Jak usprawnić naukę nauki o danych

Jeśli chodzi o opanowanie złożonych zagadnień z zakresu nauki o danych lub uczenia maszynowego, zasadniczo dwie rzeczy są prawdziwe: nie ma prawdziwych skrótów, a rytm uczenia się ludzi może się diametralnie różnić. Jednak nawet przy tych ograniczeniach istnieją sposoby na zwiększenie wydajności procesu i osiągnięcie celów, które sobie wyznaczyliśmy w rozsądnych ramach czasowych.

Artykuły, które wyróżniamy w tym tygodniu, oferują pragmatyczne podejście, które analitycy danych mogą stosować w trakcie swojej ścieżki edukacyjnej, niezależnie od poziomu doświadczenia lub etapu kariery. Jeśli szukasz hacków do nauki i sztuczek rozwiązywania problemów, które mogłyby zmieścić się w tweecie, prawdopodobnie będziesz rozczarowany (patrz wyżej: żadnych skrótów!). Zamiast tego nacisk kładziony jest na rozwijanie lepszych nawyków, budowanie solidnych przepływów pracy związanych z gromadzeniem informacji i maksymalizację wiedzy, którą już posiadasz.

• Lekcje zmiany kariery . Po kilku latach pracy jako fizyk laserowy Kirill Lepchenkov postanowił zostać analitykiem danych w branży, a jego post dotyczący dostosowania istniejącego zestawu umiejętności do nowej roli jest szczególnie przydatny dla innych osób rozważających przejście ze środowiska akademickiego do przemysłu. Jego spostrzeżenia na temat możliwości przenoszenia umiejętności mają jednak zastosowanie do każdego specjalisty ds. danych, który musi wypełnić poważną lukę w wiedzy, aby rozwinąć swoją karierę.
• Opracuj solidny system przechowywania informacji . Mając do nawigacji długie listy algorytmów, formuł i bibliotek Pythona, osoby uczące się informatyki mogą czasem poczuć się, jakby zagubiły się w ciemnym, nieprzeniknionym lesie (losowym lub nie). Madison Hunter jest tutaj, aby pomóc z praktycznym, sześcioetapowym planem porządkowania notatek do nauki – który możesz udoskonalić i dostosować w zależności od konkretnego tematu.

• Znajdź ścieżkę edukacyjną, która Ci odpowiada . Tak jak istnieje wiele sposobów radzenia sobie z określonymi obszarami w dziedzinie nauki o danych i uczenia maszynowego, tak znajdziesz niezliczoną ilość opiniotwórczych ujęć we właściwej kolejności, aby przejść od jednego tematu do drugiego. Nowy post Cassie Kozyrkov przedstawia przekonującą i modułową opcję opartą na jej obszernym archiwum samouczków i wyjaśnień.
• Nie ma nic złego w trzymaniu się za ręce . Jeśli nie masz ochoty na samodzielną naukę i bardziej prawdopodobne jest, że skorzystasz z ustrukturyzowanego, skumulowanego podejścia,nie możesz przegapić szczegółowego programu uczenia maszynowego Angeli Shi — dzieli on algorytmy na trzy kategorie i zawiera jasne porady dotyczące elementów, które należy traktować priorytetowo.

• Nasze najnowsze wydanie miesięczne jest już dostępne! Nie przegap tej kolekcji fascynujących artykułów na temat danych dotyczących przestrzeni miejskiej .
• Kto nie lubi zabawnego (i przydatnego) przewodnika po projekcie? Jacob Marks, Ph.D. Debiutancki artykuł TDS opisuje szczegółowo proces przekształcania nieporęcznej dokumentacji jego firmy w dostępną i dającą się przeszukiwać bazę danych.
• Po roku pracy jako dyrektor ds. analizy danych w firmie niezwiązanej z technologią CJ Sullivan dzieli się świeżymi spostrzeżeniami na temat zatrudniania, budżetowania i komunikacji między zespołami.
• Jeśli nie mogłeś uczestniczyć w PyCon DE w Berlinie w zeszłym miesiącu, opis Mary Newhauser pomoże Ci być na bieżąco z niektórymi z najbardziej interesujących i dających do myślenia prelekcji .
• Aby uzupełnić globalne spojrzenie na ekosystem Pythona , przeczytaj artykuły Leah Berg i Raya McLendona z amerykańskiej edycji PyCon, która również odbyła się w kwietniu.

Do następnej zmiennej,

Redaktorzy TDS