探索数据科学的起源与应用：从数据挖掘到主流普及的演变_Z6尊龙网 - 更专业的体育问答网龙8头号玩家

早在2004年，我就开始了数据科学的旅程。当时，数据科学一词仍处于起步阶段，更广泛使用的术语是数据挖掘。直到2012年，数据科学一词才开始引起关注，并将自己推向主流知名度，这要归功于《哈佛商业评论》中标题为“数据科学家”的文章。托马斯·达文波特（Thomas Davenport）和DJ Patil撰写的“ 21世纪最性感的作品”。

1。什么是数据科学？

简而言之，数据科学是一个基本上使用数据来解决问题并为公司和组织带来影响，价值和洞察力的领域。数据科学已应用于各种学科和行业，涵盖教育，金融，医疗保健，地质，零售，旅游和电子竞技。数据科学的技术涉及使用数据收集，数据预处理，探索性数据分析，数据可视化，统计分析，机器学习，编程和软件工程。除了技术外，数据科学家还需要各种软技能。以下信息图提供了数据科学家的基本技能的高级概述。

2。您的数据科学旅程是个人的

您的数据科学旅程是个人的。不要将自己与他人进行比较，请记住每个人都是独一无二的，我们每个人都在不同的旅程。为什么我们必须去别人的旅程？专注于您自己的数据科学旅程。可以被挫折延迟，但不要让这些挫折阻止您实现目标。迟到总比不迟到。

拥抱“冒名顶替综合症”并将不安全感视为指导地图，这将帮助您完成数据科学之旅的所有事情。特别是，这可能会导致您走向自我完善的道路。绘制自己的学习和做事清单。找出您尚不知道的数据科学概念和技能，并写下您想知道的内容。然后，从这个数据科学概念/技能的桶清单中，每天只专注于学习1件事。在1年的过程中，您会惊讶于复杂效果以及将学习多少新的概念和技能。

3。如何学习数据科学？ 3.1。学习风格

我们如何学习？学习风格通常分为三类：

知识无处不在，并且有许多形式和形式的学习形式。例如，您可以从书籍，博客，视频，播客，有声读物，讲座，教学和最重要的事情中学习。

“学习数据科学的最佳方法是练习它。” -Chanin Nantasenamat

当您学习新的概念或技能（从视觉和听力中）时，您可以通过立即将新发现的知识应用于您的数据科学项目，从而增强（对动力学）的知识。通过不断进行数据科学，您将逐渐加强并磨练您刚刚学到的新概念和技能。随着时间的流逝，您将掌握它们。

此外，为了进一步增强您对这些新概念或技能的理解，您还可以教别人（例如编写教程博客，做视频教程和教别人）。通过这样做，您可以利用上述3种学习方法来最大程度地发挥自己的学习潜力。值得一提的是，教别人将帮助您将新的概念或技能体现在自己的话语中，这样做将有助于您重新整理思维并更好地理解它。

3.2。学习如何学习

这只是关于如何学习的冰山一角。实际上，由Barbara Oakley博士和Terrence Sejnowski博士撰写的Coursera上有一门在线课程，名为Learn Leach学习，这是一门很棒的课程，它将教您一些学习技能，以帮助您更有效地学习。关联：

另一篇很好的阅读是Evernote上发表的一篇文章，题为“ Feynman Technology”的媒介，该文章总结了诺贝尔奖获得者和物理学家Richard Feynman设计的学习技术。关联：

此外，YouTube视频“ The25最佳科学研究技巧”还提供了有效学习技术的可操作性，您也可以将其用于数据科学学习。关联：

此外，斯科特·杨（Scott Young）还写了一本关于超级学习的出色书籍，他在短短一年内分享了在麻省理工学院（MIT）学习4年计算机科学课程方面的自学经验。此外，乔什·考夫曼（Josh Kaufman）发表了TED演讲，并在他的书中的前20个小时中描述了我们可以在短短20个小时内学习任何东西。关联：

