本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

數據科學和人工智能可謂當下最為熱門的領域，也是人們最常提及的實體類數據管理。數據科學與人工智能持續發展成果不斷，給人們提供了各種機會。但在成為優秀的數據科學家或機器學習操作者之前，你必須遵循幾條黃金法則來提高生產力。 筆者學習機器學習和深度學習模型有一陣子了，也一直在做各種項目。根據筆者的經驗，“三要三不要”法則你最好能從一開始就了解。話不多說，來看看關乎你數據前途的要點。

[[355832]]

一要：廣泛搜查，持續學習

這些領域每天都在進步。技術發展迅猛，所以緊跟發展、了解數據科學中的最新成果顯得越發重要。查找項目、任務甚至是一個簡單的數據科學術語，都必不可少。向他人學習，特別是一些專家的觀點，這些人都有著自己的見解，你可以學習運用。 查找和批判性思考就是提升水平的一種途徑。極力推薦大家到Youtube上看一些高質量的視頻，比如數據科學、人工智能、數學或編程頻道。多讀書，論文更重要，后者是獲取正確知識的關鍵，對你理解數據科學的某個話題也有幫助。

一不要：放棄!

數據科學有時會很棘手，初學者剛上手會很難。不少人看一眼這個領域里的話題都害怕。其實，它同編程一樣，出現錯誤意味著你會學到新的東西。不論到網上尋求解決方案，亦或自己攻克，從中你都會獲得滿足感。 初出茅廬不會解決問題也不要緊，只要持之以恒尋找出路加深理解，你就會進步。哪怕是專家也會犯錯然后找資料解決特定問題。這大概是唯一一個不用惡補知識的領域了，忘記的知識谷歌上都可以查。 筆者鼓勵大家轉變對挑戰性任務的看法，多幾分享受。失敗乃成功的奠基石，在數據科學中，犯錯越多學的就越多。振作起來學習吧!

二要：實踐操作

想要欣賞數據科學的“真善美”，最好要有很多項目的實踐經歷。可操作性高的任務和能力范圍內的難題絕對給你很妙的體驗。從理論的角度了解數據科學背后的機器學習、數學概念很關鍵。當然也要知道如何實操，不要怕麻煩，你要獨立完成這些。 設想一個多層次感知器或神經網絡的反向傳播，你可能知道這些概念在數學和理論方面意味著什么。但實際操作和摸索方案也同等重要，后者對于提升和面試大有益處。 哪怕是一個簡單的機器學習算法，都建議不要用算法庫或類似的輔助工具。試著發現最好的辦法，上手操作。如此可以提升技巧，對概念有更全面的理解。

二不要：猶豫不決，我要不要尋求幫助

過程中碰壁再正常不過，而數據科學的迷人之處就在于背后有非常優秀的群體，里面有很多人才和資源可以幫到你。Stack Overflow、discord channels、YouTube、免費的在線編碼訓練營、GitHub等有關數據科學的平臺。 跟他人或者專家溝通交流也是明智之舉。有效的溝通可以糾正你對某個話題的誤解。同樣，溝通能讓他人聽到你的觀點，自己也能學到點。交流得越多，觀點越完善，最大的作用是自己的社交能力會有所提升，這也是團隊工作需要的。 過去筆者對于尋求幫助猶豫不決，認為憑自己解決所有問題才是正確的。但有時候也許是理解錯或者有瑕疵，自己試過仍不行，就可以去問朋友或專家，請他們幫你!

三要：保持探索，建立新項目，積極實踐!

人工智能與數據科學浩瀚無邊，有很多東西等著我們去探索。置身于龐大的領域中，實踐對于更新自己的能力和實操技巧愈發重要。發展從未停止，其中各個方面也包含很多知識，所以請堅持編碼和實操! 積極參加網絡上的競賽。Kaggle就挺不錯，上面會舉辦一些高權威的數據科學比賽。別怕成績不好，只要學到東西就好。還有很多網站可以提升編碼技能或參加比賽，比如HackerRank。加入群體后你可以向更多愛好者取經。 可操作的項目和想法數不勝數。選一個就可以著手開始了。不斷學習的最佳辦法就是多做!找更多的項目，更新技能!

[[355833]]

圖源：unsplash

三不要：問題解決后不要停止對更好方案的追求

恭喜各位完成了項目!但是還有更多等待你去挖掘。這個領域的魅力之處在于它提供了多樣的選擇。你所建的每一個模型和項目都有很大的提升空間。考慮別的可能性、其他方法和提升是好習慣，你會得到更好的結果。 最初，筆者每完成一個項目都會非常激動，著急做下一個任務。這沒毛病，但往往你的項目是可以進一步提升的。在進行下一項之前，列出項目中可以完善的幾個方面。

總而言之，不斷學習、不斷實踐、不怕失敗、完善技能，這些就是你通向數據科學大師的不二法門。