想當數(shù)據(jù)科學(xué)家的你這13個錯誤可別犯
前言
當你看這篇文章的時候，我們知道你已經(jīng)決定把數(shù)據(jù)科學(xué)當作你的工作。當下越來越多的企業(yè)需要數(shù)據(jù)支持其決策，世界也變得越來越緊密，幾乎每個企業(yè)都需要大量的數(shù)據(jù)科學(xué)實踐。因此，對數(shù)據(jù)科學(xué)家的需求是巨大的。當然，人才短缺也是業(yè)內(nèi)所公認的。
然而，成為一名數(shù)據(jù)科學(xué)家并不容易。它需要解決問題的能力、結(jié)構(gòu)化思維、編碼以及各種技術(shù)技能，才能真正成功。如果你只有非技術(shù)和非數(shù)學(xué)的背景，那么你很有可能通過書籍和視頻來學(xué)習(xí)。然而這類資源大多并沒有教你工業(yè)界對數(shù)據(jù)科學(xué)家要求的能力。
這也是渴望成功的數(shù)據(jù)科學(xué)家需要努力彌補自我學(xué)習(xí)與實際工作之間差距的主要原因之一。
在本文中，我將討論業(yè)余數(shù)據(jù)科學(xué)家所犯的常見錯誤(我自己也犯了其中某些錯誤)，并提供了一些比較實用的資源，旨在幫助您避免數(shù)據(jù)科學(xué)中的這些陷阱。
目錄
• 學(xué)習(xí)理論概念而不應(yīng)用它們
• 不學(xué)習(xí)先決知識而直接學(xué)習(xí)機器學(xué)習(xí)技術(shù)
• 完全依靠認證和學(xué)位
• 誤以為你在機器學(xué)習(xí)競賽中看到的是真實的工作現(xiàn)狀
• 注重模型的精度勝過其適用性和可解釋性
• 在簡歷中使用過多的數(shù)據(jù)科學(xué)術(shù)語
• 優(yōu)先考慮該使用的工具和各種庫而不是業(yè)務(wù)本身要解決的問題
• 沒有花費足夠的時間去探索和可視化數(shù)據(jù)
• 缺乏結(jié)構(gòu)化的方法來解決問題
• 試圖一次學(xué)習(xí)多個工具
• 不能堅持學(xué)習(xí)
• 遠離討論和競賽
• 不去提升溝通技巧
1. 學(xué)習(xí)理論概念而不應(yīng)用它們
資料來源：認知課 - YouTube
正如我在 AV 實踐問題那篇文章中提到的那樣：掌握機器學(xué)習(xí)技術(shù)背后的理論是很好的，但如果你不應(yīng)用它們，它們只是理論。當我開始學(xué)習(xí)數(shù)據(jù)科學(xué)時，我也犯了同樣的錯誤：我學(xué)習(xí)了書籍和在線課程，但并不總是用它們來解決問題。
因此當我有機會應(yīng)用我所學(xué)的知識去解決面臨的挑戰(zhàn)或問題時，我卻忘了一大半!我們需要學(xué)習(xí)的東西有很多，比如算法、推導(dǎo)、研究論文等。你很有可能在中途失去學(xué)習(xí)動力并放棄。我已經(jīng)看到這種情況發(fā)生在很多試圖進入這個領(lǐng)域的人身上。
如何避免這個問題?
你必須在理論和實踐之間保持一個平衡。一旦你學(xué)習(xí)了一個概念，請立即訪問 Google，找到可以使用它的數(shù)據(jù)集或問題。你會發(fā)現(xiàn)這樣做之后可以更好地理解理論知識。您還可以使用 AV 的 DataHack 平臺，完成上面的練習(xí)題和參與比賽。
必須承認的是你無法通過一次學(xué)習(xí)掌握所有的東西，在練習(xí)時查漏補缺，這樣會使你學(xué)到更多東西!