掌握学习艺术可以使您更有效地学习和学习数据科学，从而使您的学习体验更加愉快。

3.3。学习数据科学策略和所需的技能集

去年年底，我在YouTube上发布了一个视频，“ 2020年学习数据科学策略”。在视频中，我分享了一些实用的技巧和技巧，以使您开始使用数据科学之旅。关联：

您可以观看如何成为数据科学家（学习路径和所需技能集），在这里我将鸟类的眼光视为数据科学的整体情况，并涵盖所有数据科学家都应该知道的8个重要技能。关联：

提供数据科学学习策略和建议的其他视频可以在数据科学101数据教授播放列表中找到。关联：

肯·吉（Ken Jee）写了一篇出色的文章，并给出了YouTube视频，介绍了如何培养数据科学。纸链接：

视频链接：

此外，他在YouTube视频中分享了自己的技能，“我将如何学习数据科学（如果您必须重新开始”。链接：

4。从数据竞赛和黑客马拉松学习

学习和发展数据科学技能的另一种方法是参加数据科学竞赛和黑客马拉松。关联：

您可以参加Kaggle或Alibaba Tianchi的流行数据科学竞赛。关联：

托管机器学习黑客马拉松的平台是MachineHack。关联：

参与这些活动的好处是，由于即兴的性质，在解决手头问题时需要大量即兴创造和创造力。由于这些活动涉及时间因素（即，有特定的截止日期，提交日期），因此您将有动力将项目运送到最后。可以想象，在学习情况下，您没有强调在特定日期或时间完成数据科学项目，您可能有机会延迟项目的完成。回想一下，当您在学校时，您必须学习和通过考试，并在特定的日期和时间进行。因此，您将为考试做准备（即，执行必要的阅读，回忆，理解和记忆），以便您可以参加并完成考试。同样，如果您决心参加并完成比赛或黑客马拉松，则需要准备和分析这些活动给出的数据集（即，数据预处理，探索性数据分析，功能工程，功能工程，模型构建和模型解释）。

参加比赛和黑客活动的另一个重要原因是，您可以通过寻找提高模型性能的创新方法来获得宝贵的提示和技巧。这样，您可能会参与学习过程，这可能会使您暴露于其他数据科学家，讨论获取数据集的新方法，并在此过程中学习一些新知识。此外，您提高模型性能的旅程可能使您可以挖掘研究文献并尝试新事物，库或方法。如果您仅通过传统和被动的方式学习，所有这些都是不可能的。

5。为什么选择数据科学？

有明确的目的和理由来解释为什么要学习数据科学可以帮助您更多地欣赏数据科学。花一些时间考虑这个问题，并探索以下主要问题。

5.1。为什么我需要研究数据科学？

问问自己的最重要的问题非常简单，这就是为什么您需要研究数据科学？通过回答这个问题，您将更好地了解您需要在学习数据科学方面首先关注哪个领域，因为该领域很大，很容易丢失并被卡住。

我将如何在项目中使用数据科学

确定如何在项目中使用数据科学很重要。您要回答的一些问题包括：

5.2。我可以使用数据科学带来什么价值

正如斯蒂芬·科维（Stephen Covey）在7个高效人中所说的那样：

“第一次开始”！

6。对自己负责并提高效率！

首先，对自己的学习进步负责，将有助于保持学习进步。我曾在Ken Jee创立的一个很棒的在线数据科学家社区中。在这个在线社区中，将有一个讨论部分，成员可以在一个星期或一个月内公开发布其目标。这样做可以帮助我们保持对最初意图和目标的承诺。

肯还发表了一篇关于“如何在学习数据科学时保持积极性和富有成效的媒介”的文章，分享了有关保持积极进取和富有成效的更多技巧。关联：

可以在Kevindaum在Inc.上高度负责人的8个习惯中找到更多提示。链接：

以下是一些效率的基本技巧：

因为归根结底，如果您不取得进步，就不会学习，就无法提前实现目标，并且您无法在职业生涯中获得想要的位置。

7。拥抱失败，学会爱上调试

拥抱失败了。您必须学会接受不舒服的事物。因为简单地说，没有免费的午餐。没有疼痛没有收获。因此，当您遇到失败时，不用担心，只需再次站起来，继续努力。

完全可以，如果它被卡住了，如果不了解算法X，则可以，如果不知道如何调试失败代码，则可以。您可以休息一下，重新整理自己的想法，然后致力于应对挑战。有时，您的大脑会被阻塞并变得沉闷，因此休息一下可能有助于恢复活力并刷新您的想法。

当您遇到数据科学项目中的编码错误时，您不知道如何继续。如果您有一个知识渊博的朋友，请问他或她。如果没有，搜索堆栈溢出。如果没有，请谦虚地问！关联：

学会喜欢调试并将其视为学习的机会，您可以从失败和错误中获得宝贵的见解和教训。因为如果您没有失败，就不会学到任何有价值的东西。但是，当您失败时，不要对自己太苛刻，请学会站起来重新开始。您必须具有与失败作斗争的能力。

8。不必担心尝试学习一切

该领域的新手可能会被所有精美的术语所吓到，但请不要害怕，请记住，数据科学和机器学习是一个充满活力，成长和不断发展的领域，因此总会引入新的技术。简而言之，唯一保持不变的是改变自己。

