Cách hợp lý hóa hành trình học tập khoa học dữ liệu của bạn

Khi nói đến việc nắm vững các chủ đề phức tạp trong khoa học dữ liệu hoặc học máy, có hai điều thường đúng: không có lối tắt thực sự nào và nhịp độ học tập của mọi người có thể thay đổi đáng kể. Tuy nhiên, ngay cả khi có những ràng buộc này, vẫn có nhiều cách để làm cho quy trình hiệu quả hơn và để đạt được các mục tiêu mà chúng tôi đã đặt ra cho mình trong một khung thời gian hợp lý.

Các bài báo mà chúng tôi nêu bật trong tuần này đưa ra các phương pháp tiếp cận thực tế mà các nhà khoa học dữ liệu có thể áp dụng trong suốt hành trình học tập của họ, bất kể mức độ kinh nghiệm hay giai đoạn nghề nghiệp của họ. Nếu bạn đang tìm kiếm các thủ thuật học tập và thủ thuật giải quyết vấn đề có thể phù hợp với một tweet, bạn có thể sẽ thất vọng (xem ở trên: không có phím tắt!). Thay vào đó, trọng tâm ở đây là phát triển những thói quen tốt hơn, xây dựng quy trình thu thập thông tin mạnh mẽ và tối đa hóa kiến ​​thức bạn đã có.

• Những bài học của một chuyển đổi nghề nghiệp . Sau khi làm việc với tư cách là một nhà vật lý laser trong vài năm, Kirill Lepchenkov quyết định trở thành một nhà khoa học dữ liệu trong ngành và bài đăng của anh ấy về việc điều chỉnh một bộ kỹ năng hiện có cho một vai trò mới đặc biệt hữu ích cho những người khác đang xem xét quá trình chuyển đổi từ học viện sang công nghiệp. Tuy nhiên, những hiểu biết sâu sắc của nó về khả năng chuyển giao kỹ năng có thể áp dụng cho bất kỳ người thực hành dữ liệu nào cần thu hẹp khoảng cách kiến ​​thức lớn để thăng tiến trong sự nghiệp.
• Phát triển một hệ thống vững chắc để lưu giữ thông tin . Với danh sách dài các thuật toán, công thức và thư viện Python để điều hướng, người học khoa học dữ liệu đôi khi có thể cảm thấy như bị lạc trong một khu rừng tối tăm, bất khả xâm phạm (ngẫu nhiên hoặc không). Madison Hunter sẵn sàng trợ giúp với lộ trình sáu bước thực tế để tổ chức các ghi chú học tập của bạn—đồng thời bạn có thể tinh chỉnh và tùy chỉnh nó tùy thuộc vào chủ đề cụ thể hiện có.

• Tìm lộ trình học tập phù hợp với bạn . Cũng giống như có nhiều cách để giải quyết các lĩnh vực cụ thể trong khoa học dữ liệu và học máy, bạn sẽ thấy vô số ý kiến ​​trái chiều về trình tự phù hợp để làm theo khi bạn chuyển từ chủ đề này sang chủ đề tiếp theo. Bài đăng mới của Cassie Kozyrkov trình bày một tùy chọn hấp dẫn và theo mô-đun, dựa trên kho lưu trữ sâu các hướng dẫn và giải thích của cô ấy.
• Không có gì sai với một số nắm tay . Nếu bạn không phải là người thích học theo cách tự lựa chọn cuộc phiêu lưu của mình và có nhiều khả năng được hưởng lợi từ cách tiếp cận có cấu trúc, tích lũy, thìgiáo trình học máy chi tiết của Angela Shi là một chương trình bạn không nên bỏ qua — nó sắp xếp các thuật toán thành ba loại và đưa ra lời khuyên rõ ràng về những yếu tố cần ưu tiên.

• Phiên bản hàng tháng mới nhất của chúng tôi đã ra mắt! Đừng bỏ lỡ bộ sưu tập các bài báo hấp dẫn về dữ liệu không gian đô thị .
• Ai không thích hướng dẫn dự án thú vị (và hữu ích)? Jacob Marks, Ph.D. Bài báo đầu tiên về TDS của ông mô tả chi tiết quá trình biến tài liệu khó sử dụng của công ty ông thành một cơ sở dữ liệu có thể truy cập và tìm kiếm được.
• Sau một năm làm Giám đốc Khoa học Dữ liệu tại một công ty phi công nghệ, CJ Sullivan chia sẻ một loạt thông tin chi tiết mới về tuyển dụng, lập ngân sách và giao tiếp giữa các nhóm.
• Nếu bạn không thể tham dự PyCon DE ở Berlin vào tháng trước, bài viết của Mary Newhauser sẽ giúp bạn cập nhật một số cuộc nói chuyện thú vị và kích thích tư duy nhất .
• Để hoàn thiện góc nhìn toàn cầu của bạn về hệ sinh thái Python , hãy đọc những bài học của Leah Berg và Ray McLendon từ phiên bản PyCon của Hoa Kỳ, cũng diễn ra vào tháng Tư.

Cho đến Biến tiếp theo,

Trình chỉnh sửa TDS