วิธีปรับปรุงเส้นทางการเรียนรู้วิทยาศาสตร์ข้อมูลของคุณ

เมื่อพูดถึงการเรียนรู้หัวข้อที่ซับซ้อนในวิทยาการข้อมูลหรือแมชชีนเลิร์นนิง โดยทั่วไปแล้วมีสองสิ่งที่เป็นจริง: ไม่มีทางลัดที่แท้จริง และจังหวะการเรียนรู้ของผู้คนอาจแตกต่างกันไปอย่างมาก แม้ว่าจะมีข้อจำกัดเหล่านี้ แต่ก็ยังมีวิธีที่จะทำให้กระบวนการมีประสิทธิภาพมากขึ้นและบรรลุเป้าหมายที่เราตั้งไว้ภายในระยะเวลาที่เหมาะสม

บทความที่เราเน้นในสัปดาห์นี้นำเสนอแนวทางปฏิบัติที่นักวิทยาศาสตร์ข้อมูลสามารถนำไปใช้ได้ตลอดเส้นทางการเรียนรู้ โดยไม่คำนึงถึงระดับประสบการณ์หรือระยะอาชีพของพวกเขา หากคุณกำลังมองหาเคล็ดลับการเรียนและเทคนิคการแก้ปัญหาที่เข้ากับทวีตได้ คุณอาจจะผิดหวัง (ดูด้านบน: ไม่มีทางลัด!) แต่เน้นที่การพัฒนานิสัยที่ดีขึ้น สร้างเวิร์กโฟลว์การรวบรวมข้อมูลที่มีประสิทธิภาพ และเพิ่มพูนความรู้ที่คุณมีอยู่แล้วให้เกิดประโยชน์สูงสุด

• บทเรียนของการเปลี่ยนอาชีพ หลังจากทำงานเป็นนักฟิสิกส์เลเซอร์มาหลายปีคิริลล์ เลปเชนคอฟตัดสินใจเป็นนักวิทยาศาสตร์ข้อมูลอุตสาหกรรม และโพสต์ของเขาเกี่ยวกับการปรับชุดทักษะที่มีอยู่ให้เข้ากับบทบาทใหม่นั้นมีประโยชน์อย่างยิ่งสำหรับคนอื่นๆ ที่กำลังพิจารณาการเปลี่ยนผ่านจากสถาบันการศึกษาสู่อุตสาหกรรม อย่างไรก็ตาม ข้อมูลเชิงลึกเกี่ยวกับความสามารถในการถ่ายโอนทักษะนั้นใช้ได้กับผู้ปฏิบัติงานด้านข้อมูลที่ต้องการปิดช่องว่างความรู้ที่สำคัญเพื่อพัฒนาอาชีพของตน
• พัฒนาระบบที่มั่นคงสำหรับการเก็บรักษาข้อมูล ด้วยรายการอัลกอริทึม สูตร และไลบรารี Python จำนวนมากเพื่อนำทาง บางครั้งผู้เรียนด้านวิทยาการข้อมูลอาจรู้สึกเหมือนหลงทางอยู่ในป่ามืดที่เข้าไม่ถึง (สุ่มหรือไม่ก็ได้) Madison Hunterพร้อมให้ความช่วยเหลือด้วยแผนงาน 6 ขั้นตอนที่ใช้งานได้จริงสำหรับการจัดระเบียบบันทึกการเรียนของคุณ และคุณสามารถปรับแต่งและปรับแต่งได้ตามหัวข้อเฉพาะที่อยู่ในมือ

• ค้นหาเส้นทางการเรียนรู้ที่เหมาะกับคุณ เช่นเดียวกับที่มีหลายวิธีในการจัดการกับพื้นที่เฉพาะภายในวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง คุณจะพบว่ามีความคิดเห็นนับไม่ถ้วนในลำดับที่ถูกต้องเพื่อติดตามความคืบหน้าจากหัวข้อหนึ่งไปยังอีกหัวข้อหนึ่ง โพสต์ใหม่ของ Cassie Kozyrkovนำเสนอตัวเลือกที่น่าสนใจและเป็นโมดูล โดยอ้างอิงจากบทช่วยสอนและคำอธิบายที่เก็บถาวรของเธอ
• ไม่มีอะไรผิดปกติกับการจับมือ หากคุณไม่ใช่ผู้เรียนรู้การผจญภัยแบบเลือกเองและมีแนวโน้มที่จะได้รับประโยชน์จากแนวทางที่มีโครงสร้างและสะสม หลักสูตรแมชชีนเลิร์นนิงแบบละเอียดของ Angela Shi คือหลักสูตรที่คุณไม่ควรพลาด โดยจัดเรียงอัลกอริทึมออกเป็นสามประเภท และให้คำแนะนำที่ชัดเจนเกี่ยวกับองค์ประกอบที่ต้องจัดลำดับความสำคัญ

• ฉบับรายเดือนล่าสุดของเราออกแล้ว! อย่าพลาดบทความ ที่น่า สนใจเกี่ยวกับข้อมูลพื้นที่ในเมือง
• ใครไม่ชอบคำแนะนำโครงการที่สนุก (และมีประโยชน์) Jacob Marks, Ph.D. บทความเปิดตัว TDS ของ TDS ให้รายละเอียดกระบวนการเปลี่ยนเอกสารเทอะทะของบริษัทให้เป็นฐานข้อมูลที่เข้าถึงได้และค้นหาได้
• หลังจากหนึ่งปีในตำแหน่งผู้อำนวยการฝ่ายวิทยาศาสตร์ข้อมูลของบริษัทที่ไม่ใช่เทคโนโลยีCJ Sullivanได้แบ่งปันข้อมูลเชิงลึกชุดใหม่เกี่ยวกับการว่าจ้าง การจัดทำงบประมาณ และการสื่อสารระหว่างทีม
• หากคุณไม่สามารถเข้าร่วม PyCon DE ในเบอร์ลินเมื่อเดือนที่แล้ว งาน เขียน ของ Mary Newhauserจะช่วยให้คุณติดตามข่าวสารล่าสุดเกี่ยวกับการพูดคุยที่น่าสนใจและกระตุ้นความคิด
• หากต้องการสรุปมุมมองทั่วโลกของคุณเกี่ยวกับระบบนิเวศของ Pythonโปรดอ่าน ความคิดเห็นของ Leah Berg และ Ray McLendonจาก PyCon ฉบับสหรัฐอเมริกาซึ่งจัดขึ้นในเดือนเมษายน

จนกว่าจะถึงตัวแปรถัดไป

บรรณาธิการ TDS