大數(shù)據(jù)文摘出品

來源：towardsdatascience

編譯：zeroInfinity、白浩然、笪潔瓊

剛剛加入數(shù)據(jù)科學(xué)的你，是否也有這樣的疑問：

• 如何成為數(shù)據(jù)科學(xué)家?
• 成為數(shù)據(jù)科學(xué)家的規(guī)劃路線是什么?
• 我應(yīng)該選什么課程來學(xué)習(xí)數(shù)據(jù)科學(xué)?

對于未知的學(xué)科，琳瑯滿目的學(xué)習(xí)資源，美好的工作機(jī)會，應(yīng)該怎樣去努力?本文作者是研究數(shù)據(jù)挖掘和生物醫(yī)學(xué)方向，目前就職于泰國的一所研究大學(xué)的全職生物信息學(xué)副教授。他在22歲時開始自學(xué)數(shù)據(jù)科學(xué)，目前已經(jīng)自學(xué)成才，文摘菌編譯了這篇文章，希望能把以下需要注意的10件事告訴剛?cè)腴T的你。

我從2004年開始數(shù)據(jù)科學(xué)之旅。那個時候‘數(shù)據(jù)科學(xué)’概念才剛被提出，當(dāng)時廣泛使用的術(shù)語是‘數(shù)據(jù)挖掘’。一直到2012年‘數(shù)據(jù)科學(xué)’這個概念才引起人們注意，且一篇由Thomas Davenport 和 D.J. Patil撰寫的哈弗商業(yè)評論文章《數(shù)據(jù)科學(xué)：21世紀(jì)最迷人的工作》而流行起來。

什么是數(shù)據(jù)科學(xué)

簡而言之，數(shù)據(jù)科學(xué)是一門實質(zhì)上用數(shù)據(jù)來解決問題，并且能夠給公司和團(tuán)體帶來影響力，價值和洞察力的科學(xué)，應(yīng)用在廣泛的學(xué)術(shù)領(lǐng)域和行業(yè)中，包括但不限于教育，經(jīng)濟(jì)，健康，地質(zhì)，零售，旅游和電子競技。

數(shù)據(jù)科學(xué)的技術(shù)內(nèi)容包括了數(shù)據(jù)收集，數(shù)據(jù)預(yù)處理，數(shù)據(jù)深度分析，數(shù)據(jù)可視化，統(tǒng)計分析，機(jī)器學(xué)習(xí)，編程和軟件工程。除了這些技術(shù)要求，數(shù)據(jù)科學(xué)家還需要具有各種軟技能。下面信息圖所示概括了數(shù)據(jù)科學(xué)家必備的一些技能。

1. 你的數(shù)據(jù)科學(xué)旅程是獨(dú)一無二的

你的數(shù)據(jù)科學(xué)旅程是比較獨(dú)特的，不要去和別人比進(jìn)度，要知道每個人都是獨(dú)一無二的將會走出不一樣的旅程。專注于你自己的道路。或許會有挫折使你耽擱，但不要讓這些障礙阻止你達(dá)成目標(biāo)。晚到一點也比從未到達(dá)要好。

保持著“冒充者綜合癥(自我否定的傾向)”，并將這種不安全感當(dāng)作幫助你，完成所有數(shù)據(jù)科學(xué)旅程的導(dǎo)覽圖。尤其是將引導(dǎo)你走上自我完善的路徑，制定你自己的要學(xué)和做的事情清單。標(biāo)識出你還不知道的數(shù)據(jù)科學(xué)的概念和技巧，記下你接下來想要了解的內(nèi)容。然后從這個概念/技能清單中，專注于每天只學(xué)習(xí)一樣新東西。等經(jīng)過一年的課程學(xué)習(xí)，你將會驚訝的發(fā)現(xiàn)復(fù)合效應(yīng)下你竟然掌握了這么多新的概念和技術(shù)。

2. 怎樣學(xué)習(xí)數(shù)據(jù)科學(xué)

我們怎樣學(xué)習(xí)?一般的學(xué)習(xí)方式被分為3種主要類型：

• 看書
• 聽課
• 刷題

知識無處不在，學(xué)習(xí)的來源也多種多樣。例如，你可以從書本，博客，視頻，博客，有聲讀物，演講，教學(xué)中學(xué)習(xí)，當(dāng)然最重要的是在實踐中學(xué)習(xí)。

