本文是来自https://zhuanlan.zhihu.com/p/48474076的摘录和体会：

1. 保持机器学习的状态

不能把目光局限在工作中遇到的问题上。阅读技术文献，或者为比赛、辅助项目和开源项目编写代码。

2. 编写单元测试

所有人都在讨论单元测试在数据科学中的重要性，但很少有人花时间去写。Alex Parinov 写了一个很好的[文档](https://albumentations.readthedocs.io/en/latest/writing_tests.html），教你怎么从简单的测试做到复杂的测试。你可以尝试一下，然后再你的学术或 Kaggle ML 流程中添加更多测试。

3. 不要局限于主流问题（信用评分、推荐系统和零售等）

如果你用 DS/ML 来解决那些数学、物理、生物、化学、历史、考古、地理问题或者那些人们很少应用 ML 的问题，你可能会找到下一个属于你的 Purple Cow。

4. 年龄不是问题

Kaggle Grandmaster Evgeny Patekha 40 岁才开始数据科学研究。
Kaggle Grandmaster Alexander Larko 55 岁才开始参加 Kaggle。

5. 一些性能经验

如果想加速硬盘上 jpeg 图像的吞吐速度，我们不应该使用 PIL、skimageand 甚至 OpenCV，而是应该用 libjpeg-turbo 或 PyVips。

6. 发展出一种直觉

为了超越周围的调参侠，你要发展出一种直觉，并获取关于什么方案可行、什么方案不可行的基础知识，从而可以更加智能和高效地探索可能方法的相空间。在这一步，你需要将学习作为实验的一部分。从两个方向学习，首先是像 mlcourse.ai、CS231n、数学、统计学、如何写更好的代码等基础。一般来说，自主学习很难，但从长期来看，这很重要。其次你会在相关问题的论坛上看到很多新术语。记得注意这些术语。尝试激励自己在排行榜中取得更好成绩作为外部动力来学习新事物。但不要在学习和实验之间进行选择，同时做两件事。机器学习是一门应用科学。