在數(shù)據(jù)科學(xué)（Data Science）領(lǐng)域，除了“什么是數(shù)據(jù)科學(xué)”這個問題以外，大家最感興趣的問題就是“如何學(xué)習(xí)數(shù)據(jù)科學(xué)？”其實這個問題除了新手會問，有時候領(lǐng)域內(nèi)的老手也有些迷惑。

數(shù)據(jù)科學(xué)家被譽為“2016年最佳工作”，甚至是“21世紀最性感的工作”，但學(xué)習(xí)起來真的并沒有我們想象的那么輕松。

網(wǎng)絡(luò)上可以找到大量關(guān)于學(xué)習(xí)數(shù)據(jù)科學(xué)的建議，但是如此大量的信息堆疊讓可能還是讓初學(xué)者感到無所適從。所以本文想要給出一個較為簡單的學(xué)習(xí)方法：用八個步驟學(xué)習(xí)數(shù)據(jù)科學(xué)。本文的目的不在于為你提供一個詳盡的學(xué)習(xí)清單，我們只是為每一個對學(xué)習(xí)數(shù)據(jù)科學(xué)有興趣或者已經(jīng)從事該領(lǐng)域工作但仍然想要提升自己的人們提供一個指導(dǎo)性意見。（另外，文中的插圖能幫助視覺型學(xué)習(xí)者更加快速地學(xué)習(xí)）

原文作者 Karlijn Willems，雷鋒網(wǎng)編譯，未經(jīng)許可不得轉(zhuǎn)載。

什么是數(shù)據(jù)科學(xué)？

數(shù)據(jù)科學(xué)這個概念目前仍然比較模糊。一直以來，跟數(shù)據(jù)科學(xué)概念相關(guān)的概念層出不窮。下圖是第一張關(guān)于“數(shù)據(jù)科學(xué)”概念的韋恩圖，由 Drew Conway 在2010年制作。圖中的中心部分是數(shù)據(jù)科學(xué)，韋恩圖表明它是黑客技術(shù)、數(shù)學(xué)、統(tǒng)計學(xué)和其他實質(zhì)性的專業(yè)知識的組合。

多年來，關(guān)于數(shù)據(jù)科學(xué)領(lǐng)域的概念韋恩圖非常多，并且越做越好。如果你想查看關(guān)于這個方面的詳細歷史，這里有一篇文章可以關(guān)注：Battle of the Data Science Venn Diagrams。但是最近，對這個概念的討論又有了新的進展。2016年，Gregory Piatetsky-shapiro 制作了一個不同的概念圖，其中有兩點最引人注目：數(shù)據(jù)科學(xué)不再處于圖的中心位置；并且他定義數(shù)據(jù)科學(xué)的方法也有所不同。最新的研究室是利用數(shù)據(jù)科學(xué)與其他學(xué)科（如人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)、大數(shù)據(jù)、數(shù)據(jù)挖掘）的關(guān)系來對其進行定義。由此得出的定義是，數(shù)據(jù)科學(xué)是人工智能、機器學(xué)習(xí)和大數(shù)據(jù)的交集，并與數(shù)據(jù)挖掘有著本質(zhì)性聯(lián)系，它是數(shù)據(jù)挖掘的擴展集和后繼術(shù)語。

這兩個圖示可能看起來完全不同，但是它們的確有很多相似之處：Piatetsky-shapiro 的圖示也運用了 Drew Conway 的韋恩圖中的黑客技術(shù)、數(shù)學(xué)、統(tǒng)計學(xué)和其他實質(zhì)性的專業(yè)知識。

數(shù)據(jù)科學(xué)家的教育背景

過去幾年中，有很多關(guān)于數(shù)據(jù)科學(xué)家教育背景的調(diào)查，調(diào)查的結(jié)果也不盡相同。2014 年的 O' Reilly 數(shù)據(jù)科學(xué)家薪酬調(diào)查中，大約 28%的受訪者擁有學(xué)士學(xué)位，44%擁有研究生學(xué)位，20% 擁有博士學(xué)位。數(shù)據(jù)科學(xué)家們普遍有著數(shù)學(xué)/統(tǒng)計學(xué)、計算機、工程的學(xué)科背景。下圖是 2016 年的調(diào)查結(jié)果，與 O' Reilly 的調(diào)查結(jié)果非常接近。