當(dāng)您學(xué)新的概念或技能時(指通過看和聽)，你可以立即通過應(yīng)用新學(xué)到的知識到你的數(shù)據(jù)科學(xué)課題中(即做和實踐)來鞏固所學(xué)。通過不斷的時間，你將逐漸加強(qiáng)和訓(xùn)練你所學(xué)到的概念和技能。并且隨著時間積累，就能很好的掌握他們。

此外，為了進(jìn)一步加深對知識和技能的理解，你也可轉(zhuǎn)為指導(dǎo)他人(即，撰寫教程博客，制作視頻教程以及轉(zhuǎn)教他人)。通過轉(zhuǎn)教，你可以充分利用上述所提到的三種學(xué)習(xí)方式，從而最大程度的發(fā)揮你的學(xué)習(xí)潛力。還值得一提的是教導(dǎo)別人可以幫助你牢記新的概念和技能，并將它們變成屬于你自己的，從而有助于重新組織思想和加深理解。

3. 學(xué)習(xí)如何學(xué)習(xí)

關(guān)于如何學(xué)習(xí)的冰山一角。實際上，Barbara Oakley博士和Terrence Sejnowski博士在Coursera上有一個在線課程，名為“學(xué)習(xí)方法”，這是一門很棒的課程，它將教您一些學(xué)習(xí)技巧，以幫助您更有效地學(xué)習(xí)。

Evernote的另一篇精彩讀物是Medium的一篇文章，標(biāo)題為“從費(fèi)曼技巧中學(xué)習(xí)”，其中總結(jié)了諾貝爾獎獲得者和物理學(xué)家理查德·費(fèi)曼所設(shè)計的學(xué)習(xí)技巧。此外，youtube視頻上的25個最佳科學(xué)研究技巧，提供了不少有效學(xué)習(xí)技巧的可行建議，您也可以在學(xué)習(xí)數(shù)據(jù)科學(xué)時使用這些技巧。

此外，斯科特·楊(ScottYoung)寫了一本很棒的關(guān)于超級學(xué)習(xí)(Ultralearning)的書，其中他分享了在短短1年的時間里學(xué)完麻省理工學(xué)院四年制計算機(jī)科學(xué)課程的自我教育經(jīng)驗。此外，喬什·考夫曼(Josh Kaufman)在他發(fā)布的TED演講，和《最初的20小時》一書中聲稱，我們可以在短短20個小時內(nèi)學(xué)到任何想要的東西。

掌握學(xué)習(xí)的技巧，可以能更有效地學(xué)習(xí)和研究數(shù)據(jù)科學(xué)，從而使學(xué)習(xí)體驗更加愉快。

學(xué)習(xí)數(shù)據(jù)科學(xué)的策略：

去年底，我在youtube上發(fā)布了視頻“2020年學(xué)習(xí)數(shù)據(jù)科學(xué)策略”，其中分享了一些實用的技巧和竅門能夠幫助您開始進(jìn)行數(shù)據(jù)科學(xué)之旅。

主頁：http://bit.ly/dataprofessor/

您可能還需要查看視頻“如何成為數(shù)據(jù)科學(xué)家(學(xué)習(xí)路徑和技能要求)”，在這里我?guī)鷧⒂^數(shù)據(jù)科學(xué)的整體情況，并介紹所有數(shù)據(jù)科學(xué)家都應(yīng)該知道的8個重要技能。筆記在

https://github.com/dataprofessor/

4. 數(shù)據(jù)科學(xué)的學(xué)習(xí)資源(包含付費(fèi)和免費(fèi))

如今網(wǎng)上有非常多的數(shù)據(jù)科學(xué)的學(xué)習(xí)資源。實際上，有太多的選擇也會使人眼花繚亂。我將可用的學(xué)習(xí)資源分為兩類：付費(fèi)的和免費(fèi)的。

列出其中一些有償和免費(fèi)學(xué)習(xí)的資源列表。付費(fèi)學(xué)習(xí)資源：

• 365 Data Science https://365datascience.com/
• DataCamp https://bit.ly/dataprofessor-datacamp
• DataQuest https://www.dataquest.io/
• O’Reilly Online Learning (月費(fèi)49美元，年費(fèi)499美元)

