該做認證。但它們可以作為一種動力，最后，它們正式地顯示了你的進步和你對學習的渴望。我還是做證件的。它沒有錯，當你投入時間時，擁有它是合法的。

但它不是市場上的差異化者。事實是，有成千上萬的人有同樣的認證。因此，要擁有競爭優勢，你必須超越這一點。

例如，我的一個學生向我尋求金融領域的實習機會。他想學以致用，了解數據科學團隊的文化和合作。我可以把他放在銀行里，他可以用銀行寫學期論文。是的，同時做學習、實習和學期論文是很有壓力的。但這將為他提供無價的競爭優勢。

#6你擔心別人的意見，而不是根據事實建立自己的意見

大多數有抱負的數據科學家擔心其他數據科學家的意見。而且他們聽到的論據越多，他們就越困惑。即使在清晰的道路上需要混亂，但它不應該保持穩定的狀態。

每一個數據科學家都是一個擁有她/他的經驗、學習和職業道路和觀點的個體。我習慣說，“如果你有兩個數據科學家在一個房間里，你至少有四個不同的意見?！?

把意見作為靈感和作為搜索信息的指南是好的，但不是作為信息本身。

尋找確鑿的事實。得出合乎邏輯的結論，驗證并再次更新它們。這是在你的數據科學職業生涯中取得成功的一項重要技能。

#7不關心業務和領域知識

許多數據科學家認為他們可以將這些方法應用于每個問題和行業，但我可以告訴你，從20多年的經驗來看，這是錯誤的。

我經?？吹綌祿茖W家向商業人士展示發現，他們的反應是，“哦，我們已經知道這一點了。我們需要的是“為什么會發生這種情況”和“如何解決它”，或者，在最壞的情況下，“這絕對是胡說八道，因為這不是我們的業務運作方式?！编?！

擁有領域知識比了解所有性別歧視和最花哨的方法更重要。一個數據科學家正在解決一個商業問題，而不是一個技術問題。通過解決一個業務問題，你給公司的業務帶來了價值，而你的價值只有你的解決方案的價值。當你了解業務時，你就成功地做到了這一點。

我在許多不同的行業工作過。每次在我開始從事這個行業之前，我都會讀到很多關于這個行業的東西。

• 我從維基百科開始，了解了大局觀和公司的情況
• 我查閱了某行業前10大公司的年報和投資者關系信息
• 我讀了過去幾年關于這個行業和公司的所有新聞文章
• 我聯系了在這個行業工作的LinkedIn聯系人

只有那時，我才開始與商家互動。

你學習的一半應該包含工業和商業知識的發展。

#8您沒有在一致和持續的基礎上學習和學習

很容易因為不懂題目而分心或提前放棄。學習數據科學是一場馬拉松，而不是短跑。因此，建立一個持續和一致的學習常規是至關重要的。就像馬拉松訓練一樣，你每天都在小單位訓練。

同樣，正如前面所寫的，學習是循環的。曾經研究過一個課題并不意味著你已經掌握了它。

我舉個例子。在數學金融講座中，我不得不學習許多極限定理?？荚囘M行得很好，我確信我理解他們。但七年后，當我不得不審查復雜結構金融產品估值的代碼時，天平從我的眼睛里掉了下來，我意識到直到審查代碼的那一刻我才明白。

所以，每天，或者至少每周，預定幾個小時來學習。不管你是一個有抱負的人還是已經是一個資深的數據科學家。

學習應包括新的數據科學主題、已學過但從另一個角度出發的主題，例如另一門課程或書籍、新技術和技術趨勢、工業和商業知識、數據可視化和數據故事，以及數據應用。

它增加了一層又一層的理解，在求職面試中，你將能夠通過從不同的角度展示整體觀點來給出令人信服的答案。

#9不要用數據講故事

在一份數據科學工作中，您主要將您的發現傳達給非技術人員，特別是業務人員。生意在資助你的工作。沒有他們的承諾，你的工作和數據科學團隊就不會存在。

你的工作是為企業帶來價值。不是為了應用而應用花哨的方法。

我的一個朋友是一家全球性銀行的數據科學主管。當他們雇傭數據科學家時，他們會提前兩周給他們發送一個數據集，并要求他們做20分鐘的演示。沒有進一步的投入。他們想看講故事。他們對所使用的方法不感興趣--除了候選人會對所使用的方法說出絕對無稽之談。他們希望看到的是，首先，業務問題的框架，以及為什么解決它很重要。第二，應該解決什么和最后，如何解決，以及在業務環境中的結果?！斑@是我們一整天做的最重要的工作。候選人在這方面不能盡善盡美，但要表明她/他已經明白我們工作中什么是重要的?！?

因此，學習數據講故事--甚至有免費的課程--并學習業務環境中的數據可視化。

#10無需與數據科學界進行交互而自行學習

許多人認為他們可以通過自己的努力學習數據科學。所有其他數據科學家都被視為競爭對手，其中一個不愿意交流知識。

但是生活在你的世界里，你只根據你的選擇來閱讀和學習，這是非常有偏見的，對一個主題或方法的許多觀點都是缺失的。此外，關于一個主題的開放式論述和在論證中獲得經驗是缺失的--這是任何數據科學家都需要的技能。

任何有經驗的招聘人員在問一兩個問題后都會知道你是一個人表演，還是你有一個生動的網絡來幫助你成倍地獲得知識。這有利于公司，增加您的市場價值和需求。

因此，發展網絡是至關重要的。這可以通過參加訓練營、黑客馬拉松和Meetup會議來實現。

現在，你從理論上知道你應該避免什么了。

這些錯誤中的任何一個對你的數據科學工作來說都是一個潛在的攪局者。

我知道你還會犯幾個這樣的錯誤。我沒有什么不同。認為“我與眾不同”是人之常情--盡管數據說的恰恰相反。但是意識到這些潛在的錯誤將幫助你更快地重新調整你的路徑，從而更有效地成為一名被要求的數據科學家。

你喜歡我的故事嗎？在這里可以找到更多信息。

增加工作機會的一步一步實際指導
如何戰略性地利用Meetup會議來獲得你夢寐以求的數據科學工作

edX 2021上的數據科學微主程序最終指南
6個節目你該選哪一個？

頂級技術趨勢及其對數據科學、機器學習和人工智能的影響
為你和你的事業制定的行動計劃