通常來說，你可以從調(diào)查中看到，數(shù)據(jù)科學(xué)家的普遍教育程度是碩士和博士。學(xué)科領(lǐng)域并不是十分重要，但是定量研究類的學(xué)科背景仍有一定優(yōu)勢。

第一步：學(xué)好統(tǒng)計學(xué)、數(shù)學(xué)和機器學(xué)習(xí)

雖然數(shù)據(jù)科學(xué)的定義在不斷地改變，但是數(shù)據(jù)科學(xué)仍然是一種技術(shù)型學(xué)科。對統(tǒng)計學(xué)、數(shù)學(xué)和機器學(xué)習(xí)的良好知識基礎(chǔ)仍然是對數(shù)據(jù)科學(xué)家這一行業(yè)的基本要求。

學(xué)好這三門課是非常痛苦的，尤其是對于那些沒有技術(shù)背景的人。但幸運的是，有很多高質(zhì)量的資源可以幫助你學(xué)習(xí)：Khan Academy 有十分多樣化的在線數(shù)學(xué)課程，你會由此受益良多；同時，別忘了在 MIT Open Courseware 上學(xué)習(xí)線性代數(shù)課程；機器學(xué)習(xí)部分，你可以參考DataCamp， Stanford Online， Coursera。

第二步：學(xué)習(xí)編程

提升你的編程技巧也是學(xué)習(xí)數(shù)據(jù)科學(xué)的必經(jīng)之路。

你可以從熟悉計算機的基本知識開始，了解基礎(chǔ)的數(shù)據(jù)結(jié)構(gòu)和搜索算法，明白端到端的工作流程。因為數(shù)據(jù)科學(xué)家的工作需要與其他系統(tǒng)相結(jié)合，所以最好能夠明白從需求收集到分析，再到測試、維護的整個過程是如何進行的。當你掌握了這些概念后，就應(yīng)該開始選擇一種編程語言。你可以選擇開源語言或者收費版的語言，選擇的考量在于學(xué)習(xí)語言的時間長短、你想要進入的行業(yè)的要求、語言的性價比等等。下圖可以幫助你選擇適合你的語言。

第三步：學(xué)習(xí)數(shù)據(jù)庫

當你開始學(xué)習(xí)數(shù)據(jù)科學(xué)時，你會發(fā)現(xiàn)很多教程將重點放在從非二進制文件中檢索數(shù)據(jù)的技巧。然而，當你開始工作或進入行業(yè)內(nèi)部時，你會發(fā)現(xiàn)絕大多數(shù)的工作是與一個或多個數(shù)據(jù)庫相關(guān)聯(lián)的。

市面上有很多種數(shù)據(jù)庫。企業(yè)可能使用的是商業(yè)版的數(shù)據(jù)庫（比如 Oracle），或者更傾向于開源的數(shù)據(jù)庫。在眾多數(shù)據(jù)庫中學(xué)習(xí)的關(guān)鍵在于明白數(shù)據(jù)庫是如何運作的，學(xué)習(xí)數(shù)據(jù)庫的原理、工作過程和輸出結(jié)果。其中最應(yīng)掌握的概念是關(guān)系數(shù)據(jù)庫管理系統(tǒng)（RDBMS）和數(shù)據(jù)倉庫。你應(yīng)該充分學(xué)習(xí)關(guān)系型建模和維度建模方法，學(xué)習(xí) SQL 和抽取、轉(zhuǎn)換、裝載的過程（ETL）。

如果你想要學(xué)習(xí)數(shù)據(jù)庫，你可以查看Mongo DB University，Stanford Online 的在線課程 Introduction to Databases 和 DataStax 及 TutorialsPoint 上的教程。

第四步：探索數(shù)據(jù)科學(xué)家的工作流程

學(xué)習(xí)的下一步就是了解數(shù)據(jù)科學(xué)的工作流程。很多指導(dǎo)教程和課程僅僅關(guān)注其中的一個或者兩個部分，并沒有對這個工作流程提供一個完整的視角，而對整個工作流程的宏觀了解卻是你今后成為數(shù)據(jù)科學(xué)家或是在數(shù)據(jù)組中工作時必須掌握的。其中很重要的問題是，不能忘記數(shù)據(jù)科學(xué)家的工作是一個需要不斷迭代的過程。

