Veri Bilimi Öğrenme Yolculuğunuzu Nasıl Kolaylaştırabilirsiniz?

Veri bilimi veya makine öğrenimindeki karmaşık konularda uzmanlaşmak söz konusu olduğunda, genellikle iki şey doğrudur: gerçek kısayollar yoktur ve insanların öğrenme ritmi önemli ölçüde değişebilir. Bu kısıtlamalar yürürlükte olsa bile, süreci daha verimli hale getirmenin ve kendimiz için belirlediğimiz hedeflere makul bir süre içinde ulaşmanın yolları vardır.

Bu hafta öne çıkardığımız makaleler, veri bilimcilerin deneyim seviyeleri veya kariyer seviyeleri ne olursa olsun öğrenme yolculukları boyunca uygulayabilecekleri pragmatik yaklaşımlar sunuyor. Bir tweet'e sığabilecek çalışma tüyoları ve problem çözme hileleri arıyorsanız, muhtemelen hayal kırıklığına uğrayacaksınız (yukarıya bakın: kısayol yok!). Bunun yerine, burada daha iyi alışkanlıklar geliştirmeye, sağlam bilgi toplama iş akışları oluşturmaya ve zaten sahip olduğunuz bilgileri en üst düzeye çıkarmaya odaklanılır.

• Bir kariyer değişikliğinin dersleri . Birkaç yıl lazer fizikçisi olarak çalıştıktan sonra, Kirill Lepchenkov bir endüstri veri bilimcisi olmaya karar verdi ve mevcut bir beceri setini yeni bir role uyarlama hakkındaki gönderisi, akademiden endüstriye geçişi düşünenler için özellikle yararlı. Bununla birlikte, beceri aktarılabilirliği konusundaki içgörüleri, kariyerlerinde ilerlemek için büyük bir bilgi açığını kapatması gereken herhangi bir veri uygulayıcısı için geçerlidir.
• Bilgileri saklamak için sağlam bir sistem geliştirin . Gezinmek için uzun algoritmalar, formüller ve Python kitaplıkları listeleriyle, veri bilimi öğrencileri bazen karanlık, aşılmaz bir ormanda (rastgele veya değil) kaybolmuş gibi hissedebilirler. Madison Hunter, çalışma notlarınızı organize etmek için pratik, altı adımlı bir yol haritası ile size yardımcı olmak için burada - ve onu eldeki konuya göre hassaslaştırabilir ve özelleştirebilirsiniz.

• Size uygun öğrenme yolunu bulun . Veri bilimi ve makine öğreniminde belirli alanları ele almanın birden çok yolu olduğu gibi, bir konudan diğerine ilerlerken takip etmeniz gereken doğru sıraya ilişkin üzerinde düşünülmüş sayısız yaklaşım bulacaksınız. Cassie Kozyrkov'un yeni gönderisi, derin eğitim ve açıklayıcı arşivine dayanan ilgi çekici ve modüler bir seçenek sunuyor.
• Biraz el ele tutuşmada yanlış bir şey yok . Maceranı kendin seç öğrenenlerden daha azsanız ve yapılandırılmış, birikimli bir yaklaşımdan yararlanma olasılığınız daha yüksekse, Angela Shi'nin ayrıntılı makine öğrenimi müfredatını kaçırmamanız gerekir — algoritmaları üç kategoriye ayırır ve hangi öğelere öncelik verileceği konusunda net öneriler sunar.

• En son Aylık Sürümümüz çıktı! Kentsel alanların verileri üzerine büyüleyici makalelerden oluşan bu koleksiyonu kaçırmayın .
• Eğlenceli (ve yararlı) bir projeyi kim sevmez? Jacob Marks, Doktora 'nin ilk TDS makalesi, şirketinin hantal belgelerini erişilebilir ve aranabilir bir veritabanına dönüştürme sürecini ayrıntılarıyla anlatıyor.
• Teknoloji dışı bir şirkette Veri Bilimi Direktörü olarak bir yıl geçirdikten sonra CJ Sullivan, ekipler arasında işe alım, bütçeleme ve iletişim hakkında yeni bir grup içgörü paylaşıyor.
• Geçen ay Berlin'de düzenlenen PyCon DE'ye katılamadıysanız, Mary Newhauser'ın yazıları , en ilginç ve düşündürücü konuşmalardan bazılarıyla güncel kalmanıza yardımcı olacaktır .
• Python ekosistemiyle ilgili küresel bakış açınızı tamamlamak için yine Nisan ayında gerçekleştirilen PyCon'un ABD baskısından Leah Berg ve Ray McLendon çıkarımlarını okuyun .

Bir sonraki Değişkene kadar,

TDS Editörleri