2. 不學(xué)習(xí)先決知識而直接學(xué)習(xí)機器學(xué)習(xí)技術(shù)
資料來源：倫敦帝國理工學(xué)院 - YouTube
大多數(shù)立志要成為數(shù)據(jù)科學(xué)家的人都受到機器人視頻或有趣的預(yù)測模型的鼓舞，當然也有些人是在高薪誘惑下入行的。遺憾的是(不好意思讓你們失望了!)，在你到達那里之前，你還有一條漫長的路要走。
在應(yīng)用一項技術(shù)解決問題之前你應(yīng)該了解其背后的工作原理，這樣做將有助于你了解算法如何工作，知道如何去微調(diào)它，并且還將幫助你在現(xiàn)有技術(shù)的基礎(chǔ)上搭建新的技術(shù)。數(shù)學(xué)在里面發(fā)揮著重要作用，因此了解某些概念總是有幫助的。在日常的企業(yè)數(shù)據(jù)科學(xué)家角色中，您可能不需要了解高級微積分，但有一個總體的了解肯定是有幫助的。
如果您有好奇心或想要進入研究領(lǐng)域，那么在深入了解機器學(xué)習(xí)的核心技術(shù)之前，您需要了解的四個關(guān)鍵組件是：
• 線性代數(shù)
• 微積分
• 統(tǒng)計學(xué)
• 概率論
如何避免這個問題?
正如房子是一磚一瓦建造的，數(shù)據(jù)科學(xué)家的看家本領(lǐng)也是由掌握一個一個知識點開始的。有大量的資源可以幫助您學(xué)習(xí)這些知識點。為了幫助您入門，下面我為每個知識點主題列出了一個資源：
• 數(shù)據(jù)科學(xué)家線性代數(shù)綜合入門指南
• 數(shù)據(jù)科學(xué)概率基礎(chǔ)的案例解釋
您還可以查看 Analytics Vidhya 的「數(shù)據(jù)科學(xué)入門」課程，其中包括了有關(guān)統(tǒng)計和概率的綜合模塊。
3. 完全依靠認證和學(xué)位
自從數(shù)據(jù)科學(xué)變得非常受歡迎以來，各地的認證和學(xué)位幾乎都出現(xiàn)了，給招聘經(jīng)理和招聘人員增加了不少煩惱。瀏覽我的 LinkedIn 資料，至少 5 張認證圖片被我自豪地展示在那里。雖然得到這些認證并非易事，但完全依賴它們也是非常危險的。
數(shù)以萬計渴望成功的數(shù)據(jù)科學(xué)家報名并完成了種類繁多的在線課程。如果說完成這些課程曾經(jīng)能為你的數(shù)據(jù)科學(xué)簡歷添加一些獨特的價值，那么現(xiàn)在已經(jīng)不是這種情況 了。招聘經(jīng)理對這些證書并不那么看重了， 他們更加重視你的知識結(jié)構(gòu)，以及你如何在現(xiàn)實生活中應(yīng)用它們。
與客戶打交道、處理項目截止日期、了解數(shù)據(jù)科學(xué)項目的生命周期如何工作、如何設(shè)計模型以適應(yīng)現(xiàn)有業(yè)務(wù)框架，這些只是你作為一個成功的數(shù)據(jù)科學(xué)家所要做好的工作的一部分，而這些僅僅只有課程認證或?qū)W位是不夠的。
如何避免這個問題?
不要誤解我的意思：認證是很有價值的，但只有當你將這些知識應(yīng)用到課堂之外并將其展示出來時才有價值。不管你對真實數(shù)據(jù)做何種分析，確保你寫下它。創(chuàng)建自己的博客、在 LinkedIn 上發(fā)布，并征求社區(qū)的反饋意見。這表明你愿意學(xué)習(xí)并且有很多想法，愿意接受別人提出的建議并將其用于你的項目中。
你應(yīng)該對實習(xí)持開放態(tài)度(無論你的經(jīng)驗水平如何)。你將學(xué)習(xí)到很多關(guān)于數(shù)據(jù)科學(xué)團隊如何工作的經(jīng)驗，這會使你在參加下一次面試時受益。
如果你正在尋找下一個項目，那么你來對地方了。我們有一個很棒的按難度分級的項目清單。現(xiàn)在就開始吧。
4. 誤以為你在機器學(xué)習(xí)競賽中看到的是真實的工作現(xiàn)狀
這是近來數(shù)據(jù)科學(xué)家們最大誤解之一。競賽和黑客馬拉松提供了相當干凈、一塵不染的數(shù)據(jù)集(好吧，說得是有點過了，懂我的意思就好)。你下載它們?nèi)缓笾纸鉀Q問題。即使這些數(shù)據(jù)集有一些缺失數(shù)值的數(shù)據(jù)列也不會多么麻煩，找到一種插補技術(shù)然后填空就好。
不幸的是真實世界里的項目并不這樣。真實世界中有一條涉及與一群人一起工作的端到端的流程。你幾乎總得和混亂、未清洗的數(shù)據(jù)打交道。俗話說得好，“花費你 70-80% 的時間，收集、清洗數(shù)據(jù)”是一點也不為過的。你會(很可能)不喜歡這個令人筋疲力盡的過程，但它最終會變成你日常工作的一部分。
此外還有一點我們將在下文中詳談，那就是簡單的模型要優(yōu)先于任何復(fù)雜的、堆砌的集成模型。準確性不總是最終目標，這是你會在工作中學(xué)到的最矛盾的事。
如何避免這個問題?
