本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)。

我們生活在充滿數(shù)據(jù)的世界里，人類每天制造超過2.5兆字節(jié)的數(shù)據(jù)，僅過去兩年產(chǎn)生的數(shù)據(jù)就占全世界數(shù)據(jù)的90%，基于此，數(shù)據(jù)相關(guān)的領(lǐng)域也應運而生。這樣的大趨勢，引發(fā)了許多人對于學習數(shù)據(jù)科學的熱情。

但攻克這一領(lǐng)域并不容易，你可能會遇到千奇百怪的問題。即使有許多知名大學的優(yōu)秀教授開設(shè)了令人驚嘆的課程，你仍然會犯錯誤。剛開始的時候，我對很多事情一無所知，也走過不少彎路。現(xiàn)在，我整理了一些人們在開始在線學習數(shù)據(jù)科學之前就必須要了解的要點。

[[337892]]

在線課程不會傳授領(lǐng)域知識

解決任何問題之前，你都需要有一定的領(lǐng)域知識。恰當?shù)念I(lǐng)域知識將幫助你更好地理解數(shù)據(jù)集的特性，并幫助你構(gòu)建分析數(shù)據(jù)集的方法，從而從數(shù)據(jù)集中得出結(jié)論。大多數(shù)年輕人忽視了這一點。

領(lǐng)域知識是最容易被忽視的技能，但對初學者來說卻是至關(guān)重要的。人們應該意識到，他們有必要花時間了解該領(lǐng)域和他們想解決的問題。領(lǐng)域知識是解決問題的基礎(chǔ)。

了解數(shù)據(jù)集

在忙著尋找丟失的值或開始清理數(shù)據(jù)之前，請正確查看數(shù)據(jù)集并嘗試理解它。可以使用pandas庫中的describe()方法來提取關(guān)于數(shù)據(jù)的更多信息，比如平均值、標準差、四分位數(shù)。從數(shù)據(jù)集中取任何特定的例子，并使用特性來理解它。

不要急于創(chuàng)建機器學習模型

許多初學者在預處理數(shù)據(jù)之前直接應用ML算法。所有人都可以寫兩到三行代碼來訓練算法并預測結(jié)果，而數(shù)據(jù)科學家則會先花費80%的時間準備和管理數(shù)據(jù)，尋找離群值和相關(guān)性，以及填充缺失的值并了解哪個特性影響最大。

例如，如果你想解決一個分類問題，那么就要檢查類的不平衡。通俗來說，如果類不包含相同數(shù)量的示例，那么數(shù)據(jù)集就是不平衡。再如，在一個二進制分類任務中，類A占數(shù)據(jù)總數(shù)的99%，類B占數(shù)據(jù)總數(shù)的1%。數(shù)據(jù)不平衡可能導致所謂的過度擬合。

花時間準備和管理數(shù)據(jù)及進行預處理是非常有必要的。

[[337893]]

圖源：unsplash

不要自欺欺人

做作業(yè)或測驗時，不要抄襲網(wǎng)絡(luò)資源。不必急于完成任務，慢慢來，作業(yè)和測驗只是手段，學會如何解決問題才是目的，你不能不僅僅是為了拿到證書。我學到的大部分東西都是在遇到問題時學到的。

在完成分配任務之前，理解好已編寫的代碼

對于許多初學者來說，只回顧近一周所學并將其應用到數(shù)據(jù)中是很常見的事情。例如，如果一個學生正在學習支持向量機(分類算法之一)。在作業(yè)中，如果學生必須訓練和測試模型，大多數(shù)學生只會完成這個任務，他們不會注意到之前編寫的關(guān)于數(shù)據(jù)預處理的代碼。

編碼和數(shù)學的背景知識非常有益

有人認為學習一些數(shù)據(jù)科學課程不需要編程，我不同意這一點，編程方面的基本知識有助于更好地學習。

也許之后會教Python / R，但如果你正在學習一門課程，建議你在HackerRank、HackerEarth等平臺解決問題，以在學習一個特定的語言中獲得更多的經(jīng)驗，這樣以后如果你使用類似matplotlib、NumPy這樣的庫，就可以隨意編寫代碼。

不懂基礎(chǔ)數(shù)學也不用擔心，YouTube上有很好的學習資源。如果你想學習微積分，推薦學習3Blue1Brown的微積分、線性代數(shù)和統(tǒng)計學的Stat Quest。對于那些希望從數(shù)學開始學習數(shù)據(jù)科學的初學者來說，這都是不錯的選擇。

[[337894]]

圖源：unsplash

隨意提問，不要害羞

論壇是問問題的好平臺，大膽提出你的疑問，不要有絲毫疑慮。在這里，沒有人會因為問問題而感到尷尬。正如愛因斯坦所說：不停質(zhì)疑至關(guān)重要。好奇心的存在有它自己的道理。

如果不理解算法，那么就從頭開始實現(xiàn)它

如果你在理解某個算法方面有問題，那么最好的方法是自己編寫這個算法。在這個過程中，你會了解它并理解scikit-learn這類的庫的運作方式。

不要滿足于ML算法的初始結(jié)果

你可以通過調(diào)整各種算法的值來改進模型。不要滿足于模型的初始結(jié)果，要經(jīng)常使用超參數(shù)調(diào)優(yōu)來優(yōu)化結(jié)果。你可以改變許多算法的超參數(shù)值，比如K最近鄰算法可以改變可能改善結(jié)果的鄰值的數(shù)量。

完成在線課程不是終點，而是起點。在線課程將幫助你建立牢固的基礎(chǔ)，但你必須不斷學習，不斷尋找各種數(shù)據(jù)集并實踐，實踐是做好所有工作的關(guān)鍵。你要繼續(xù)瀏覽各種博客文章、筆記、視頻、研究論文來了解更多知識，永遠不要把自己限制在什么事情上。

[[337895]]

圖源：unsplash

作為一名數(shù)據(jù)科學家，你需要不斷學習新技術(shù)，追尋永無止境。