對已經(jīng)學(xué)會編程的數(shù)據(jù)科學(xué)的入門者來說，了解工作流程最簡單的方法就是練習(xí)你的編程技巧，用 R 語言或者 Python 語言來開始練習(xí)，學(xué)習(xí)使用數(shù)據(jù)包和數(shù)據(jù)庫來簡化你的編程過程。

 

對于那些編程技巧不夠的初學(xué)者，你可以利用開源的工具，因為它不需要你的任何編程技能。這些工具可以使你在同一時間完成數(shù)據(jù)科學(xué)工作流程中的多步工作。比如，RapidMiner 可以對你的數(shù)據(jù)進行收集、標出重點、清潔數(shù)據(jù)、建模、評估等等。應(yīng)該注意的一點是，你可以去使用這些工具，但是你仍然需要繼續(xù)提升你的編程技術(shù)。

第五步：大數(shù)據(jù)進階

很多人在學(xué)習(xí)的時候過分關(guān)注數(shù)據(jù)科學(xué)的基本知識，而忘記了其宏觀的結(jié)構(gòu)概念。在之前的步驟中已經(jīng)對此有一些提示，但是這里仍然有一個矛盾，比如就像你在學(xué)習(xí)教程時重點關(guān)注的是非二進制的文件但是在實際工作使用中卻更多需要數(shù)據(jù)庫。更重要的一個問題在于數(shù)據(jù)的更新速度、多樣性和數(shù)據(jù)量都是明明白白地擺在那里的，我們不可能忽略這些。

大數(shù)據(jù)或許是有些夸大的說法，但是它的確存在，并且認識它，明白它的深刻含義是非常重要的。其中三個最最需要了解的關(guān)于大數(shù)據(jù)的內(nèi)容是：

1、明白為什么大數(shù)據(jù)需要不同的數(shù)據(jù)處理方法？這里最好的學(xué)習(xí)方法可能是查找使用大數(shù)據(jù)的案例，比如 點擊這里。

2、熟悉分布式系統(tǒng)基礎(chǔ)架構(gòu) Hadoop 的模型，因為它被廣泛用于數(shù)據(jù)的分配存儲和處理，詳見Hadoop。

3、不要忘記了 Spark框架。你可以嘗試用 Python 或 Scala 語言來學(xué)習(xí) Spark，這樣你既練習(xí)了編程技術(shù)，也擴展了對數(shù)據(jù)科學(xué)的視野，一舉兩得。

第六步：成長，交流，學(xué)習(xí)

成長。如果你已經(jīng)成功掌握了之前所說的一些基礎(chǔ)知識，接下來就是成長提升的階段了。你要通過各種數(shù)據(jù)科學(xué)方面的問題來不斷地練習(xí)，努力將學(xué)習(xí)的原理應(yīng)用到實踐中。同時，你也應(yīng)該從中增強自己在該領(lǐng)域的直覺感。練習(xí)題目看這里：Kaggle 和 DrivenData。

溝通。作為一個數(shù)據(jù)科學(xué)的初學(xué)者，你可能在學(xué)習(xí)中遇到過很多問題和困惑。你應(yīng)當多于該領(lǐng)域有經(jīng)驗的人溝通交流，與他們討論你的問題，向他們尋求幫助和建議。這些人會激勵你繼續(xù)學(xué)習(xí)，鞭策你走的更遠。

學(xué)習(xí)。持續(xù)性的學(xué)習(xí)和數(shù)據(jù)科學(xué)也許是一對同義詞。上文提到的Kaggle 和 DrivenData 可以教會你如何在實踐中進行數(shù)據(jù)處理，但是你還可以在自己的日常生活中把知識運用的更深入。

