Cara Merampingkan Perjalanan Pembelajaran Ilmu Data Anda

Dalam hal menguasai topik kompleks dalam ilmu data atau pembelajaran mesin, ada dua hal yang umumnya benar: tidak ada jalan pintas yang nyata, dan ritme pembelajaran orang dapat sangat bervariasi. Meskipun ada batasan ini, ada cara untuk membuat proses lebih efisien dan untuk mencapai tujuan yang telah kita tetapkan untuk diri kita sendiri dalam jangka waktu yang masuk akal.

Artikel yang kami soroti minggu ini menawarkan pendekatan pragmatis yang dapat diterapkan oleh data scientist selama perjalanan pembelajaran mereka, terlepas dari tingkat pengalaman atau tahapan karier mereka. Jika Anda sedang mencari retasan belajar dan trik pemecahan masalah yang dapat dimasukkan ke dalam tweet, Anda mungkin akan kecewa (lihat di atas: tidak ada jalan pintas!). Alih-alih, fokusnya di sini adalah mengembangkan kebiasaan yang lebih baik, membangun alur kerja pengumpulan informasi yang kuat, dan memaksimalkan pengetahuan yang sudah Anda miliki.

• Pelajaran beralih karir . Setelah bekerja sebagai fisikawan laser selama beberapa tahun, Kirill Lepchenkov memutuskan untuk menjadi ilmuwan data industri, dan postingannya tentang mengadaptasi keahlian yang ada ke peran baru sangat berguna bagi orang lain yang mempertimbangkan transisi akademisi ke industri. Wawasannya tentang transferabilitas keterampilan, bagaimanapun, berlaku untuk setiap praktisi data yang perlu menutup kesenjangan pengetahuan utama untuk memajukan karir mereka.
• Mengembangkan sistem yang solid untuk mempertahankan informasi . Dengan daftar panjang algoritme, rumus, dan pustaka Python untuk dinavigasi, pelajar ilmu data terkadang merasa seperti tersesat di hutan gelap yang tidak dapat ditembus (acak atau tidak). Madison Hunter siap membantu dengan peta jalan enam langkah yang praktis untuk mengatur catatan studi Anda—dan Anda dapat menyempurnakan dan menyesuaikannya tergantung pada topik tertentu yang ada.

• Temukan jalur pembelajaran yang cocok untuk Anda . Sama seperti ada banyak cara untuk menangani area tertentu dalam ilmu data dan pembelajaran mesin, Anda akan menemukan banyak opini yang mengambil urutan yang tepat untuk diikuti saat Anda maju dari satu topik ke topik berikutnya. Posting baru Cassie Kozyrkov menyajikan opsi yang menarik dan modular, berdasarkan arsip tutorial dan penjelasannya yang mendalam.
• Tidak ada yang salah dengan berpegangan tangan . Jika Anda kurang dari pembelajar memilih-petualangan Anda sendiri dan lebih cenderung mendapat manfaat dari pendekatan terstruktur dan kumulatif,kurikulum pembelajaran mesin terperinci Angela Shi adalah salah satu yang tidak boleh Anda lewatkan — ini mengurutkan algoritme ke dalam tiga kategori , dan memberikan saran yang jelas tentang elemen apa yang harus diprioritaskan.

• Edisi Bulanan terbaru kami telah keluar! Jangan lewatkan kumpulan artikel menarik tentang data ruang kota ini .
• Siapa yang tidak suka panduan proyek yang menyenangkan (dan bermanfaat)? Jacob Marks, Ph.D. Artikel debut TDS merinci proses mengubah dokumentasi berat perusahaannya menjadi database yang dapat diakses dan dicari.
• Setelah setahun sebagai Director of Data Science di sebuah perusahaan non-teknologi, CJ Sullivan berbagi wawasan baru tentang perekrutan, penganggaran, dan komunikasi lintas tim.
• Jika Anda tidak dapat menghadiri PyCon DE di Berlin bulan lalu, artikel Mary Newhauser akan membantu Anda tetap mengikuti beberapa pembicaraan paling menarik dan menggugah pikiran .
• Untuk menyempurnakan perspektif global Anda tentang ekosistem Python , baca Leah Berg dan Ray McLendon takeaways dari PyCon edisi AS, yang juga berlangsung pada bulan April.

Sampai Variabel berikutnya,

Editor TDS