數據科學家Michael Galarnyk著

我以前寫過《如何構建數據科學投資組合》，其中包括向潛在的雇主展示你能做什么而不是告訴他們你能做什么的重要性。這個博客利用aSuccess is Iceberg ImagebyOrysya Stusas框架來展示人們在獲得數據科學成功的過程中經常隱藏的幾個方面。這篇博客旨在表明，大多數人都不得不花費相當多的努力來達到他們現在的水平。他們必須努力工作，有時經歷失敗，表現出紀律，堅持不懈，為目標獻身，有時犧牲或冒險。說完，我們開始吧！

錯誤/失敗

正如你在上面為hertweet創建的GIF中看到的那樣，人們在日常模型構建中會犯很多技術錯誤/失敗。

我們大多數編寫代碼或從事數據科學的人經?？吹奖舜斯ぷ鞯淖罱K產品--而不是作為過程一部分的草稿、錯誤和決策。這些步驟的一點透明度會有很大的幫助。

Jake VanderPlasis在Atweeton中似乎也表達了類似的觀點，在開源領域，人們通常只看到成品而不是過程。

但我敢打賭，在任何一個成功的開源項目的表面上，都有很多痛苦、痛苦和自我懷疑。

除了技術上的失敗，還有其他類型的失敗，包括你可以穿的類型（期刊拒絕，電子郵件拒絕，等等）。凱特琳·K·科比（Caitlin K.Kirbyy）確實穿了她的失敗/拒絕?！度A盛頓郵報》上有一篇文章詳細描述了她的裙子是一件手工制作的及膝服裝，由她在過去五年中收到的17封拒絕信（期刊拒絕、電子郵件拒絕等）制成。

順便說一句，如果你想要更多與軟件/數據科學相關的拒絕故事，有一個完整的拒絕網站，你可以去看看，這可能會啟發你。

努力/堅韌

大多數人都必須努力工作才能達到他們現在的水平。我絕對不是說你必須每周例行公事地工作70-90小時，因為這聽起來不健康。雷切爾·托馬斯的帖子提到了這種態度可能是歧視性的和適得其反的。

我們需要盡可能地擺脫工作時間的數量才是最重要的這種膚淺的想法?？萍夹袠I對長時間工作的癡迷不僅對許多殘疾人來說是不可及的，對每個人的健康和人際關系都是有害的，而且正如奧利維亞·戈爾迪爾為Quartz at Work指出的那樣，關于生產率的研究表明，這只是效率低下：

正如無數研究表明的那樣，這根本不是真的。工作時間越長，生產率就會急劇下降，一旦人們每周工作55小時，生產率就會完全下降，以至于平均每周工作70小時的人的生產率不會超過少工作15小時的同事。

瘋狂的長時間工作在學術界也很常見，因為杰克·范德普拉斯在下面的推特上說。

雖然這條推文不是對吳恩達早先推文的評論，但我認為它表明有不同的方法可以獲得成功，而不是持續不斷地工作。thePython數據科學手冊的作者似乎做得很好。（推特上的杰克·范德普拉斯）

與其努力工作，也許我們應該談談堅韌或堅持，因為杰里米·霍華德和西爾萬·古格的新書中有一段關于堅韌的精彩文章。

推特上的內容是杰里米·霍華德（Jeremy Howard）“Sand Sylvain Gugger”新書的摘錄。

簡而言之，我認為從這件事中得到的最好的東西是：

你將面臨許多障礙，既有技術上的障礙，也有（甚至更困難的）你周圍不相信你會成功的人。有一種方法肯定會失敗，那就是停止嘗試。

持久性

生活中的許多成功都是關于堅持不懈。有很多成功人士的故事，比如愛彼迎的數據科學家彭凱利，他們真的堅持不懈，不斷地工作和改進。在她的一篇博客文章中，她查看了她申請和面試了多少個職位。

Applications: 475
Phone interviews: 50
Finished data science take-home challenges: 9
Onsite interviews: 8
Offers: 2
Time spent: 6 months

她顯然申請了很多工作，并一直堅持下去。在她的文章中，她甚至提到你需要如何不斷地從面試經驗中學習。

記下所有你被問到的面試問題，尤其是那些你沒能回答的問題。你可以再次失敗，但不要在同一地點失敗。你應該一直在學習和提高。

紀律/奉獻精神

這篇文章的一個主要主題是每個人都經歷過一些失敗。重要的部分是，有些人竭盡全力去實現那里的目標。在Andreas Madsen發布的博客中，他描述了進入人工智能（通常是計算機科學系）的頂級博士學位是多么困難?；旧?，他和所有的教授交談過，他被告知他需要“在頂級ML場館發表1-2篇論文”才能進入頂級博士學位項目。他連續花了7個月的時間在一個沒有資金和主管的研究項目上，以產生可以出版的作品。

犧牲/冒險

犧牲和風險可以以許多不同的形式出現。一個風險可能是忽略來自上面的命令。WhenGreg Lindenwas在亞馬遜，他做了幾個有趣的項目，盡管他應該做其他事情。在他的一篇博客文章中，他描述了一個項目，這個項目是：

根據亞馬遜購物車中的商品進行推薦。添加一些東西，看看彈出什么。再加幾個，看看有什么變化…我黑了一個原型。在一個測試網站上，我修改了Amazon.com購物車頁面，以推薦您可能喜歡添加到購物車中的其他商品。在我看來挺不錯的。我開始四處展示。

出了個問題。

雖然反應是積極的，但也有一些擔憂。特別是，一個營銷高級副總裁堅決反對它……在這一點上，我被告知我被禁止在這方面做任何進一步的工作。我被告知亞馬遜還沒有準備好推出這個功能。它應該停在那里。

相反，我為在線測試準備了該特性。我相信購物車的推薦。我想衡量一下銷售影響。

我聽說SVP發現我在推出一個測試時很生氣。但是，即使對高管來說，也很難阻止測試。測量是好的。反對測試的唯一好理由是，負面影響可能如此嚴重，以至于亞馬遜負擔不起，這是一個很難做出的聲明。測試開始了。

結果很清楚。它不僅贏了，而且這個功能以如此大的優勢贏了，以至于不讓它直播讓亞馬遜付出了巨大的變革代價。隨著新的緊迫性，購物車推薦推出…

當時，亞馬遜肯定是混亂的，但我懷疑我忽視來自上面的命令是在冒險。盡管亞馬遜很好，但它還沒有一種完全包容測量和辯論的文化。

雖然我不主張忽視上級的建議，但似乎在某些情況下，冒險對公司和你自己都是有益的。

結論

希望你能從這個博客中找到一些對你的數據科學之旅有用的建議和例子。請記住，成功人士的許多建議都存在生存偏見?？偸前胄虐胍傻亟邮芙ㄗh或分享經驗。如果你有任何問題、想法，或者只是想分享你自己的經歷，請給我們留言。