Comment rationaliser votre parcours d'apprentissage en science des données

Lorsqu'il s'agit de maîtriser des sujets complexes en science des données ou en apprentissage automatique, deux choses sont généralement vraies : il n'y a pas de véritables raccourcis et le rythme d'apprentissage des gens peut varier considérablement. Même avec ces contraintes en place, cependant, il existe des moyens de rendre le processus plus efficace et d'atteindre les objectifs que nous nous sommes fixés dans un délai raisonnable.

Les articles que nous mettons en lumière cette semaine proposent des approches pragmatiques que les scientifiques des données peuvent appliquer tout au long de leur parcours d'apprentissage, quel que soit leur niveau d'expérience ou leur étape de carrière. Si vous recherchez des hacks d'étude et des astuces de résolution de problèmes pouvant tenir dans un tweet, vous serez probablement déçu (voir ci-dessus : pas de raccourcis !). Au lieu de cela, l'accent est mis ici sur le développement de meilleures habitudes, la création de flux de travail de collecte d'informations robustes et la maximisation des connaissances que vous possédez déjà.

• Les leçons d'un changement de carrière . Après avoir travaillé comme physicien laser pendant plusieurs années, Kirill Lepchenkov a décidé de devenir un scientifique des données de l'industrie, et son article sur l'adaptation d'un ensemble de compétences existantes à un nouveau rôle est particulièrement utile pour ceux qui envisagent une transition du milieu universitaire vers l'industrie. Cependant, ses idées sur la transférabilité des compétences s'appliquent à tout professionnel des données qui a besoin de combler une lacune majeure dans ses connaissances afin de faire avancer sa carrière.
• Développer un système solide pour conserver l'information . Avec de longues listes d'algorithmes, de formules et de bibliothèques Python à parcourir, les apprenants en science des données peuvent parfois avoir l'impression d'être perdus dans une forêt sombre et impénétrable (aléatoire ou non). Madison Hunter est là pour vous aider avec une feuille de route pratique en six étapes pour organiser vos notes d'étude - et vous pouvez l'affiner et la personnaliser en fonction du sujet particulier à traiter.

• Trouvez le parcours d'apprentissage qui vous convient . Tout comme il existe plusieurs façons d'aborder des domaines spécifiques de la science des données et de l'apprentissage automatique, vous trouverez d'innombrables points de vue avisés sur la bonne séquence à suivre au fur et à mesure que vous progressez d'un sujet à l'autre. Le nouveau message de Cassie Kozyrkov présente une option convaincante et modulaire, basée sur ses archives approfondies de didacticiels et d'explications.
• Il n'y a rien de mal à se tenir la main . Si vous êtes moins un apprenant qui choisit sa propre aventure et que vous êtes plus susceptible de bénéficier d'une approche structurée et cumulative,le programme détaillé d'apprentissage automatique d' Angela Shi est celui que vous ne devriez pas manquer - il trie les algorithmes en trois catégories. , et fournit des conseils clairs sur les éléments à prioriser.

• Notre dernière édition mensuelle est sortie ! Ne manquez pas cette collection d' articles passionnants sur les données des espaces urbains .
• Qui n'aime pas une présentation de projet amusante (et utile) ? Jacob Marks, Ph.D. Le premier article de TDS de détaille le processus de transformation de la documentation peu maniable de son entreprise en une base de données accessible et consultable.
• Après un an en tant que directeur de la science des données dans une entreprise non technologique, CJ Sullivan partage un nouveau lot d'informations sur l'embauche, la budgétisation et la communication entre les équipes.
• Si vous n'avez pas pu assister à la PyCon DE à Berlin le mois dernier, la rédaction de Mary Newhauser vous aidera à rester au courant de certaines des conférences les plus intéressantes et les plus stimulantes .
• Pour compléter votre perspective globale sur l'écosystème Python , lisez les points à retenir de Leah Berg et Ray McLendon de l'édition américaine de PyCon, qui a également eu lieu en avril.

Jusqu'à la variable suivante,

Éditeurs TDS