優(yōu)達(dá)學(xué)城(數(shù)據(jù)科學(xué)課程)上有數(shù)百個課程，以下是還不錯的。

• 機(jī)器學(xué)習(xí)系列:在數(shù)據(jù)科學(xué)中使用Python&R：https://www.udemy.com/course/machinelearning/
• 數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)的python訓(xùn)練營：https://www.udemy.com/course/python-for-data-science-and-machine-learning-bootcamp/
• 2020年數(shù)據(jù)科學(xué)課程：數(shù)據(jù)科學(xué)訓(xùn)練營：https://www.udemy.com/course/the-data-science-course-complete-data-science-bootcamp/
• 數(shù)據(jù)科學(xué)：數(shù)據(jù)科學(xué)實戰(zhàn)：https://www.udemy.com/course/datascience/

免費(fèi)或部分付費(fèi)學(xué)習(xí)資源，edX — 除了CS50，其它都是付費(fèi)的。

• CS50(免費(fèi)/認(rèn)證費(fèi)用90美元)：https://www.edx.org/course/cs50s-introduction-to-computer-science
• 數(shù)據(jù)科學(xué)專業(yè)認(rèn)證(Harvard University)：https://www.edx.org/professional-certificate/harvardx-data-science
• 微學(xué)位：統(tǒng)計與數(shù)據(jù)科學(xué)項目(MIT)：https://www.edx.org/micromasters/mitx-statistics-and-data-science
• 微學(xué)位：數(shù)據(jù)科學(xué)項目(UC San Diego)：https://www.edx.org/micromasters/uc-san-diegox-data-science
• IBM的數(shù)據(jù)科學(xué)專業(yè)認(rèn)證(IBM)：https://www.edx.org/professional-certificate/ibm-data-science
• 微學(xué)位：使用基礎(chǔ)方法與工具分析：https://www.edx.org/micromasters/gtx-analytics-essential-tools-and-methods
• 分析科學(xué)在線碩士(Georgia Tech University)：https://www.edx.org/masters/online-master-science-analytics-georgia-tech

Coursera ：旁聽免費(fèi)，認(rèn)證證書付費(fèi)

• 機(jī)器學(xué)習(xí) (Andrew Ng / 斯坦福大學(xué))：https://www.coursera.org/learn/machine-learning
• 專業(yè)數(shù)據(jù)科學(xué)(10門課/JHU)：https://www.coursera.org/specializations/jhu-data-science
• 數(shù)據(jù)科學(xué)實戰(zhàn)(5門課/JHU)：https://www.coursera.org/specializations/executive-data-science
• 專業(yè)數(shù)據(jù)挖掘(6門課/伊利諾伊大學(xué))：https://www.coursera.org/specializations/data-mining
• 數(shù)據(jù)科學(xué)碩士(8門課/伊利諾伊大學(xué)圣巴巴拉分校)：https://www.coursera.org/degrees/master-of-computer-science-illinois/data-science
• 數(shù)據(jù)科學(xué)應(yīng)用碩士(密歇根大學(xué))：https://www.coursera.org/degrees/master-of-applied-data-science-umich

Udacity：一些被選出的導(dǎo)論課程免費(fèi)，優(yōu)達(dá)數(shù)據(jù)科學(xué)院和人工智能學(xué)院的納米學(xué)位課程付費(fèi)。

• 數(shù)據(jù)科學(xué)導(dǎo)論(免費(fèi))：https://www.udacity.com/course/intro-to-data-science--ud359
• 數(shù)據(jù)分析導(dǎo)論 (免費(fèi))：https://www.udacity.com/course/intro-to-data-analysis--ud170
• 數(shù)據(jù)可視化分析(免費(fèi))：https://www.udacity.com/course/data-analysis-and-visualization--ud404
• 使用SQL做數(shù)據(jù)分析 (免費(fèi))：https://www.udacity.com/course/sql-for-data-analysis--ud198
• 統(tǒng)計推理入門 (免費(fèi))：https://www.udacity.com/course/intro-to-inferential-statistics--ud201
• 數(shù)據(jù)科學(xué)家微學(xué)位 (付費(fèi))：https://www.udacity.com/course/data-scientist-nanodegree--nd025
• 數(shù)據(jù)科學(xué)微學(xué)位(付費(fèi))：https://www.udacity.com/course/data-analyst-nanodegree--nd002
• 數(shù)據(jù)可視化微學(xué)位(付費(fèi))：https://www.udacity.com/course/data-visualization-nanodegree--nd197
• 數(shù)據(jù)工程師微學(xué)位(付費(fèi))：https://www.udacity.com/course/data-engineer-nanodegree--nd027
• 機(jī)器學(xué)習(xí)工程師微學(xué)位(付費(fèi))：https://www.udacity.com/course/machine-learning-engineer-nanodegree--nd009t

