如果你想要在数据科学方向发展，避免这9个代价不菲的初学者错误，你能够免去数天，数周甚至数月的受挫。
如果您不小心，这些错误将会消耗您最宝贵的资源：您的时间，精力和动力。
我们将它们分为三类：
- 学习数据科学时的错误
- 申请工作时的错误
- 工作面试中的错误
何时学习数据科学
第一套错误是“卧底”，很难发现。他们慢慢地，但肯定会耗尽你的时间和精力，而不会给你警告，他们从这个领域的误解中产生。
1. 花费太多时间在理论上。
许多初学者陷入了花费太多时间在理论上的陷阱，无论是数学相关（线性代数，统计学等）还是机器学习相关的（算法，派生等）。
这种方法效率低下有三个主要原因：
- 首先，这是缓慢而艰巨的。如果你曾经感到所有学习的内容都非常费解，你可能已深陷陷阱。
- 第二，你也不会保留这些概念。数据科学是一个应用领域，巩固技能的最佳方法是通过实践。
- 最后，如果你不能看到你正在学习的东西如何和现实联系起来，那么会增加你变得消极想要放弃的风险。
这种重视理论的方法是学术界教授的传统论调，但大多数从业者更易从结果导向中受益。
为了避免这个错误：
- 平衡花费在研究与提供实践机会的项目的时间。
- 学会对部分知识不求甚解。随着进度，你自然会填补空白。
- 了解每件作品如何适应背景。
2.从头编写太多的算法。
下一个错误也会导致学生为了一棵树错过一片森林。在最初，你真的不需要从头开始编写每个算法。
虽然实现一些只是为了学习目的很好，但现实是算法正在成为商品。由于成熟的机器学习库和基于云的解决方案，大多数从业人员从来没有从头开始编码算法。
今天，了解如何在正确的设置（以正确的方式）应用正确的算法更为重要。
为了避免这个错误：
- 学习通用机器学习库，如Scikit-Learn（Python）或Caret（R） 。
- 如果你从头开始编写一个算法，这样做是为了学习而不是完善你的实现。
- 了解现代机器学习算法的优势及其优缺点。
3. 跳入深渊。
有些人进入这个领域是因为他们想要构建未来的技术：自驾车，高级机器人，计算机视觉等。这些技术由深度学习和自然语言处理等技术驱动。
但是，掌握基本原理很重要。正如每个奥运潜水员都需要先学习如何游泳，你也一样。
为了避免这个错误：
- 首先掌握“古典”机器学习的技术和算法，作为高级课题的基石。
- 知道古典机器学习仍然具有难以置信的未开发潜力。虽然算法已经成熟，但我们仍然处于挖掘如何利用它们的早期阶段。
- 学习系统的方法来解决任何形式的机器学习问题。
申请工作时
下一套错误可能会导致您在求职过程中错过一些很好的机会。即使你已经合格，你可以通过避免这些小错误来最大限度地发挥你的作用。
4.在简历中有太多的技术术语。
许多申请人在写简历时最大的错误是用太多技术术语。
相反，你的简历应该画一张照片，你的核心应该讲故事。您的简历应主张您对组织带来的影响，特别是如果您申请入门级职位。
为了避免这个错误：
- 不要简单地列出您使用的编程语言或库。描述你如何使用它们并解释结果。
- “少即是多……”仔细思考后强调最重要的技能，并通过消除其他不必要的内容。
- 制作简历主模板，以便您可以分离针对不同角色定制的不同版本。这保持每个版本干净。
5. 高估学位的价值。
有时，毕业生可以高估他们的教育价值。虽然在相关领域的强大程度肯定会提高您的机会，但它也不够充分，也不是通常最重要的因素。
很显然，我们不是说毕业生傲慢自大...
在大多数情况下，在学术环境中所教授的东西与企业中应用的机器学习过程截然不同。使用期限，客户和技术阻碍在学术界不那么迫切地需要根据实际权衡。
为了避免这个错误：
- 用使用现实世界数据的项目练习作为课程的补充。
- 系统学习解决机器学习问题的方法。
- 参加相关实习，即使是兼职。
- 在LinkedIn上接触当地的数据科学家进行咖啡聊天。
6. 搜索工作时太局限。
数据科学是一个相对较新的领域，组织仍在不断发展，以适应日益增长的数据影响。如果您只搜索“数据科学家”开头，那么您将会限制自己。
许多职位没有被标注为“数据科学”，但是它们将允许您以类似的角色发展类似的技能和功能。
为了避免这个错误：
- 通过所需技能 （机器学习，数据可视化，SQL等）进行搜索。
- 按工作职责搜索（预测建模，A / B测试，数据分析等）。
- 通过所用技术手段搜索（Python，R，Scikit-Learn，Keras等）。
- 根据职位扩展您的搜索（数据分析师，定量分析师，机器学习工程师等）。
面试期间
最后一套错误是面试过程中的绊脚石。你已经做了艰苦的工作来实现这一步，所以现在是时候做个好的结尾。
7.没有为面试时可能谈及的项目做准备。
有实际的项目经验是当遇到“如何做”类型面试问题时的应对保障。不仅仅只能在假设的说明应对方案，你还可以指出处理某些情况的具体例子。
此外，许多招聘经理会想要你有自给自足的能力，因为数据科学角色自然包括项目管理的要素。这意味着您应该了解整个数据科学工作流程，并了解如何将所有内容整理在一起。
为了避免这个错误：
- 从头到尾地完成一次项目，使您能够练习每一个重要步骤 （即数据清理，模型训练等）。
- 组织你的方法论。数据科学应该是深思熟虑的，而不是无计划的。
- 回顾和重新描述你过去在实习，工作或课程中曾做过的项目。
8.低估领域知识的价值。
技术技能和机器学习知识是获取数据科学职位的基本先决条件。但是，要真正脱颖而出，您应该了解更多关于您将应用您的技能的具体行业。
记住，数据科学从来不存在于真空中。
为了避免这个错误：
- 如果你正在面试一个银行的职位，请刷一些基本的财务概念。
- 如果您在《财富》杂志500周年期间面试一个重要位置，那么就可以进行一些案例访谈并了解盈利能力的驱动因素。
- 如果您正在为创业公司面试，了解其市场，并尝试了解如何获得竞争优势。
- 简而言之，在这里采取一点额外的举措可以带来很大的好处！
9.忽视沟通技巧
目前，在大多数组织中，与开发团队或分析师团队相比，数据科学团队仍然很小。因此，当入门级软件工程师一般被一名高级工程师指导时，数据科学家往往在更多的跨功能设置中工作。
面试官会需要你有能够与技术或数学背景的同事沟通的能力。
为了避免这个错误：
- 练习为非技术观众解释技术概念。例如，尝试向朋友解释你最喜欢的算法。
- 为常见的面试问题准备重点，并提供答案。
- 实践分析各种数据集，提取关键洞察力，并呈现您的发现。
结论
在本指南中，您学习了避免数据科学初学者9个最常见错误的实用技巧：
1.花费太多时间在理论上。
2.从头编写太多的算法。
3.直接跳入高级课程，例如深度学习，太快。
4.在简历中有太多的技术术语。
5.高估学位的价值。
6.搜索工作时太局限。
7.没有为面试时可能谈及的项目做准备.
8.低估领域知识的价值。
9.忽视沟通技巧。
翻译来源：elitedatascience | 2017 年 6 月 23 日
本文链接：https://elitedatascience.com/beginner-mistakes
网友评论