अपनी डेटा साइंस लर्निंग जर्नी को कैसे कारगर बनाएं

जब डेटा साइंस या मशीन लर्निंग में जटिल विषयों में महारत हासिल करने की बात आती है, तो दो चीजें आम तौर पर सच होती हैं: कोई वास्तविक शॉर्टकट नहीं होता है, और लोगों की सीखने की लय नाटकीय रूप से भिन्न हो सकती है। हालांकि, इन बाधाओं के बावजूद, प्रक्रिया को और अधिक कुशल बनाने और उचित समय सीमा के भीतर हमारे द्वारा निर्धारित लक्ष्यों को प्राप्त करने के तरीके हैं।

इस सप्ताह हम जिन लेखों पर प्रकाश डालते हैं, वे व्यावहारिक दृष्टिकोण प्रदान करते हैं, जो डेटा वैज्ञानिक अपने अनुभव स्तर या करियर चरण की परवाह किए बिना अपनी सीखने की यात्रा के दौरान लागू कर सकते हैं। यदि आप स्टडी हैक्स और समस्या-समाधान ट्रिक्स की तलाश कर रहे हैं जो एक ट्वीट में फिट हो सकते हैं, तो आप निराश होंगे (ऊपर देखें: कोई शॉर्टकट नहीं!) इसके बजाय, यहाँ ध्यान बेहतर आदतों को विकसित करने, मजबूत जानकारी-एकत्रीकरण कार्यप्रवाह बनाने और आपके पास पहले से मौजूद ज्ञान को अधिकतम करने पर है।

• करियर स्विच के सबक । कई वर्षों तक एक लेजर भौतिक विज्ञानी के रूप में काम करने के बाद, किरिल लेपचेनकोव ने एक उद्योग डेटा वैज्ञानिक बनने का फैसला किया, और एक मौजूदा कौशल सेट को एक नई भूमिका में ढालने के बारे में उनका पद एक अकादमिक-से-उद्योग परिवर्तन पर विचार करने वाले अन्य लोगों के लिए विशेष रूप से उपयोगी है। कौशल हस्तांतरणीयता पर इसकी अंतर्दृष्टि, हालांकि, किसी भी डेटा व्यवसायी के लिए लागू होती है, जिसे अपने करियर को आगे बढ़ाने के लिए एक प्रमुख ज्ञान अंतर को बंद करने की आवश्यकता होती है।
• जानकारी बनाए रखने के लिए एक ठोस प्रणाली विकसित करें । नेविगेट करने के लिए एल्गोरिदम, सूत्र और पायथन पुस्तकालयों की लंबी सूची के साथ, डेटा विज्ञान सीखने वाले कभी-कभी ऐसा महसूस कर सकते हैं कि वे एक अंधेरे, अभेद्य जंगल (यादृच्छिक या नहीं) में खो गए हैं। मैडिसन हंटर यहां आपके अध्ययन नोट्स को व्यवस्थित करने के लिए एक व्यावहारिक, छह-चरणीय रोडमैप के साथ मदद करने के लिए है - और आप इसे विशिष्ट विषय के आधार पर परिष्कृत और अनुकूलित कर सकते हैं।

• आपके लिए काम करने वाले शिक्षण पथ का पता लगाएं । जिस तरह डेटा साइंस और मशीन लर्निंग के भीतर विशिष्ट क्षेत्रों से निपटने के कई तरीके हैं, जैसे ही आप एक विषय से दूसरे विषय पर आगे बढ़ते हैं, आपको अनगिनत मत मिलेंगे। Cassie Kozyrkov की नई पोस्ट उनके ट्यूटोरियल और व्याख्याताओं के गहन संग्रह के आधार पर एक सम्मोहक और मॉड्यूलर विकल्प प्रस्तुत करती है।
• कुछ हाथ पकड़ने में कुछ भी गलत नहीं है । यदि आप अपना खुद का साहसिक कार्य सीखने वाले कम हैं और एक संरचित, संचयी दृष्टिकोण से लाभान्वित होने की अधिक संभावना है, तो एंजेला शि का विस्तृत मशीन लर्निंग पाठ्यक्रम वह है जिसे आपको याद नहीं करना चाहिए - यह एल्गोरिदम को तीन श्रेणियों में क्रमबद्ध करता है , और किन तत्वों को प्राथमिकता देनी है, इस पर स्पष्ट सलाह देता है।

• हमारा नवीनतम मासिक संस्करण आ गया है! शहरी स्थानों के डेटा पर आकर्षक लेखों के इस संग्रह को देखना न भूलें ।
• मज़ेदार (और उपयोगी) प्रोजेक्ट वॉकथ्रू किसे पसंद नहीं है? जैकब मार्क्स, पीएच.डी. का पहला टीडीएस लेख उनकी कंपनी के बोझिल दस्तावेज़ीकरण को एक सुलभ और खोज योग्य डेटाबेस में बदलने की प्रक्रिया का विवरण देता है ।
• एक गैर-तकनीकी कंपनी में डेटा साइंस के निदेशक के रूप में एक वर्ष के बाद , CJ Sullivan टीमों में काम पर रखने, बजट बनाने और संचार करने पर अंतर्दृष्टि का एक नया बैच साझा करता है।
• यदि आप पिछले महीने बर्लिन में PyCon DE में शामिल नहीं हो सके, तो मैरी न्यूहॉज़र का लेखन आपको कुछ सबसे दिलचस्प और विचारोत्तेजक वार्ताओं के साथ अप-टू-डेट रहने में मदद करेगा ।
• पायथन इकोसिस्टम पर अपने वैश्विक दृष्टिकोण को पूरा करने के लिए , अप्रैल में हुए PyCon के यूएस संस्करण से लीह बर्ग और रे मैकलेंडन टेकअवे पढ़ें ।

अगले चर तक,

टीडीएस संपादक