完全免費(fèi)學(xué)習(xí)資源，Kaggle 14節(jié)微課程包括：https://www.kaggle.com/learn/overview

• Python：https://www.kaggle.com/learn/python
• 機(jī)器學(xué)習(xí)導(dǎo)論：https://www.kaggle.com/learn/intro-to-machine-learning
• 機(jī)器學(xué)習(xí)(中級)：https://www.kaggle.com/learn/intermediate-machine-learning
• 數(shù)據(jù)可視化：https://www.kaggle.com/learn/data-visualization
• Pandas：https://www.kaggle.com/learn/pandas
• 特征工程：https://www.kaggle.com/learn/feature-engineering
• 深度學(xué)習(xí)：https://www.kaggle.com/learn/deep-learning
• SQL導(dǎo)論：https://www.kaggle.com/learn/intro-to-sql
• SQL提高版：https://www.kaggle.com/learn/advanced-sql
• 空間分析：https://www.kaggle.com/learn/geospatial-analysis
• 微競賽：https://www.kaggle.com/learn/microchallenges
• 機(jī)器學(xué)習(xí)(拓展)：https://www.kaggle.com/learn/machine-learning-explainability
• 自然語言處理：https://www.kaggle.com/learn/natural-language-processing
• 游戲AI與增強(qiáng)學(xué)習(xí)導(dǎo)論：https://www.kaggle.com/learn/intro-to-game-ai-and-reinforcement-learning

youtube:有好幾個精彩的頻道涵蓋了數(shù)據(jù)科學(xué)中幾個重要的話題。

• Data Professor：https://www.youtube.com/dataprofessor?sub_confirmation=1
• Ken Jee：https://www.youtube.com/c/kenjee1?sub_confirmation=1
• Krish Naik：https://www.youtube.com/user/krishnaik06
• Codebasics：https://www.youtube.com/channel/UCh9nVJoWXmFb7sLApWGcLPQ
• 3Blue1Brown：https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw
• StatQuest with Josh Starmer：https://www.youtube.com/user/joshstarmer
• Sentdex：https://www.youtube.com/user/sentdex
• Data School：https://www.youtube.com/user/dataschool
• Python Programmer：https://www.youtube.com/user/consumerchampion
• Lex Fridman：https://www.youtube.com/user/lexfridman
• Abhishek Thakur：https://www.youtube.com/user/abhisheksvnit
• Two Minute Papers：https://www.youtube.com/user/keeroyz
• Andreas Kretz：https://www.youtube.com/channel/UCY8mzqqGwl5_bTpBY9qLMAA
• Cory Schafer：https://www.youtube.com/user/schafer5
• Siraj Raval
• Story by Data (Kate Strachnyi)：https://www.youtube.com/channel/UCU9GTVEPqlSNRDHypVf3BRw
• RichardOnData
• Joma Tech (Data Science Playlist)：https://www.youtube.com/channel/UCV0qA-eDDICsRR9rPcnG7tw
• 365 Data Science：https://www.youtube.com/channel/UCEBpSZhI1X8WaP-kY_2LLcg
• Data Science Dojo：https://www.youtube.com/user/DataScienceDojo
• Data Camp：https://www.youtube.com/channel/UC79Gv3mYp6zKiSwYemEik9A
• Import Data：https://www.youtube.com/channel/UCYDacpfRrCX6_8oDDlzTgFw
• Data Science Jay：https://www.youtube.com/channel/UCcQx1UnmorvmSEZef4X7-6g
• David Langer：https://www.youtube.com/channel/UCRhUp6SYaJ7zme4Bjwt28DQ
• Daniel Bourke：https://www.youtube.com/channel/UCr8O8l5cCX85Oem1d18EezQ

5. 為什么是數(shù)據(jù)科學(xué)

對于想要學(xué)習(xí)數(shù)據(jù)科學(xué)的你，需要花一些時間思考和探索以下問題。

(1) 為什么我想要學(xué)習(xí)數(shù)據(jù)科學(xué)?

