數(shù)據(jù)科學，據(jù)說是本世紀最吸引人的工作，已經(jīng)成為我們許多人夢寐以求的工作。但對某些人來說，數(shù)據(jù)科學看起來像一個充滿挑戰(zhàn)的迷宮，讓人無從下手。如果你也是其中之一，那就繼續(xù)閱讀。

[[327816]]

在本文中，我將討論如何從零開始數(shù)據(jù)科學之旅。我將詳細解釋以下步驟。

• 學習Python編程的基本知識
• 學習基本統(tǒng)計學和數(shù)學
• 學習使用Python進行數(shù)據(jù)分析
• 學習機器學習
• 項目實戰(zhàn)

學習Python編程的基本知識

如果有IT背景的話，你可能已經(jīng)熟悉Python編程，此時，你可以跳過此步驟。但是如果從未接觸過編碼的話，應該從學習Python開始。在所有編程語言中，Python語言最容易學習，它被廣泛用在開發(fā)中，也被用在數(shù)據(jù)分析中。

首先，可以搜索免費的在線教程，這些教程將有助于理解Python的基礎(chǔ)知識。我列出了下述一些鏈接，這些教程可以幫助你在短時間內(nèi)自學Python。可以嘗試一下，自己作出選擇。

• learnpython.org(https://www.learnpython.org/)
• 谷歌的Python類
• Estudy免費Python課程(視頻教程)
• 代碼學院(使用在線編輯器編程)

上述列表并非詳盡無遺，你可以在網(wǎng)絡(luò)上找到更多其它的資源，這些資源助力學習Python的基礎(chǔ)知識，此外，你還可以在YouTube上找到許多為初學者提供的Python教程。

一旦掌握了編程語法和其他基礎(chǔ)知識之后，你就可以開啟Python的中級和高級學習之旅。要做到在數(shù)據(jù)科學領(lǐng)域游刃有余，我建議你至少學完中級，這樣可以熟悉Python中的數(shù)據(jù)結(jié)構(gòu)和文件系統(tǒng)。

下一步。

學習統(tǒng)計學和數(shù)學

數(shù)據(jù)科學是分析數(shù)據(jù)并得出有用的和可操作的見解的技能。為此，必須具備基本的統(tǒng)計學和數(shù)學知識。雖然不要求你成為一個偉大的統(tǒng)計學家，但需要對數(shù)據(jù)分布和算法原理這些基礎(chǔ)知識有所了解。 話雖如此，來看看需要學習哪些內(nèi)容。

首先，復習一遍高中的統(tǒng)計課程，對基本概念有所了解。為此，我推薦可汗學院的“高中統(tǒng)計”系列課程(根據(jù)自己的實際情況做出選擇)。

刷完高中統(tǒng)計課之后，可以開始閱讀以下任何一本書：

• 統(tǒng)計學習簡介(R語言)(強烈推薦)
• 統(tǒng)計思維(Python語言)

以上鏈接將直接訪問到這些書籍的各自pdf版本，你也可以根據(jù)需要方便地購買到紙質(zhì)的書。讀完這些書之后，你將熟悉數(shù)據(jù)分析的基本原理，對進一步深入學習有幫助。

注意：雖然我建議你從學習Python語言來開啟數(shù)據(jù)科學之旅，但在學習過程中，你會遇到其他幾個工具，如R，它們也用于統(tǒng)計計算和數(shù)據(jù)分析。我的一般建議是，無論你遇到哪一個工具，都要有一個開放的心態(tài)。如果你正在使用兩種不同的語言執(zhí)行任務(wù)，其底層工作和邏輯通常是相同的，這只是一個不同的語法和框架問題。

第一次體驗數(shù)據(jù)分析。

學習Python進行數(shù)據(jù)分析

這便是它的有趣之處，在掌握了了Python編程的基本知識和統(tǒng)計之后，是時候一試身手了。

如果想在不付錢的情況下學習，你只需在Udacity上開設(shè)一個帳戶，注冊免費課程-數(shù)據(jù)分析入門。這門課程將介紹數(shù)據(jù)分析所需用到的Python庫，如Pandas和Numpy。你可以按部就班地學習，在幾周內(nèi)輕松完成課程。

