這沒什么問題，但你很可能列出一張事無巨細、耗時費力、近乎難以實現的目標清單，讓你應接不暇，而且很有可能失去動力，因為實在是有太多任務了。

如果打算今年進入數據科學領域，這是個很棒的決定。該領域廣受認可，而且好找工作，工資也不錯，就連管理部門也慢慢意識到數據科學是不可或缺的。

不過在開始之前，請允許我說些打擊的話(有必要說)：用一年的時間去學數據科學的所有內容是不夠的。

別誤會，一年的時間足夠你找到第一份工作，但不可能一步登天，從零成為數據科學團隊的領頭人(如果做到了，請在評論區分享你的故事)。

說了這么多，來探索必備技能以及滿足你上手操作的技能。

[[313950]]

1. 數據庫?

我們分析的數據很可能出自某個數據庫，這是不同于書籍或課程的典型情況——不會獲得格式正確的CSV文件。通常，你需要具備專業知識(或認識懂這方面知識的人)，對SQL也要有一定的了解。

如果用Python或R語言分析，那就不要用太多時間來學SQL分析函數、PLSQL/T-SQL和所有那些高難度東西。在這種情況下，SQL的任務很大程度上依靠的是結合幾組表格，在上面進行分析。

這個過程要花的時間取決于使用方式以及先驗知識，但新手在這里花的時間不會超過一個月。

2. 現在來談談數據科學

如果按照上面的每一步來，還沒有先驗知識，此時可能是2020年的8月或9月。時間已經過去很多了，但你已經具備尋求第一份工作的所有先決條件。

不是所有都要剛剛好。

要找一份數據科學的工作，目前也只提了先決條件。后面這兩個月，建議對一些基礎的數據分析和可視化庫有所了解，如：

• Numpy
• Pandas
• Matplotlib
• Scipy
• Statsmodels

這是在你不懂的情況下(如果不知道為何需要這些知識的話學起來會感到無聊)。

不要走馬觀花式看課程，到網站上下載數據集然后完整地分析。再到網上看其他人對于同一數據集是如何處理的，看自己怎么改進。

同樣，在這兩個月時間內，應該熟悉一些機器學習的算法，如：

• 線性回歸(Linear Regression)
• 邏輯回歸(Logistic Regression)
• 分類與回歸樹(Classification and Regression Trees)
• KNN(k-NearestNeighbor，K最近鄰分類算法)
• 樸素貝葉斯分類(Naive Bayes)
• SVM(Support Vector Machine，支持向量機)

也許實際操作中不會用到這些，但它們是日后學習更多高級算法XGBoost和神經網絡(Neural networks)的基礎。有了分析數據庫，記得不要只顧著跟教程，而要自己完成高質量的任務。如果你喜歡，嘗試用Numpy從零開始運用算法，不過并不強制大家。

3. 編程呢?

沒錯，數據科學離不開編程技能。如果找到一份工作，但不會寫代碼，你很可能知道自己該做什么卻不知從何下手，也有可能會經歷SOCPS(一種不知道怎么寫代碼就從Stack Overfow網站上復制粘貼的綜合癥)，甚至不看問題和答案。

在網上搜索更好的解決方案是可以的，但應該知道怎么自己寫出一套基本方案。

之前從沒寫過的話，可以從小入手，讀讀有關Python或R的書籍及其在數據科學中的角色，先有個全面的了解，再深入學習語法。不用擔心要記所有的內容，能確保在遇到困難時該朝哪個方向看就行。

要是已經讀過相關書籍或上過講編程的課也了解語法，就是不知道怎么解決問題，那就花些時間學學算法和數據結構。同時看一些常規的編碼問題采訪，這些會讓你“文思泉涌”。

對自己的編程技能很滿意對嗎?那可太棒了!現在騰點時間給分析庫——Numpy和Pandas庫。

每個人在編碼上花的時間也不同。新手小白和僅需了解庫的知識的人就不一樣?？梢哉f完全不懂的人3-4個月的時間足矣，如果是只需學習庫的知識的人，大概1個月的時間就可以。

4. 提高數學技能

你一定聽說過數據科學首先要求優秀的數學能力。要了解的數學知識因工作崗位而異，至于入門需要掌握多少，筆者給出的回答是：沒你想得多。

且聽我一一敘述。初學者會試圖掌握任何相關領域的知識，比如說計算、線性代數、概率計算或統計學，但必須見好就收。

可別誤會了，倘若你有的是時間，那就成為上述領域的專家，否則就不要浪費時間。作為剛步入該領域的初級數據科學家，不僅要了解數學知識，更多是在直觀層面。要知道特定的場合進行什么操作，這就是直覺發揮作用的時刻，但無需花太多時間著手解決復雜的數學問題。

只要悟性強，明白怎么編碼，就足夠了。找到工作后你將有大把的時間鉆研數學，所以沒必要提前學所有的東西。

如果沒有高數基礎，不建議花2-3個月的時間提升數學技能。

[[313951]]

接下來呢?

2020年剩下幾個月的時間里，創建個GitHub賬戶(a)，放上最好的分析報告或機器學習算法，提供給潛在的雇主看。同時準備一份漂亮的簡歷和求職信。

倘若真的喜歡，發表一篇有關學習歷程的博客。網上的呈現只會在職業發展中對你有幫助，前提是別發無用的信息，但我相信你的判斷力。

就是這樣了，趕緊給理想的公司投簡歷吧。