Как оптимизировать процесс обучения науке о данных

Когда дело доходит до освоения сложных тем в науке о данных или машинном обучении, обычно верны две вещи: не существует реальных коротких путей, и ритм обучения людей может сильно различаться. Однако даже при наличии этих ограничений есть способы сделать процесс более эффективным и достичь целей, которые мы перед собой поставили, в разумные сроки.

Статьи, которые мы освещаем на этой неделе, предлагают прагматические подходы, которые специалисты по данным могут применять на протяжении всего своего учебного пути, независимо от их уровня опыта или стадии карьеры. Если вы ищете лайфхаки для учебы и решения проблем, которые можно было бы уместить в твит, вы, скорее всего, будете разочарованы (см. выше: никаких ярлыков!). Вместо этого основное внимание здесь уделяется выработке лучших привычек, созданию надежных рабочих процессов для сбора информации и максимальному использованию знаний, которыми вы уже обладаете.

• Уроки смены карьеры . Проработав несколько лет физиком-лазерщиком, Кирилл Лепченков решил стать отраслевым специалистом по данным, и его пост об адаптации существующего набора навыков к новой роли особенно полезен для тех, кто рассматривает возможность перехода из академии в промышленность. Однако его идеи о переносимости навыков применимы к любому специалисту по работе с данными, которому необходимо закрыть большой пробел в знаниях, чтобы продвинуться по карьерной лестнице.
• Разработайте надежную систему хранения информации . С длинными списками алгоритмов, формул и библиотек Python для навигации изучающие науку о данных иногда могут чувствовать, что они потерялись в темном непроходимом лесу (случайном или нет). Мэдисон Хантер здесь, чтобы помочь вам с практической шестиэтапной дорожной картой для организации ваших учебных заметок, и вы можете уточнить и настроить ее в зависимости от конкретной темы.

• Найдите путь обучения, который работает для вас . Точно так же, как существует множество способов решения конкретных областей науки о данных и машинного обучения, вы найдете бесчисленное множество самоуверенных подходов к правильной последовательности, которой нужно следовать, переходя от одной темы к другой. Новый пост Кэсси Козырков представляет убедительный и модульный вариант, основанный на ее обширном архиве руководств и пояснений.
• Нет ничего плохого в том, чтобы немного держаться за руки . Если вы менее склонны к самостоятельному выбору приключений и скорее извлечете выгоду из структурированного кумулятивного подхода,вам не следует пропускать подробную учебную программу Анджелы Ши по машинному обучению — она сортирует алгоритмы по трем категориям. и дает четкие советы о том, каким элементам следует отдавать приоритет.

• Наш последний ежемесячный выпуск вышел! Не пропустите эту подборку увлекательных статей о данных городских пространств .
• Кому не нравится веселое (и полезное) прохождение проекта? Джейкоб Маркс, доктор философии Дебютная статья TDS подробно описывает процесс превращения громоздкой документации его компании в доступную базу данных с возможностью поиска.
• Проработав год директором по науке о данных в нетехнической компании, Си Джей Салливан делится свежей информацией о найме, составлении бюджета и общении между командами.
• Если вы не смогли посетить PyCon DE в Берлине в прошлом месяце, статья Мэри Ньюхаузер поможет вам быть в курсе самых интересных и наводящих на размышления докладов .
• Чтобы завершить свое глобальное видение экосистемы Python , прочитайте выдержки Лии Берг и Рэя Маклендона из американского издания PyCon, которое также состоялось в апреле.

До следующей переменной,

Редакторы TDS