(圖/shutterstock)

 

選文：孫強

翻譯：趙娟 王玨

校對：姚佳玲

 

新年並非僅僅是更換日曆

或是清晨起床後揉開雙眼。

新年是充滿喜悅的一個嶄新開始。

它給我們一個完美的理由養成一個新習慣，

它意味著新“希望”的到來。

 

如果你正在閱讀這篇文章，

我確信資料科學會讓你興奮！

你要在2016年做出改變，難道不是嗎？

如果你從今天開始致力於實現這些目標，

這是完全可能的。

你必須明白，成為一個資料科學家

需要一個過程，它不是一朝一夕的成功。

因此，你必須耐心地朝著目標而努力。

 

繼續看下去...

 

(贊助商連結...)

 

 

提示：

1. 原文中涉及了大量連結，值得收藏！

在大資料文摘後臺，回復“計畫”，

可下載doc檔，獲取文中提供的所有連結。

 

2.這些通用的學習計畫

是為有抱負的/有經驗的資料科學家準備的。

該文章可能不適合非資料分析領域的人員。

 

 

 

一個資料科學家的新年計畫

我已經將這些學習計畫

根據資料科學家的三個水準階段進行了分類。

你來決定那個階段最適合你，並進行實踐。

當你完成本階段的學習任務後，

便可進入下一個階段。

針對不同的學習主題，

我列出了可獲取的最好的課程。

為了達到最佳效果，

我建議你逐一學習這些課程。

如果你覺得課程學習困難，請與我討論，

我會給你提供一個備選方案。

方便起見，我分享了可供下載的連接。

 

初級水準

誰是初學者？如果資料分析和資料科學

對你來說是一個全新的領域，

你不瞭解這個行業是如何運作的，

但是，你滿懷好奇的在該領域發展你的事業，

那麼，你就是個初學者。

下面就是你的學習目標：

 

1.從程式設計語言開始，無論是R或Python

我曾看到有學生同時學習R和Python。

最終，他們什麼都沒學會。

這種學習方法很糟糕。

你必須保證自己深入學習R或Python。

這是兩個在公司中廣泛應用的開源工具。

Python是公認的最簡單的程式設計語言。

R仍是人們最為喜愛的統計工具。

選擇權在你。兩者都很好。

 

學習課程：在Codecadem完成Python的學習。

在DataCamp完成R的學習。 

 

2.學習統計學和數學

統計學是關於假設和運算的學科。

但是，如果你不懂統計和數學，

很難在這個行業立足。

它是資料科學家的核心競爭力。

如果你的數學不好，是時候改變了。

習慣使用強大的統計技術、代數和概率學。

在可汗學院（Khan Academy）、 

Udacity 等平臺上有非常棒的統計學課程。

裝上這些APP，便可馬上開始學習。

 

學習課程：在Udacity上完成

Inferential和Descriptive統計學習。

在  Khan Academy完成代數的學習。

 

3.報名參加一個大型開放式網路課程（MOOC）

大型開放式網路課程（簡稱MOOC）

可以自由訪問和學習。

但是，這是你做出的最難實現的承諾。

學生們通常一次性報名參加多個課程，

但最終一個也完成不了。

因此，你必須專注於一個課程，

完成之後，在進入下一個課程的學習。

你可以在coursera, edX, 

Udacity上學習任何課程。

 

學習課程：

在Coursera完成資料科學專業（R）的學習。

在Dataquest完成資料科學Python的學習。 

 

4.積極參與行業實踐，發現新事物

你需要知道這個行業正在發生哪些變化。

我們生活在一個充滿活力又瞬息萬變的世界。

今天還十分盛行的技術明天可能就過時了。

你必須與經驗豐富的專家交流，

結識“未來的自己”。

現在就開始行動吧，加入討論、參加聚會、

關注博客、參加團體活動，並閱讀專業書籍。

你可以在Facebook 上

跟進這方面的最新消息。

 

 

 

中等水準

誰是中等水準的資料科學家？

如果你已經完成了初級水準的學習，

並且已經嘗使用機器學習的基礎知識，

熟練掌握了建立預測模型的知識，

那麼你已經到達了資料科學家的中級水準。

達到這個水準需要巨大的決心和大量的練習。

準備好迎接這個挑戰了嗎？

 

1. 理解並構建機器學習技能

機器學習是資料科學與技術的未來。

所有大公司在雇傭該項技術人才方面

投入大量的資金和人力。

毫無疑問，當前這種人才的市場需求巨大。

對個人而言，也是個不可多得的好機會。

今年，你應當在機器學習方面深入拓展。

熟練掌握回歸分析（Regression）、

聚類分析（ Clustering）、 CART 演算法。

打開下面的連接，你可以找到

關於機器學習方面的免費學習資源：

 