令人尷尬的是避開這個誤區(qū)的重要因素是經(jīng)驗，你獲得越多經(jīng)驗(這種情況下實習(xí)會大有助益)，你越能區(qū)分這兩者。這就是社交媒體的方便之處：多跟數(shù)據(jù)科學(xué)家們聊聊，問問他們的經(jīng)驗。
另外，我建議看看這個 Quora 問題，來自世界各地的科學(xué)家就這個問題在上邊表達了他們的看法。競賽排行榜確實適合衡量你的學(xué)習(xí)進度，但面試官想知道的是你怎樣去優(yōu)化一個算法來產(chǎn)生影響，而不是為優(yōu)化而優(yōu)化。學(xué)習(xí)一個數(shù)據(jù)科學(xué)項目如何運轉(zhuǎn)，一個團隊里有哪些不同的角色(從數(shù)據(jù)工程師到數(shù)據(jù)架構(gòu)師)，基于你的理解構(gòu)建你的回答。
5. 注重模型的精度勝過其適用性和可解釋性
來源：Design Shack
正如以上所述，精確度并不總是業(yè)務(wù)所追求的。固然一個能以 95% 的精確度預(yù)測貸款違約的模型相當不錯，但若你無法解釋這個模型如何做到這一點，什么特性使其如此，以及你在建構(gòu)模型時的思路是什么，你的客戶就會拒絕這個模型。
極少地，如果有的話，你會看到深度神經(jīng)網(wǎng)絡(luò)用于商業(yè)應(yīng)用中。向客戶解釋一個神經(jīng)網(wǎng)絡(luò)(更別說深度神經(jīng)網(wǎng)絡(luò))是如何利用其隱藏層、卷積層等來得到其結(jié)果是不可能的。首要且必須考慮應(yīng)該是我們能夠理解模型之下發(fā)生著什么。如果你沒法判斷年齡、家庭成員數(shù)目、抑或此前的信用記錄是否與拒絕信貸申請有關(guān)，你該如何向你的客戶做出建議讓他們能改進他們的業(yè)務(wù)?
另一個關(guān)鍵方面是你的模型能否契合組織業(yè)已存在的框架。如果開發(fā)環(huán)境不能支持你使用的 10 種不同的工具和庫，這將相當失敗，你將不得不用一種更簡單的方法從零開始重新設(shè)計并重建模型。
如何避免這個問題?
避免這個錯誤的最好方法便是與業(yè)界人士交流，沒有比經(jīng)驗更好的老師。選擇一個領(lǐng)域(金融，人力資源，銷售，運營等)并與他們聯(lián)系，了解他們的項目是如何運轉(zhuǎn)的。
除此之外，練習(xí)構(gòu)建簡單的模型并向非技術(shù)人員解釋它們。隨后提升模型的復(fù)雜度并繼續(xù)這么做，直到即使是你也不能理解其表層之下發(fā)生著什么。這將教會你何時停止，以及為何現(xiàn)實世界的應(yīng)用中簡單的模型總是更受青睞。
6. 在簡歷中使用過多的數(shù)據(jù)科學(xué)術(shù)語
如果你之前這么干過，你就應(yīng)該知道我指的是什么。如果你的簡歷現(xiàn)在就有這個問題，請立即修正!你或許清楚一堆技術(shù)和工具，但只是簡單地羅列他們無異于使?jié)撛诘恼衅附?jīng)理對你失去興趣。
你的簡歷是對你取得的成就以及你如何做到的概括，而不是不是簡單羅列的事情清單。當招聘官查看簡歷的時候，他/她希望能以簡潔明快的方式了解你的背景知識以及你所取得的成就。如果半頁簡歷都充斥著模糊的數(shù)據(jù)科學(xué)術(shù)語，例如線性回歸、XGBoost、LightBGM，卻沒有任何解釋，你的簡歷可能通不過篩選輪。
如何避免這個問題?