最重要的問題：為什么想要學(xué)習(xí)數(shù)據(jù)科學(xué)?通過這個問題你可以更好的了解數(shù)據(jù)科學(xué)中需要重點關(guān)注的點，以免迷失方向掉入陷阱。

(2) 如何在項目中應(yīng)用數(shù)據(jù)科學(xué)

確定在你的項目中如何應(yīng)用數(shù)據(jù)科學(xué)很重要。您要回答的一些問題包括：

• 您將進(jìn)行深度數(shù)據(jù)分析嗎?
• 您是否將開發(fā)回歸/分類/聚類模型?
• 您會要開發(fā)聊天機(jī)器人嗎
• 您是否要開發(fā)推薦系統(tǒng)。

(3) 通過使用數(shù)據(jù)科學(xué)，能給工作帶來什么價值

正如斯蒂芬·科維(Stephen Covey)在“高效人才的七個習(xí)慣”中所說的那樣，“從思想的源泉開始”。

因此花一點時間考慮一下您希望通過數(shù)據(jù)科學(xué)達(dá)到的理想目的地。牢記明確的目標(biāo)，你會為實現(xiàn)目標(biāo)的決心而感到驚訝。

6. 保持你的責(zé)任心和生產(chǎn)力

首先，對自己的學(xué)習(xí)進(jìn)度負(fù)責(zé)，并保持學(xué)習(xí)進(jìn)度。我一直在Ken Jee建立的數(shù)據(jù)科學(xué)家在線社區(qū)中進(jìn)行討論。這個在線社區(qū)中設(shè)有一個討論板，成員可以在該板上公開發(fā)布一周或一個月的目標(biāo)，這樣做有助于我們保持初心。

下面是一些提高生產(chǎn)力的基本建議：

• 每天利用專門的時間(最好是每天1-2小時或至少45分鐘)來學(xué)習(xí)和練習(xí)數(shù)據(jù)科學(xué)。
• 避免分心(關(guān)閉手機(jī)，避免查看社交媒體等)。如果你沒法阻止分心，那就離開令你分心的環(huán)境。這意味著你應(yīng)該去到一個可以集中注意力的安靜的地方。
• 不要拖延，不要過度思考，just do it!

因為歸根結(jié)底，如果你沒有取得進(jìn)展，就意味著你沒有學(xué)到東西，更無法實現(xiàn)之前目標(biāo)，走向事業(yè)的巔峰。

7. 擁抱失敗并學(xué)會找代碼的Bug

擁抱失敗。你必須學(xué)會適應(yīng)不舒服的地方。簡而言之，天下沒有免費(fèi)的午餐，一分耕耘一分收獲。不要拘泥于之前的失敗，而是要重新站起來并繼續(xù)嘗試。

卡在學(xué)習(xí)的中途，不了解某個算法，不知道如何在代碼中找bug，這些都是完全OK的。你可以先休息一下，然后再重新嘗試解決問題。有時候，你的思維會因為一時的阻塞而變得遲鈍，因此，稍作休息可能有助于讓思維煥發(fā)活力。

如果你有一個精通代碼的朋友，那么當(dāng)你卡在某個代碼中的bug上的時候，就去問問他。如果沒有，請直接搜索“Stack Overflow”(如果上面有類似問題的答案)。如果沒有，那就自己在上面提問!

