|
要想明确数据分析师的成长之路，不仅要明白数据分析项目的整个流程，更要结合当今时代想要的人才，现将二者之间建立了一定的联系。而数据分析师和科学家一般，都有自己的成长轨迹和阶段，不同的人所处于的阶段不同。 如果你觉得你已经完成了现有阶段所要学习的内容，那么你就可以迈入下一个阶段的学习，现在一起跟着小编来看看这三种不同的阶段吧！ 初级水平 什么是初学者？如果解析学和数据科学对你来说是全新的领域，你也不知该行业的发展模式，而你又想在这个行业大展拳脚一番，那么初学者就是你。以下这些应该在你的计划之内。 完整地学习一门课程 数据科学家具有巨大的需求，所以成千上万的课程和研究都在等着你去探索，你可以学习任何你想要的东西。找到学习的材料并不是一件很难的事，但是如果你不为之付出努力的话，学习的过程可能会变得很困难。 你可以参加一个免费的MOOC课程，或者加入一个认证项目，这个项目会让你经历所有的曲折和转变。免费和付费的选择不是问题，主要的目标应该是课程是否能帮你夯实基础，达到一个合适的水平，从可以进一步推进。 当你上一门课的时候，要积极地按照课程的安排、作业和所有的讨论进行。例如，如果你想成为一名机器学习工程师，你可以学习Andrew Ng的机器学习。现在你必须努力学习课程中提供的所有课程材料，当然也包括课程中的作业，这和看视频一样重要。从头到尾完整的学习一门课程，你就能更清楚地了解这一领域。 一些优秀的mooc课程包括： · Analytics Edge on edX · Machine Learning rom Andrew NG 选择一个工具/语言并坚持下去 正如我之前提到的，对于你来说，无论你选择哪一个角色，从一而终是很重要的。那么你将要面对一个很难的问题，你应该选择哪种语言/工具? 这可能是初学者最需要问的问题。最直接的答案是选择任何主流工具/语言都可以。毕竟，工具只是实现的手段，理解这一概念更为重要。 不过，问题仍然存在，选择哪一个更好一些呢？网上有各种各样的指南在讨论这个问题。你可以从最简单的语言开始，或者你最熟悉的语言。如果您不精通编程，那么您可能更适合基于GUI的工具。当你掌握了这些概念之后，你就可以着手编写代码了。 中级水平 中级水平的数据科学家是什么样的？如果你已经完成了前一阶段的内容，有过机器学习基础知识的实践经验，掌握了建立预测模型的知识，那你就达到了中级水平。完成这一阶段需要强大的决心和持久的练习。你准备好迎接这个挑战了吗？ 机器学习 机器学习最简单的理解就是在一堆杂乱无章的数据中，找到其背后的规律，从这个角度来看，数据分析是机器学习最重要的应用场景之一。虽然学习机器学习需要掌握大量的算法，但是这些算法的难度也并不算高，只要具备一定的数学基础（线性代数、概率论），都是可以顺利理解并运用这些经典算法的。 从机器学习的步骤来看，主要有6大步骤，分别是数据收集、算法设计、算法实现、算法训练、算法验证和算法应用，所以机器学习的前提是数据收集，核心是算法设计。在学习机器学习之前，除了要具有一定的数学基础之外，还需要具有一定的程序设计基础，初学者可以从Python开始学起。 专注集成算法和Boosting算法 集成学习(ensemble learning）从概念上讲，它并不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。 探索Spark、NoSQL和其他大数据工具 今年你的学习之旅始于大数据。考虑到大数据专业人员的需求激增，你一定要学习Spark，这个工具最近非常火爆。大数据的未来就在Spark，它广泛用于处理和操纵数据。除此之外，你还可以拓展到NoSQL和Hadoop领域来。 高级水平 对于进入这个阶段的人我就不需要来给出标准了，你们所了解的数据科学，很多人甚至连尝试的勇气都没有。身处这一阶段，你们的生活惬意而又自如。适时安排一些内容精进自己即可。 好啦，以上就是数据分析师要经历的三个阶段，小伙伴们可以代入自己，看看应该学习哪些内容哦~ |
|
|