使簡歷變得整潔的最簡單方法便是使用項目符號。只列出你用來完成某件事情(可以是項目或競賽)的技術(shù)。扼要地闡述你是如何使用它們的，這將幫助招聘官理解你的想法。
當你申請對經(jīng)驗要求較少或入門級的工作時，你的簡歷需要反映你能給業(yè)務(wù)帶來何種潛在影響。你可能會申請不同領(lǐng)域的工作角色，因而有一個固定的簡歷模板是非常有幫助的，你只要對應(yīng)于不同的崗位要求對你的簡歷稍作調(diào)整以反應(yīng)出你對此行業(yè)的興趣就可以了。
7. 優(yōu)先考慮該使用的工具和各種庫而不是業(yè)務(wù)本身要解決的問題
來源：Data Science Lab
讓我們通過一個例子來理解一下為何這是一個錯誤。想象你有一個房價數(shù)據(jù)集，而且你要預(yù)測未來房地產(chǎn)的價值。數(shù)據(jù)庫中有超過 200 個變量，包括建筑物數(shù)量、房間數(shù)量、租戶數(shù)量、家庭規(guī)模、庭院大小、是否有水龍頭等。你很可能無法理解某些變量的意義，但你依然可以建構(gòu)一個準確的模型，只是關(guān)于為何某個特定變量不產(chǎn)生影響，你可能完全沒有頭緒。
隨后事實證明，那個變量是現(xiàn)實世界中的關(guān)鍵要素。這是個災(zāi)難性的錯誤。
有著庫和工具的堅實基礎(chǔ)是件好事，但這也只能在一定程度上幫到你。將這些知識與領(lǐng)域提出的業(yè)務(wù)問題結(jié)合起來才是真正的數(shù)據(jù)科學(xué)家所做的，你應(yīng)該了解你感興趣(或正謀求職位)的領(lǐng)域中的基本挑戰(zhàn)。
如何避免這個問題?
這里有不少選擇：
• 如果你正在謀求某個特定領(lǐng)域中的數(shù)據(jù)科學(xué)家職位，去關(guān)注該領(lǐng)域的公司如何應(yīng)用數(shù)據(jù)科學(xué)。
• 若可行，尋找特定領(lǐng)域的數(shù)據(jù)集并著手處理它們。這會是你的簡歷中一個非常突出的要點。
8. 沒有花費足夠的時間去探索和可視化數(shù)據(jù)
數(shù)據(jù)可視化是數(shù)據(jù)科學(xué)中的一個重要方面，但許多渴望成功的數(shù)據(jù)科學(xué)家都傾向于草草了事并進入后續(xù)的模型構(gòu)建階段。這種方法或許能在競賽中奏效，但絕對會在現(xiàn)實世界中失敗。理解你的數(shù)據(jù)是你要去做的最重要的事情，你的模型的輸出會反映這一點。
通過花時間了解數(shù)據(jù)集并嘗試不同的可視化圖表，你將能對要解決的挑戰(zhàn)或問題有更為深入的理解。你定會驚訝于通過這么做獲得的洞見!逐漸明晰的模式和趨勢、一目了然的暗含規(guī)律，更棒的是，可視化是向客戶展示你的發(fā)現(xiàn)的最佳方式!
作為一名數(shù)據(jù)科學(xué)家，你需要有天生的好奇心。這是數(shù)據(jù)科學(xué)非常有吸引力的地方之一：你越是好奇，你便會問越多的問題，這將助你對數(shù)據(jù)有更好的理解，并助你發(fā)現(xiàn)之前沒有發(fā)現(xiàn)的問題!