如上所述，不要被吓到，专注于开始。从哪里开始，最重要的是您真正开始数据科学之旅。

8.1。专注于基础8.2。专注于项目而不是技术

不要想得太多。克服“我应该学到什么语言？”的困境，选择一种语言（母语一般性），然后继续前进。您应该知道，编程是一种工具，可以帮助您将项目想法提高到开发和部署。

编程的基本概念与语言无关，也就是说，核心基础知识适用于各种语言：

9。使您的项目重复使用

使您的数据科学项目可重复使用的一些好处如下：

9.1。其他人可以帮助您

当您遇到编码错误时，有必要执行最低工作示例（MWE），因为它可以通过允许其他人复制错误来帮助您。

9.2。为您的未来和他人节省时间

将您的项目作为Docker容器以及Python和Conda环境导出。因为在您的编码环境中安装的基础库的版本正在不断变化，因此您今天可以在6个月内不使用它。因此，有必要使用虚拟环境，Docker容器或至少导出库的版本（如下所示，PIP和CONDA的命令）

PIP出口环境：

pipfreeze > requirements.txt

康达的出口环境：

condaenv export >environment.yml

10。学习成功从内部开始

本节探讨了您的数据科学之旅在内部开始的想法。这是为了为即将发生的事情和将要成为什么准备。这些概念包括：好奇心，爱情过程，成长心态和勇气。

10.1。好奇心

好奇心可以说是成为数据科学家的核心和基本技能之一，因为它使我们在追求创新的方法来解决问题方面保持积极性并坚持不懈。阿尔伯特·爱因斯坦（Albert Einstein）曾经将好奇心与知识进行了比较。

“好奇心比知识更重要。” ----艾伯特·爱因斯坦（Albert Einstein）

埃里克·科尔森（Eric Colson）在《哈佛商业评论》文章“好奇心驱动的数据科学”中强调了好奇心的重要性。关联：

“少考虑数据科学如何支持和执行您的计划，更多地考虑如何创建您的数据科学家可以提出您从未梦想过的环境。” ---埃里克·科尔森（Eric Colson）

10.2。喜欢这个过程

学习数据科学并非不可能或不可能。对于具有非技术背景的人来说，绝对有可能像我一样进入数据科学领域，并在我以前的媒介文章中进行了讨论，即生物学家如何成为数据科学家。关联：

在谈论爱情过程时，我会想到三个名字：迈克尔·乔丹，加里·瓦内尔丘克和克莱门特·米哈利斯库。可以说这三个人是他们工作中最好的，他们的工作热情是不舒服的。

签署第一份职业篮球合同时，迈克尔·乔丹（Michael Jordan）确保了一项特殊条款：“游戏中的爱”合同包括此条款，允许乔丹随时随地在没有其他限制的任何地方打篮球。

正如《纽约时报》五次畅销书的Vaynermedia首席执行官Gary Vaynerchuk（校园Vaynerx）在YouTube视频中说，当被问及是否可以将大部分工作委派成减少工作时间的大部分工作时，他说：“我喜欢上班的过程，我喜欢攀登，我喜欢攀登，我不能满足我的需求，我想让我能够完成工作，我是否想完成我的工作，我是否需要我需要做什么，我是否需要我需要做什么，我想做什么，我想完成工作。 --- Gary Weinerchuk。关联：

ClémentMihailescu（前Facebook软件工程师和技术YouTuber的Algoexpert的首席执行官）在YouTube视频中说，他没有经历倦怠：“归根结底，您必须享受这一过程。无论您在做什么，无论您在做什么，无论您在做什么，您都必须享受这些琐事，您必须喜欢这些东西，您必须爱这些东西。关联：

10.3。成长心态和毅力

根据多年的研究，Angela Duckworth（人格实验室的创始人兼首席执行官，宾夕法尼亚大学心理学教授）将“毅力”一词定义为：她畅销书中的激情和毅力的力量。在YouTube视频中，她将“毅力”定义为激情和毅力的结合。特别是，她对勇气的定义摘录如下：“毅力是一种保持兴趣并努力实现非常长期目标的倾向。” - - 安吉拉·达克沃斯（Angela Duckworth）。关联：

卡罗尔·德维克（Carol Dweck）描述了她对指导我们生活的两种主要思维方式的研究在她的书《思想：改变思维方式和发挥潜力》中的研究：

成长思维和

固定的思维方式

前者一直与成功有关，而后者通常会带来自我怀疑和不满的生活。在她的TED演讲中，Dweck提高了在舒适区之外工作的重要性，这是提高性能的关键：在数据科学中，变化是不可避免的，因为总是引入了新的，具有挑战性的概念，这可能完全涵盖或重新定义先前的概念。我们总是对复杂的挑战感到困惑。要应对这些变化和挑战，我们必须从内部开始，尤其是采用正确的思维方式来帮助您取得成功。关联：

10.4。承担全部责任

人们通常很容易提出借口，并将生活中的不幸归咎于无数事情。当我们这样做时，“我们的责任感为零”，正如加里·瓦尼库克（Gary Vaynerchuk）经常说的那样（YouTube上的一个很棒的视频“停止责怪他人并承担全部责任”）链接：

学习数据科学与我们生活中的其他努力没有什么不同。问题是，我们是否将对学习过程中遇到的延误或障碍负责，还是不会承担全部责任并将责任推动到其他地方。