第七步：完全將自己沉浸其中

就像學(xué)習(xí)語言需要語言環(huán)境一樣，學(xué)習(xí)數(shù)據(jù)科學(xué)也需要這種能夠沉浸其中的環(huán)境。根據(jù)你已有的能力和知識，你可能會考慮參加集訓(xùn)營，找實習(xí)，或者找相關(guān)工作。參加集訓(xùn)營是一種快速提高能力的方法，同時也可以收獲志同道合的朋友，擴展你的人際圈。尋找集訓(xùn)營，請點擊 Galvanize 和 Metis。

其次，如果你已經(jīng)熟練掌握了數(shù)據(jù)科學(xué)的基本知識，你可以考慮找一個實習(xí)崗位。很多大公司（如 Facebook、Quora和亞馬遜）都在尋找相關(guān)實習(xí)生，你可以從實習(xí)崗位開始對該領(lǐng)域的深入探索。你還可以從你的社交網(wǎng)絡(luò)渠道中尋找開放的職位和實習(xí)信息。最后，你也可以關(guān)注創(chuàng)業(yè)企業(yè)，小公司也許可以讓你學(xué)到更多。AngelList里有一些初創(chuàng)企業(yè)的招聘信息。

最后一種沉浸其中的方法是找相關(guān)工作，然而很多初學(xué)者在這里遇到了瓶頸。也許你對數(shù)據(jù)科學(xué)家的工作十分感興趣，但是在找工作的時候一定要牢記以下內(nèi)容：

• 1、工作職位并不是總是符合其定位。他們也許貼出尋找“數(shù)據(jù)科學(xué)家”的招聘信息，但實際上是在尋找數(shù)據(jù)工程師或者商業(yè)分析師。查看這篇文章 The Data Industry: Who Does What，你可以了解到企業(yè)究竟在招聘時要什么崗位。

• 2、正確設(shè)定你的期望。如果你沒有數(shù)據(jù)科學(xué)家、數(shù)據(jù)庫或端對端方面的工作經(jīng)歷，直接申請數(shù)據(jù)科學(xué)家或分析師的職位是不現(xiàn)實的。請確保在申請時具備相關(guān)工作經(jīng)歷。不要因為無法立刻找到工作而氣餒。相反，你應(yīng)該保持學(xué)習(xí)，提升能力，并持續(xù)關(guān)注企業(yè)的招聘信息。

第八步：與時俱進

最后這一步有時候經(jīng)常被大家遺忘。即是你已經(jīng)在從事數(shù)據(jù)科學(xué)方面的工作，你也應(yīng)該時刻牢記，數(shù)據(jù)科學(xué)需要持續(xù)地學(xué)習(xí)。這個領(lǐng)域總有新的進步，所以保持對周邊事物的好奇心和信息靈敏度非常重要。所以不要忘記時常閱讀社會媒體的評論報道，追蹤行業(yè)大牛動態(tài)，總之就是要與時俱進。

數(shù)據(jù)科學(xué)領(lǐng)域的最新新聞，你可以從這些地方獲?。?a target="_blank" rel=nofollow>KD Nuggets，Data Elixir，Data Science Weekly。行業(yè)大牛的推特也要經(jīng)常查閱，比如： DJ Patil，Andrew Ng，Ben Lorica。

你還可以加入一些在線社區(qū)，及時與同行溝通。

• 比如 LinkedIn中的“大數(shù)據(jù)”、“分析學(xué)”、“商務(wù)智能”、“大數(shù)據(jù)分析”、“數(shù)據(jù)科學(xué)家”、數(shù)據(jù)挖掘、統(tǒng)計、大數(shù)據(jù)、數(shù)據(jù)可視化、數(shù)據(jù)科學(xué)“等等群組。

• 還有 Facebook 上的“數(shù)據(jù)科學(xué)入門”、“分析學(xué)”、“機器學(xué)習(xí)”、“數(shù)據(jù)挖掘”、“R語言”、“Python”等等群組。

• Subeddits中還有一些“R/數(shù)據(jù)科學(xué)”、“R/stats”、“R/Python”等群組。

Via Kdnuggets

推薦閱讀：

IBM 和 Slack 強強聯(lián)手，開發(fā)更智能的數(shù)據(jù)分析聊天機器人

那些年 AI 預(yù)測過的事情最后都說對了嗎？

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。