如何避免這個問題?
練習(xí)!下次處理一個數(shù)據(jù)集的時候花更多時間在這個步驟上，你會驚訝于它給你帶來的洞見。提出問題，并請教你的經(jīng)理、領(lǐng)域中的專家，在互聯(lián)網(wǎng)上尋求解決方案。若你什么都沒找到，可以在社交媒體上繼續(xù)詢問，條條大路通羅馬!
為了助你起步，我在下邊列出了幾項你可以參閱的資源：
• Comprehensive Guide to Data Visualization in R
• A Comprehensive Guide to Data Exploration(強烈推薦)
• 18 Free Exploratory Data Analysis Tools For People who don't code well
9. 缺乏結(jié)構(gòu)化的方法來解決問題
來源：MindMatters.co.in
結(jié)構(gòu)化思考對數(shù)據(jù)科學(xué)家有諸多好處：
• 讓你將一個問題從邏輯上分為幾個部分
• 讓你將問題如何發(fā)展以及如何設(shè)計你的方法的過程可視化
• 讓你以邏輯化和易于理解的方式幫助用戶或客戶理解你框架的流程
有更多的理由認為具有結(jié)構(gòu)化的思維方式是非常有幫助的。可以想象，沒有結(jié)構(gòu)化的思維方式是違反直覺的。你的工作和解決問題的方法都是隨意的，當遇到復(fù)雜的問題時，你還會忘記自己的步驟。
當你面試的時候，你將不可避免地面對一些案例研究的題目，例如一些估計問題或者謎題。在面試的壓力和時間限制之下，面試官會看你如何組織你的思路來得到你最終的結(jié)果。很多情況下，這將成為你取得工作的關(guān)鍵因素，要么因此與這個工作失之交臂，要么因此得到這個工作。
如何避免這個問題?
你可以通過簡單的培訓(xùn)和嚴謹?shù)姆椒ǐ@得結(jié)構(gòu)化的思維方式。下面列出了一些文章，可以幫助你開始這個關(guān)鍵的學(xué)習(xí)：
• The Art of Structured Thinking and Analysis
• Tools for Improving Structured Thinking
• Must for Data Scientists & Analysts: Brain Training for Analytical Thinking
10. 試圖一次學(xué)習(xí)多個工具
我見過這個太多次了。由于每個工具都有其缺點和其獨特的功能，人們傾向于嘗試一次學(xué)習(xí)所有的工具。這是個壞主意，因為你最終掌握不了它們中的任何一個。工具只是實現(xiàn)數(shù)據(jù)科學(xué)的一種手段而不是最終目標!
如何避免這個問題?
選擇一個工具并堅持下去，直到你掌握它為止。如果你已經(jīng)開始學(xué)習(xí) R，那么不要被 Python 誘惑。堅持使用 R，從入門到精通，然后嘗試將另一種工具融入你的技能組合中，你可以通過這種方法學(xué)到更多。
每個工具都有一個出色的用戶社區(qū)，你可以在遇到困難時使用。使用我們的論壇來提問，在線搜索，永不言棄。我們的目的是通過一個工具學(xué)習(xí)數(shù)據(jù)科學(xué)，而不是通過數(shù)據(jù)科學(xué)學(xué)習(xí)一個工具。
11. 不能堅持學(xué)習(xí)
這個問題適用于所有數(shù)據(jù)科學(xué)家而不僅僅是新手，那就是我們?nèi)菀追中摹Ｎ覀儗W(xué)習(xí)一段時間(比如一個月)，然后我們在接下來的兩個月里停止了學(xué)習(xí)。在那之后試圖接著之前的知識點繼續(xù)學(xué)習(xí)，那將是一場噩夢。早先學(xué)過的概念基本忘光了，筆記也丟了，感覺就像我們最近幾個月完全浪費了一樣。
我個人也經(jīng)歷過這一點。由于總是需要同時處理各種事情，我們可以找借口和理由不學(xué)習(xí)。但這最終是我們自己的損失。如果數(shù)據(jù)科學(xué)就像打開教科書和塞滿一切一樣容易，那么到今天，每個人都能成為數(shù)據(jù)科學(xué)家。然而事實上它需要長期的努力和學(xué)習(xí)，這是人們?nèi)菀缀鲆暤囊稽c，直到為時已晚。
如何避免這個問題?