學(xué)會享受debug代碼的過程，把它當(dāng)作一個學(xué)習(xí)的機(jī)會，因為你可以從失敗和錯誤中獲得寶貴的經(jīng)驗和教訓(xùn)。如果沒有失敗，就沒有學(xué)習(xí)的過程。但當(dāng)你失敗時，不要對自己太過苛責(zé)，要學(xué)會重頭再來，重新開始。你要對失敗保持足夠的耐心。

8. 不要擔(dān)心，一切都要從頭學(xué)起

作為新手，數(shù)據(jù)科學(xué)領(lǐng)域里面的新奇術(shù)語可能會讓你感到震驚，但不要害怕，記住數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)是一個動態(tài)，不斷發(fā)展的領(lǐng)域，因此新的技術(shù)總是在不斷被引入的。簡而言之，不斷改變才是唯一不變的東西。

如上所述，不要被嚇倒然后全部推倒重來。無論你從哪里開始，都沒有關(guān)系，最重要的是你真正開始了你的數(shù)據(jù)科學(xué)之旅。

(1) 注重基本功

• 數(shù)據(jù)處理(Python – pandas，R - dplyr)。
• 學(xué)習(xí)統(tǒng)計手段，以便可以將其應(yīng)用到模型中，例如，應(yīng)用適當(dāng)?shù)慕y(tǒng)計學(xué)知識來比較模型的好壞(參數(shù)與非參數(shù))。
• 使用數(shù)據(jù)分析和描述性統(tǒng)計的手段，以獲取數(shù)據(jù)大致概況。
• 從建立簡單且可解釋的機(jī)器學(xué)習(xí)模型(線性回歸，基于樹的方法)開始。
• 使用你比較熟悉的機(jī)器學(xué)習(xí)方法(了解其背后的數(shù)學(xué)原理)。

(2) 專注于項目本身而不是技術(shù)

不要過度思考。要戰(zhàn)勝“不知道選哪門編程語言比較好”的困境，擇其一然后繼續(xù)前進(jìn)。

要知道，編程只是一種工具，它是來幫助你推進(jìn)將項目的構(gòu)想并進(jìn)行部署的。

編程的基本概念與編程語言無關(guān)，這意味著編程思想的核心基礎(chǔ)適用于各種語言：

• 定義變量，數(shù)組，數(shù)據(jù)框等
• 流程的控制(比如for循環(huán)，if和else語句)

數(shù)據(jù)科學(xué)中具體的任務(wù)

• 數(shù)據(jù)預(yù)處理
• 數(shù)據(jù)可視化
• 模型搭建
• 模型部署

9. 讓你的模型易被復(fù)現(xiàn)

讓你的模型容易被復(fù)現(xiàn)有以下好處：

• 別人可以幫你：當(dāng)你遇到代碼bug的時候，制作一個最小的工作示例(MWE)是很重要的，以便其他人能夠復(fù)現(xiàn)你的出錯情況，從而為你提供幫助。
• 為將來的你自己和他人節(jié)省時間：將項目導(dǎo)出為Docker容器以及Python和Conda的環(huán)境。因為你的編碼環(huán)境中安裝的基礎(chǔ)庫的版本在不斷變化，今天可行的方法可能會在六個月之后就運(yùn)行不了。因此，使用虛擬環(huán)境，Docker容器或至少導(dǎo)出庫版本(如下所示的pip和conda命令)是十分重要的。

使用pip進(jìn)行環(huán)境的導(dǎo)出：

pip freeze > requirements.txt 

使用conda進(jìn)行環(huán)境的導(dǎo)出：

conda env export > environment.yml 

10. 成功從內(nèi)心開始

本節(jié)探討這樣一個想法，數(shù)據(jù)科學(xué)之旅的成功與否來自于你的內(nèi)心。這包含了為即將發(fā)生的事情做好準(zhǔn)備的想法。這些概念包括：好奇心，熱愛過程，成長心態(tài)和勇氣。

(1) 好奇心

好奇心可以被認(rèn)為是成為數(shù)據(jù)科學(xué)家的核心和必要技能之一，因為它使我們在尋求解決問題的創(chuàng)新方式時保持積極性和毅力。愛因斯坦這樣比較好奇心和知識。

“好奇心比知識更重要。”―Albert Einstein

“…少考慮數(shù)據(jù)科學(xué)將如何支持和執(zhí)行你的計劃，多考慮如何創(chuàng)造環(huán)境，以使你的數(shù)據(jù)科學(xué)家有能力提出你做夢都想象不到的事情。”―Eric Colson

(2) 熱愛過程

學(xué)習(xí)數(shù)據(jù)科學(xué)不是一件容易的事，但也不是不可能的壯舉。

在談?wù)摕釔圻^程時，會想到三個名字：邁克爾·喬丹(Michael Jordan)，加里·維納丘克(Gary Vaynerchuk)和克萊蒙·米海萊斯庫(Clément Mihailescu)。這三個人可以被認(rèn)為是他們所從事的領(lǐng)域中做的最好的，因為他們對工作的熱情是無比強(qiáng)烈的。

