Como simplificar sua jornada de aprendizado de ciência de dados

Quando se trata de dominar tópicos complexos em ciência de dados ou aprendizado de máquina, duas coisas geralmente são verdadeiras: não há atalhos reais e o ritmo de aprendizado das pessoas pode variar drasticamente. Mesmo com essas restrições em vigor, porém, existem maneiras de tornar o processo mais eficiente e de atingir as metas que estabelecemos para nós mesmos dentro de um prazo razoável.

Os artigos que destacamos esta semana oferecem abordagens pragmáticas que os cientistas de dados podem aplicar ao longo de sua jornada de aprendizado, independentemente do nível de experiência ou estágio da carreira. Se você está procurando hacks de estudo e truques de solução de problemas que possam caber em um tweet, provavelmente ficará desapontado (veja acima: sem atalhos!). Em vez disso, o foco aqui é desenvolver hábitos melhores, criar fluxos de trabalho robustos de coleta de informações e maximizar o conhecimento que você já possui.

• As lições de uma mudança de carreira . Depois de trabalhar como físico de laser por vários anos, Kirill Lepchenkov decidiu se tornar um cientista de dados do setor, e sua postagem sobre a adaptação de um conjunto de habilidades existente para uma nova função é particularmente útil para outras pessoas que estão considerando uma transição da academia para a indústria. Suas percepções sobre a transferibilidade de habilidades, no entanto, são aplicáveis ​​a qualquer profissional de dados que precise fechar uma grande lacuna de conhecimento para avançar em sua carreira.
• Desenvolva um sistema sólido para reter informações . Com longas listas de algoritmos, fórmulas e bibliotecas Python para navegar, os alunos de ciência de dados às vezes podem se sentir perdidos em uma floresta escura e impenetrável (aleatória ou não). Madison Hunter está aqui para ajudar com um roteiro prático de seis etapas para organizar suas anotações de estudo - e você pode refiná-lo e personalizá-lo dependendo do tópico específico em questão.

• Encontre o caminho de aprendizado que funciona para você . Assim como existem várias maneiras de lidar com áreas específicas em ciência de dados e aprendizado de máquina, você encontrará inúmeras abordagens opinativas sobre a sequência certa a seguir à medida que avança de um tópico para outro. A nova postagem de Cassie Kozyrkov apresenta uma opção atraente e modular, baseada em seu profundo arquivo de tutoriais e explicadores.
• Não há nada de errado em dar as mãos . Se você é menos um aprendiz de escolha sua própria aventura e é mais provável que se beneficie de uma abordagem estruturada e cumulativa, ocurrículo detalhado de aprendizado de máquina de Angela Shi é algo que você não deve perder - ele classifica os algoritmos em três categorias , e fornece conselhos claros sobre quais elementos priorizar.

• Saiu nossa última edição mensal! Não perca esta coleção de artigos fascinantes sobre os dados dos espaços urbanos .
• Quem não gosta de um passo a passo de projeto divertido (e útil)? Jacob Marks, Ph.D. O artigo de estréia de TDS detalha o processo de transformar a pesada documentação de sua empresa em um banco de dados acessível e pesquisável.
• Depois de um ano como diretor de ciência de dados em uma empresa não tecnológica, CJ Sullivan compartilha um novo lote de insights sobre contratação, orçamento e comunicação entre equipes.
• Se você não pôde comparecer à PyCon DE em Berlim no mês passado, o artigo de Mary Newhauser ajudará você a se manter atualizado com algumas das palestras mais interessantes e instigantes .
• Para completar sua perspectiva global sobre o ecossistema Python , leia as conclusões de Leah Berg e Ray McLendon da edição americana da PyCon, que também ocorreu em abril.

Até a próxima Variável,

Editores TDS