為自己設(shè)定目標。繪制出時間表并貼在墻上：計劃你想要學(xué)習(xí)的方式和內(nèi)容，并為自己設(shè)定截止日期。例如，當我想學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)時，我給了自己幾周時間學(xué)習(xí)，然后在黑客馬拉松比賽中測試了我學(xué)到的東西。
當你決定成為一名數(shù)據(jù)科學(xué)家，你就應(yīng)該準備好投入時間和精力。如果你不斷尋找不去學(xué)習(xí)的借口，這個領(lǐng)域可能并不適合你。
12. 遠離討論和競賽
這一節(jié)是對我們上述其中幾點的一個總結(jié)。渴望成功的數(shù)據(jù)科學(xué)家傾向于回避在社區(qū)中發(fā)布他們的分析，因為他們擔(dān)心受到批評。但是如果你不收到社區(qū)的反饋，你就不會成長為數(shù)據(jù)科學(xué)家。
數(shù)據(jù)科學(xué)是一個需要討論、思考和頭腦風(fēng)暴的領(lǐng)域。你不能坐在井底工作，你需要合作并理解其他數(shù)據(jù)科學(xué)家的觀點。同樣，人們不參加比賽是因為他們覺得自己不會贏，這顯然是一種錯誤的心態(tài)!你參加這些比賽是為了學(xué)習(xí)而不是贏，贏是額外的獎勵，而學(xué)習(xí)才是目標。
如何避免這個問題?
這很簡單，開始參加討論和比賽!沒有進入前 5%是沒什么問題的。如果你從整個過程中學(xué)到一個新技術(shù)，那么你就是靠自己贏得了勝利。
13. 不去提升溝通技巧
來源：Jim Harvey
溝通技巧是最容易被數(shù)據(jù)科學(xué)家低估和忽略的一項能力，我還沒有遇到一個強調(diào)這一點的課程。你可以學(xué)到所有的最新技術(shù)，掌握多種工具并制作出最好看的圖表，但如果你無法向客戶解釋你的分析結(jié)果，你不會成為一個出色的數(shù)據(jù)科學(xué)家。
不僅僅是客戶，你還將與不熟悉數(shù)據(jù)科學(xué)的團隊成員合作，IT、人力資源、財務(wù)、運營等。可以打包票的是在面試中，面試官會自始至終地觀察你的溝通表達能力。
假設(shè)你使用邏輯回歸構(gòu)建了一個信用風(fēng)險模型。作為一個練習(xí)，請花點時間思考一下你將如何向非技術(shù)人員解釋你是如何得出最終結(jié)論的。如果你的解釋中出現(xiàn)了任何一個技術(shù)詞匯，那么你需要盡快行動起來，提高你的表達溝通能力了!
如何避免這個問題?
目前大多數(shù)數(shù)據(jù)科學(xué)家來自計算機科學(xué)背景，所以我理解這可能是一項令人生畏的技能。但要成為一名成功的數(shù)據(jù)科學(xué)家并取得職業(yè)提升，你別無選擇，只能磨練自己的個性。
我認為最有用的一點是向非技術(shù)人員解釋數(shù)據(jù)科學(xué)術(shù)語，它可以幫助我衡量我對問題闡述的清晰度。如果你在中小型公司工作，請在營銷或銷售部門找一個人并與他們一起做這個練習(xí)。從長遠來看，它將會極大地幫助你。
互聯(lián)網(wǎng)上有大量的免費資源可以幫助你入門數(shù)據(jù)科學(xué)，但請記住，練習(xí)是培養(yǎng)軟技能的關(guān)鍵。確保你今天就開始行動起來。
結(jié)束語
這絕對不是一個詳盡的清單，渴望成功的數(shù)據(jù)科學(xué)家往往還會犯很多其他的錯誤，但這些是我見過的最常犯的錯誤。如前所述，我的目標是希望幫助其他人盡可能多地避免這些提到的問題。
我很想聽聽你對本文內(nèi)容的看法以及你對類似問題的個人經(jīng)歷。請使用下面的評論部分告訴我們!