在簽署他的第一份職業(yè)籃球合同時，邁克爾·喬丹(Michael Jordan)確保：“對比賽的熱愛”，條款被包含在合同當(dāng)中，該條款使喬丹可以不受限制地隨時隨地打籃球。

正如Gary Vaynerchuk(VaynerX主席，VaynerMedia首席執(zhí)行官，《紐約時報》5次暢銷書作者)在youtube視頻中所說，當(dāng)被問及是否可以通過委派大部分工作給別人以減少自己的工作時間時，他說。

“我熱愛工作的過程，我喜歡鉆研，我喜歡攀登。如果我無法為我想要的事情而努力工作，我會感到窒息。”―Gary Vaynerchuk

Clément Mihailescu(AlgoExpert首席執(zhí)行官，前Facebook軟件工程師兼技術(shù)youtuber)在youtube視頻中講述了自己如何做到永不倦怠。

“說到頭來，你必須享受過程。無論你在做什么，無論你在追求什么，都必須享受每天的生活，必須喜歡堅韌不拔的東西。你必須像呼吸一樣和他們共存。”―Clément Mihailescu

(3) 成長的心態(tài)與勇氣

基于數(shù)年的研究，Character Lab的創(chuàng)始人兼首席執(zhí)行官，賓夕法尼亞大學(xué)心理學(xué)教授Angela Duckworth在她最暢銷的著作《勇氣：激情和毅力的力量》中，將“勇氣”一詞定義為激情和毅力的結(jié)合。特別是她對毅力的定義：

Carol Dweck在她的《心態(tài)：改變思維方式來實現(xiàn)潛能》中描述了她對指導(dǎo)我們生活的兩種主要心態(tài)的研究：(1)成長心態(tài)和(2)固定心態(tài)。前者與成功相關(guān)，而后者通常會導(dǎo)致自我懷疑和不滿意的生活。在她的TED演講中，Dweck提出了在舒適區(qū)域外工作的重要性，這是提高績效的關(guān)鍵。

在數(shù)據(jù)科學(xué)中，變革是不可避免的，因為總會有新的具有挑戰(zhàn)的概念被引入，這些概念可能會覆蓋或重新定義先前的概念。我們將始終從內(nèi)心出發(fā)，面對復(fù)雜的挑戰(zhàn)，以應(yīng)對這些變化，正確的心態(tài)可以幫助你邁向成功之路。

彩蛋：

11. 承擔(dān)全部責(zé)任

我們通常很容易找到借口，把無數(shù)的事情歸咎于生活中的不幸。正如Gary Vaynerchuk總是會說的那樣，當(dāng)我們這樣做時，“我們的責(zé)任是零”。

學(xué)習(xí)數(shù)據(jù)科學(xué)與我們一生中所做的其他努力沒有什么不同。真正的問題是，我們應(yīng)該為自己在學(xué)習(xí)過程中遇到的拖延或障礙負(fù)責(zé)，還是我們不用承擔(dān)全部責(zé)任并將責(zé)任推卸到其他地方?

現(xiàn)在，花點時間反思一下。讓我們開始承擔(dān)責(zé)任并承擔(dān)全部責(zé)任，你會驚訝于你在數(shù)據(jù)科學(xué)之旅中可以取得的成就。只有我們能夠客觀地對自己的行動和缺乏進(jìn)步承擔(dān)全部責(zé)任，我們才有能力對這些錯誤采取行動。我給你留下Jim Rohn的這句話。

這就是如果我能回到過去，并告訴22歲的自己關(guān)于學(xué)習(xí)數(shù)據(jù)科學(xué)的十件事。

我希望這些對你開始數(shù)據(jù)科學(xué)之旅會很有用，或者如果你已經(jīng)開始，那么希望你能從中找到有用的東西。學(xué)習(xí)數(shù)據(jù)科學(xué)的最佳方法是練習(xí)數(shù)據(jù)科學(xué)。

祝你旅途愉快!

相關(guān)報道：

https://towardsdatascience.com/10-things-i-wish-i-knew-about-learning-data-science-7a30bfb91759

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文