3 สิ่งที่จะช่วยให้คุณได้รับประโยชน์สูงสุดจาก bootcamp ด้านวิทยาการข้อมูล

bootcamps วิทยาศาสตร์ข้อมูลเข้มข้นด้วยหลักสูตรที่อัดแน่น หากคุณเป็นคนที่ไม่แน่ใจว่า bootcamp เป็นวิธีที่ดีที่สุดสำหรับคุณในการเรียนวิทยาศาสตร์ข้อมูลหรือไม่ คุณสามารถอ่านบทความก่อนหน้า ของฉัน ได้ที่นี่ ในบทความนี้ ฉันจะแบ่งปันความคิดของฉันเกี่ยวกับวิธีใช้ประโยชน์สูงสุดจาก bootcamp เมื่อคุณตัดสินใจเข้าร่วมแล้ว

เมื่อฉันเริ่มต้น bootcamp กับCodeopฉันมีความคิดที่คลุมเครือเกี่ยวกับสิ่งที่ฉันจะเรียนรู้ตามหลักสูตรที่ให้ไว้เมื่อเริ่มต้นหลักสูตร ตอนนี้ฉันรู้สึกขอบคุณสำหรับบางสิ่งที่ฉันทำก่อนเปิดเรียนวันแรก และบางสิ่งที่ฉันหวังว่าจะได้ใช้เวลาทำเพื่อเป็นส่วนหนึ่งของการเตรียมตัว จากประสบการณ์ของฉัน ในการรอเปิดเรียนวันแรก ให้ใช้เวลาระหว่างนั้นเพื่อ:

1. ทำความคุ้นเคยกับภาษาโปรแกรมที่เลือก
2. เรียนรู้พื้นฐานของสถิติ
3. ทำความเข้าใจคำศัพท์พื้นฐานของการเรียนรู้ของเครื่อง

ข้อจำกัดความรับผิดชอบ: ทรัพยากรที่ใช้ร่วมกันไม่ใช่เนื้อหาที่ได้รับการสนับสนุน ทั้งหมดนี้ขึ้นอยู่กับประสบการณ์ส่วนตัวของฉันในการใช้งาน

ทำความคุ้นเคยกับภาษาโปรแกรมที่เลือก

ในกรณีของการเป็นผู้เริ่มต้นในสาขาใดๆ เส้นโค้งการเรียนรู้เกี่ยวกับการเขียนโค้ดจะชันที่สุดในช่วงเริ่มต้น จะมีการสะดุดอยู่บ่อยครั้งเพื่อนำทางและไม่มีการหลีกหนีส่วนที่ยากลำบากของการเดินทางเพื่อเป็นนักวิทยาศาสตร์ข้อมูล อย่างไรก็ตาม ทักษะที่ได้เรียนรู้ ณ จุดนี้ถือเป็นก้าวสำคัญที่จะปูพื้นฐานสู่ความสำเร็จ ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องเข้าใจแนวคิดและมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับพื้นฐานของการเขียนโค้ดในภาษาการเขียนโปรแกรมใดๆ

หลักสูตรของ bootcamps มีพื้นที่น้อยสำหรับความหย่อนยานและทำให้ง่ายต่อการถูกทิ้งไว้เบื้องหลังในการประสานความเข้าใจที่ถูกต้องเกี่ยวกับหัวข้อที่แนะนำ ภายในโครงสร้างดังกล่าว อาจเป็นเรื่องน่าดึงดูดใจที่จะข้ามขั้นตอนสองสามขั้นตอนหรือไปยังขั้นตอนถัดไปด้วยความเข้าใจที่ไม่จำเป็นในหัวข้อก่อนหน้านี้ เพื่อหลีกเลี่ยงการตกหลุมพรางนั้น เป็นประโยชน์อย่างมากในการเริ่มต้นเรียนรู้พื้นฐานของภาษาโปรแกรมที่ต้องการใช้เขียนโค้ด ซึ่งอาจรวมถึงแนวคิดต่างๆ เช่น สภาพแวดล้อมการเข้ารหัส ไวยากรณ์ และโครงสร้างข้อมูล เหนือสิ่งอื่นใด

คำแนะนำของฉัน:

ฉันแนะนำให้ทำหลักสูตรเบื้องต้นเกี่ยวกับDataquestซึ่งคุณสามารถเริ่มเรียนรู้ได้ฟรี (ด้วยการสมัครสมาชิกแบบชำระเงินสำหรับการเข้าถึงไม่จำกัดหลังจากถึงจุดหนึ่ง) เป็นแบบกำหนดจังหวะด้วยตนเองและจัดส่งทางออนไลน์อย่างสมบูรณ์ ฉันชอบแนวทาง 'เรียนรู้โดยการทำ' ของหลักสูตรบนแพลตฟอร์มนี้เป็นพิเศษซึ่งแตกต่างจากที่อื่น (เช่นDatacamp ) วิธีการนี้ช่วยให้ฉันจดจำสิ่งที่เรียนรู้ได้มากขึ้น หลักสูตรมุ่งเน้นไปที่การสอนนักเรียนถึงวิธีการเรียนรู้โดยการคิดผ่านปัญหาและชี้ไปที่เอกสารประกอบ การแยกย่อยปัญหาที่ซับซ้อนและการใช้เอกสารเพื่อขอความช่วยเหลือเป็นทักษะอันล้ำค่าที่ควรมีในฐานะนักวิทยาศาสตร์ข้อมูล