在Udacity上還有許多其他課程可以探索，此外，Udacity還提供Nanodegree程序，但通常需要付費。如果你愿意為學習付費，還有許多好的平臺，如Coursera、Dataquest、Datacamp等。

在此步驟結(jié)束時，應該掌握Python的一些重要庫和數(shù)據(jù)結(jié)構(gòu)，如序列、數(shù)組和數(shù)據(jù)框。

還應該能夠執(zhí)行諸如數(shù)據(jù)處理、得出結(jié)論、矢量化操作、分組數(shù)據(jù)和組合來自多個文件的數(shù)據(jù)等任務(wù)。

雖然已經(jīng)為下一步做好了準備，但在繼續(xù)前進之前還有一件事需要學習：橋接數(shù)據(jù)分析與機器學習之間的終極關(guān)鍵-數(shù)據(jù)可視化。

數(shù)據(jù)可視化是數(shù)據(jù)分析的重要組成部分，它有助于得出結(jié)論并對數(shù)據(jù)模式可視化。為此，學習如何可視化數(shù)據(jù)勢在必行，學習數(shù)據(jù)可視化最簡單的方法是通讀Kaggle的數(shù)據(jù)可視化課程。在此之后，你將熟悉一個重要的Python庫-Seaborn。

注：Kaggle是一個受世界各地數(shù)據(jù)科學家歡迎的網(wǎng)站。它定期舉辦競賽，以挑戰(zhàn)數(shù)據(jù)儲備的技能，并為數(shù)據(jù)愛好者提供免費的交互式課程。

太棒了!你已經(jīng)學了一半以上的數(shù)據(jù)科學了。繼續(xù)下一步，即機器學習。

學習機器學習

機器學習，顧名思義，是機器(計算機)自我學習的過程。通過對計算機算法的研究，自動提升經(jīng)驗。根據(jù)數(shù)據(jù)和業(yè)務(wù)問題的類型，使用預定義的算法建立模型，這些模型在給定的數(shù)據(jù)上進行自我訓練，然后被用在新數(shù)據(jù)上以得出結(jié)論。

掌握機器學習最簡單的方法就是按照給定的順序?qū)W習以下Kaggle的課程：

• 機器學習概述
• 中階機器學習
• 特征工程(優(yōu)化模型)

條條道路通羅馬，雖然有許多其他的方法來學習機器學習，我提出的是最簡單的方法，完全免費。如果沒有資金的約束，還可以在Coursera、Udacity和其他相關(guān)平臺上找到各種課程。

當這一步結(jié)束時，您將了解監(jiān)督機器學習和無監(jiān)督機器學習之間的區(qū)別，同時，掌握各種重要的算法，如回歸，分類，決策樹，隨機森林等。

太棒了!從此，可以沖破迷宮加入到數(shù)據(jù)科學俱樂部，之后，需要做的便是一步一步成為更好。

項目實戰(zhàn)

讀到這里，你便擁有了成為一名成功的數(shù)據(jù)科學家所需的一切。在掌握了所有的知識之后，應通過盡可能多的練習來增強它。要做到這一點，可以尋找一些項目，去解決一些商業(yè)問題。

堅持實踐的最好方法之一是參加Kaggle比賽。Kaggle為你提供需要解決的問題和所需的數(shù)據(jù)。如果是一場比賽，你可以提交自己的結(jié)果，并根據(jù)獲得的分數(shù)得到排名。

也可以在個人項目上建立自己的組合，通過嘗試以下資源來探索數(shù)據(jù)集：

• Kaggle數(shù)據(jù)集
• UCI機器學習倉庫
• 亞馬遜數(shù)據(jù)集
• 谷歌數(shù)據(jù)庫搜索引擎

為了練習，建議在本地計算機中下載并安裝Anaconda， 這是開發(fā)數(shù)據(jù)科學項目的一個很好的工具包。在Anaconda眾多工具中， Jupyter Notebook是構(gòu)建Python項目的一種很好的方法，并幫你管理你的項目組合。

遵循本博客中的指導方針，將助力實現(xiàn)學習數(shù)據(jù)科學的目標，當然，在這一領(lǐng)域還有大量知識要學習，甚至更多的東西有待探索。繼續(xù)學習吧。