學習課程：在Andrew Ng

完成機器學習的課程。

 

2. 專注於Ensemble和Boosting 

演算法的學習

一旦你對機器學習充滿自信，

那麼轉攻下一個模型吧。

使用boosting和ensemble演算法，

可以使得模型的精度遠遠高於其他演算法。

上面分享的免費學習資源

已經涵蓋了這個主題。

但是，要讓自己更深入的理解這個主題。

 

學習課程：

閱讀 Kaggle的Ensembling 指南（Guide）。

在MIT Lecture完成Boosting的學習。

 

3. 探索使用Spark, NoSQL

以及其他大資料處理工具

本年，你將開啟自己的大資料之旅。

鑒於大資料人才需求的蓬勃發展，

你必須學會Spark軟體。

最近它非常流行。

大資料的未來依賴於Spark，

它被廣泛應用於大資料的操作和處理。

通過學習Spark，

你還可以拓展自己的專業知識

到NoSQL , Hadoop上。

學習課程：首先學習Spark.

 

4. 教育社區同伴

還有什麼比知識分享更棒！

從今年開始，同那些努力學習資料科學的人

分享你的知識。

你可以加入活躍的資料科學論壇（forums），

幫他們解疑答惑，

教會他們有用的技巧和竅門。

你也可以舉辦類似的聚會。

 

行動指南：追隨我們Facebook。

 

5. 參加資料科學競賽

是時候檢驗你的學習效果了。

今年你必須參一些競賽，

它能幫你認清自己的長處和短板。

此外，你會對已掌握的知識更加自信。

我希望你能榮登Kaggle Top500排名榜。

從現在開始，

你的目標是成為Last Man Standing

（點擊打開連接，

這是一個資料科學領域的競賽）。

 行動指南：加入Kaggle 和Data Hack。

 

提示：比賽可能有點兒難。

你可以通過查看這些實際問題

來檢查自己的技能和知識。

他們一點兒不難，但非常有趣！

 

 

 

高級水準

我無需定義這類人群。

大部分人都非常害怕去嘗試資料科學，

但他們卻十分精通。

他們已經過上了輕鬆愜意的生活，

但是，他們熱愛挑戰。

他們是經驗豐富的專家。

下面是一些學習計畫：

 

1.構建一個深度學習模型

（deep learning model)

今年，你要為立志于成為資料科學家的人

樹立榜樣。

你必須創建深度學習（deeplearning)的模型。

在世界各地，

已經有人使用這些模型進行預測了。

這是機器學習的高級階段。

其準確性已明顯優於一般的機器學習模型。

學習課程：完成Tutorial的深度學習。

 

2. 回饋社群

我相信知識是用於分享而不是用於存儲的。

分享得越多，學到的越多。

換種方法解釋，

“你學到一個新概念，

然後解釋給你的兩個朋友聽，

你對這個概念的記憶可能會更久。“

今年，你制定一個計畫，

利用你的知識和經驗

説明資料分析社區的成員。

這會説明那些在資料分析領域

苦苦掙扎的人們找到勝利的彼岸。

行動計畫：在Discuss 上分享你的知識。

 

3.探索強化學習（Reinforcement Learning）

強化學習是（Reinforcement Learning）

機器學習中最強大的，

然而少有人開發的一個分支。

今年，在這一領域做些研究。

雖然很有挑戰性，但值得一試。

無人駕駛、間諜無人機就是強化學習的成果。

一旦你開始涉足該領域，

你就自動進入人工智慧領域。

學習課程：完成Andrew Moore的tutorial。

 

4. 進入Kaggle前50名

今年，你必須保持住在Kaggle上的“大師”地位，

準確的講，確保自己在Kaggle排名進入前50。

參加適合自己領域的相關競賽，

與其他kagglers組隊。

參與這個水準的競賽，

你會學習到一些在其他地方學不到的理念。

行動計畫：加入Kaggle 

 

追蹤你的進程。

2016年新年學習計畫表 Download

 

 

 

結束語

我理解，這些學習計畫對你具有挑戰性，

但值的一試。

根據你當前的情況，

自由選擇適合自己的學習計畫。

我只是羅列了有抱負的資料科學家

必須要知道的重要知識和技能。

 

在上周我意識到，

人們並沒有足夠的勇氣制定新年計畫。

這個問題也曾困擾著我。

因此，我決定寫下這篇文章。

我希望，在2016年結束之前，

你會完成初級水準的學習

（假設你是一個新手）。

 

這篇文章已經為你制定新年計畫掃除了障礙。

作為一個有野心的資料科學家，

我已經為你提供了“硬骨頭”，

就等著你去啃下它了。

在學習的過程中如果遇到任何困難，

請在下面的評論分享你的想法。

 

本文獲《大數據文摘》授權轉載，原文於此

未經授權請勿轉載！