เรียนรู้พื้นฐานของสถิติ

หนึ่งในองค์ประกอบหลักของวิทยาศาสตร์ข้อมูลคือสถิติ นักวิทยาศาสตร์ข้อมูลใช้สถิติเพื่อรวบรวม ทบทวน วิเคราะห์ และสรุปผลจากข้อมูล ตลอดจนสร้างแบบจำลองข้อมูล กล่าวโดยย่อ สถิติช่วยดึงข้อมูลที่มีความหมายออกมาจากข้อมูลซึ่งสามารถสนับสนุนการดำเนินการตามหลักฐาน

ค่ายฝึกที่ดีจะมุ่งให้ครอบคลุมแนวคิดทางสถิติที่สำคัญซึ่งเป็นส่วนหนึ่งของหลักสูตร แต่อาจเป็นเทคนิคสำหรับคนที่ไม่เคยเจอสถิติมาก่อน แม้กระทั่งสำหรับผู้ที่อาจเคยทำสถิติ 101 มาแล้วในช่วงหนึ่งของการศึกษา การเข้าใจทุกหัวข้อที่จำเป็นสำหรับด้านต่างๆ เช่น แมชชีนเลิร์นนิงอาจไม่ใช่เรื่องง่าย

แม้ว่าการค้นหาว่าเราควรเริ่มเรียนรู้จากที่ใดอาจเป็นเรื่องยุ่งยาก แต่ก็มีแหล่งข้อมูลฟรีมากมายที่พร้อมใช้งานเกี่ยวกับพื้นฐานของสถิติที่จำเป็นสำหรับวิทยาการข้อมูล ฉันเห็นสามส่วนหลักของสถิติที่มีประโยชน์ในด้านวิทยาศาสตร์ข้อมูล:

1. แนวคิดสถิติหลัก — สถิติเชิงพรรณนา การแจกแจง การทดสอบสมมติฐาน และการถดถอย
2. สถิติแบบเบย์ — ความน่าจะเป็นแบบมีเงื่อนไข ก่อน หลัง และโอกาสสูงสุด
3. การเรียนรู้ ของเครื่องทางสถิติ — แนวคิดพื้นฐานของเครื่องทางสถิติที่มีประโยชน์ในการสร้างแบบจำลองเชิงทำนายซึ่งแตกต่างจากวิธีการทางสถิติแบบดั้งเดิม

• หากคุณต้องการเรียนรู้ผ่านหนังสือ คุณสามารถอ่านสถิติเชิงปฏิบัติสำหรับนักวิทยาศาสตร์ข้อมูลโดย Peter Bruce, Andrew Bruce และ Peter Gedeck หนังสือครอบคลุมหัวข้อสำคัญในรูปแบบที่อ่านง่ายและเหมาะสำหรับผู้เริ่มต้น
• หากคุณชอบการเรียนรู้ผ่านวิดีโอ (เช่นฉัน) ฉันขอแนะนำซีรีส์วิดีโอเกี่ยวกับสถิติพื้นฐานโดย Josh Starmer ในช่อง YouTube Statquest ของเขา เขาอธิบายแนวคิดทางสถิติด้วยรูปแบบการสอนที่ชัดเจนและรัดกุมในขณะที่ใช้ประโยชน์จากภาพ

การเรียนรู้ของเครื่อง (ML) เป็นส่วนย่อยของสาขาทั่วไปของวิทยาศาสตร์ข้อมูล แมชชีนเลิ ร์นนิง เป็นชุดของวิธีการ เครื่องมือ และอัลกอริธึมคอมพิวเตอร์ที่ใช้ในการฝึกให้เครื่องจักรวิเคราะห์ ทำความเข้าใจ และค้นหารูปแบบที่ซ่อนอยู่ในข้อมูลและทำการคาดคะเน โดยทั่วไปจะใช้กับธุรกิจต่างๆ ภายในขอบเขตของปัญญาประดิษฐ์

Tech bootcamps มีแนวโน้มที่จะครอบคลุมหัวข้อแมชชีนเลิร์นนิงภายในหลักสูตร เนื่องจากเป็นชุดทักษะที่เป็นที่ต้องการในอาชีพด้านวิทยาศาสตร์ข้อมูลในปัจจุบัน เพื่อให้เข้าใจแนวคิดทางทฤษฎีได้ดีผ่านหลักสูตรติวเข้ม การเรียนรู้คำศัพท์และแนวคิดพื้นฐานบางอย่างในเวลาของคุณเองจะเป็นประโยชน์ ซึ่งจะทำให้สามารถใช้คลาสจริงเพื่อชี้แจงความเข้าใจของตนเอง และลงลึกในหัวข้อเฉพาะที่สนใจเพื่อเริ่มสร้างโมเดล ML ในที่สุด

คำแนะนำของฉัน:

ฉันพบว่าวิดีโอแนะนำ ML และ AI — MFML ตอนที่ 1 ของ Cassie Kozyrov เป็นแหล่งข้อมูลที่น่าทึ่งสำหรับผู้เริ่มต้น การผูกมิตรกับแมชชีนเลิร์นนิง (MFML) เป็นหลักสูตรของ Google ที่ใช้ภายในเท่านั้น ซึ่งขณะนี้ทุกคนสามารถเข้าเรียนได้ เธอมุ่งเน้นไปที่การทำความเข้าใจแนวคิด (มากกว่ารายละเอียดทางคณิตศาสตร์และการเขียนโปรแกรม) และแนะนำผ่านแนวคิดที่เป็นพื้นฐานของการเรียนรู้ของเครื่อง หากคุณต้องการอ่านเกี่ยวกับเรื่องนี้แทน เธอได้เขียนบทความขนาดกลางเกี่ยวกับเรื่องนี้ด้วย