初入數據科學職業時，要避免的9個錯誤

如果你想要在數據科學方向發展，避免這9個代價不菲的初學者錯誤，你能夠免去數天，數周甚至數月的受挫。

如果您不小心，這些錯誤將會消耗您最寶貴的資源：您的時間，精力和動力。

我們將它們分為三類：

• 學習數據科學時的錯誤
• 申請工作時的錯誤
• 工作面試中的錯誤 ## 何時學習數據科學

第一套錯誤是「卧底」，很難發現。他們慢慢地，但肯定會耗盡你的時間和精力，而不會給你警告，他們從這個領域的誤解中產生。

1. 花費太多時間在理論上。

許多初學者陷入了花費太多時間在理論上的陷阱，無論是數學相關（線性代數，統計學等）還是機器學習相關的（演算法，派生等）。

這種方法效率低下有三個主要原因：

• 首先，這是緩慢而艱巨的。如果你曾經感到所有學習的內容都非常費解，你可能已深陷陷阱。
• 第二，你也不會保留這些概念。數據科學是一個應用領域，鞏固技能的最佳方法是通過實踐。
• 最後，如果你不能看到你正在學習的東西如何和現實聯繫起來，那麼會增加你變得消極想要放棄的風險。 這種重視理論的方法是學術界教授的傳統論調，但大多數從業者更易從結果導向中受益。

為了避免這個錯誤：

• 平衡花費在研究與提供實踐機會的項目的時間。
• 學會對部分知識不求甚解。隨著進度，你自然會填補空白。
• 了解每件作品如何適應背景。

2.從頭編寫太多的演算法。

下一個錯誤也會導致學生為了一棵樹錯過一片森林。在最初，你真的不需要從頭開始編寫每個演算法。

雖然實現一些只是為了學習目的很好，但現實是演算法正在成為商品。由於成熟的機器學習庫和基於雲的解決方案，大多數從業人員從來沒有從頭開始編碼演算法。

今天，了解如何在正確的設置（以正確的方式）應用正確的演算法更為重要。

為了避免這個錯誤：

• 學習通用機器學習庫，如Scikit-Learn（Python）或Caret（R） 。
• 如果你從頭開始編寫一個演算法，這樣做是為了學習而不是完善你的實現。
• 了解現代機器學習演算法的優勢及其優缺點。

3. 跳入深淵。

有些人進入這個領域是因為他們想要構建未來的技術：自駕車，高級機器人，計算機視覺等。這些技術由深度學習和自然語言處理等技術驅動。

但是，掌握基本原理很重要。正如每個奧運潛水員都需要先學習如何游泳，你也一樣。

為了避免這個錯誤：

• 首先掌握「古典」機器學習的技術和演算法，作為高級課題的基石。
• 知道古典機器學習仍然具有難以置信的未開發潛力。雖然演算法已經成熟，但我們仍然處於挖掘如何利用它們的早期階段。
• 學習系統的方法來解決任何形式的機器學習問題。

申請工作時

下一套錯誤可能會導致您在求職過程中錯過一些很好的機會。即使你已經合格，你可以通過避免這些小錯誤來最大限度地發揮你的作用。

4.在簡歷中有太多的技術術語。

許多申請人在寫簡歷時最大的錯誤是用太多技術術語。

相反，你的簡歷應該畫一張照片，你的核心應該講故事。您的簡歷應主張您對組織帶來的影響，特別是如果您申請入門級職位。

為了避免這個錯誤：

• 不要簡單地列出您使用的編程語言或庫。描述你如何使用它們並解釋結果。
• 「少即是多……」仔細思考後強調最重要的技能，並通過消除其他不必要的內容。
• 製作簡歷主模板，以便您可以分離針對不同角色定製的不同版本。這保持每個版本乾淨。

5. 高估學位的價值。

有時，畢業生可以高估他們的教育價值。雖然在相關領域的強大程度肯定會提高您的機會，但它也不夠充分，也不是通常最重要的因素。

很顯然，我們不是說畢業生傲慢自大...

在大多數情況下，在學術環境中所教授的東西與企業中應用的機器學習過程截然不同。使用期限，客戶和技術阻礙在學術界不那麼迫切地需要根據實際權衡。

為了避免這個錯誤：

• 用使用現實世界數據的項目練習作為課程的補充。
• 系統學習解決機器學習問題的方法。
• 參加相關實習，即使是兼職。
• 在LinkedIn上接觸當地的數據科學家進行咖啡聊天。

6. 搜索工作時太局限。

數據科學是一個相對較新的領域，組織仍在不斷發展，以適應日益增長的數據影響。如果您只搜索「數據科學家」開頭，那麼您將會限制自己。

許多職位沒有被標註為「數據科學」，但是它們將允許您以類似的角色發展類似的技能和功能。

為了避免這個錯誤：

• 通過所需技能 （機器學習，數據可視化，SQL等）進行搜索。
• 按工作職責搜索（預測建模，A / B測試，數據分析等）。
• 通過所用技術手段搜索（Python，R，Scikit-Learn，Keras等）。
• 根據職位擴展您的搜索（數據分析師，定量分析師，機器學習工程師等）。

面試期間

最後一套錯誤是面試過程中的絆腳石。你已經做了艱苦的工作來實現這一步，所以現在是時候做個好的結尾。

7.沒有為面試時可能談及的項目做準備。

有實際的項目經驗是當遇到「如何做」類型面試問題時的應對保障。不僅僅只能在假設的說明應對方案，你還可以指出處理某些情況的具體例子。

此外，許多招聘經理會想要你有自給自足的能力，因為數據科學角色自然包括項目管理的要素。這意味著您應該了解整個數據科學工作流程，並了解如何將所有內容整理在一起。

為了避免這個錯誤：

• 從頭到尾地完成一次項目，使您能夠練習每一個重要步驟 （即數據清理，模型訓練等）。
• 組織你的方法論。數據科學應該是深思熟慮的，而不是無計劃的。
• 回顧和重新描述你過去在實習，工作或課程中曾做過的項目。

8.低估領域知識的價值。

技術技能和機器學習知識是獲取數據科學職位的基本先決條件。但是，要真正脫穎而出，您應該了解更多關於您將應用您的技能的具體行業。

記住，數據科學從來不存在於真空中。

為了避免這個錯誤：

• 如果你正在面試一個銀行的職位，請刷一些基本的財務概念。
• 如果您在《財富》雜誌500周年期間面試一個重要位置，那麼就可以進行一些案例訪談並了解盈利能力的驅動因素。
• 如果您正在為創業公司面試，了解其市場，並嘗試了解如何獲得競爭優勢。
• 簡而言之，在這裡採取一點額外的舉措可以帶來很大的好處！

9.忽視溝通技巧

目前，在大多數組織中，與開發團隊或分析師團隊相比，數據科學團隊仍然很小。因此，當入門級軟體工程師一般被一名高級工程師指導時，數據科學家往往在更多的跨功能設置中工作。

面試官會需要你有能夠與技術或數學背景的同事溝通的能力。

為了避免這個錯誤：

• 練習為非技術觀眾解釋技術概念。例如，嘗試向朋友解釋你最喜歡的演算法。
• 為常見的面試問題準備重點，並提供答案。
• 實踐分析各種數據集，提取關鍵洞察力，並呈現您的發現。

結論

在本指南中，您學習了避免數據科學初學者9個最常見錯誤的實用技巧：

1.花費太多時間在理論上。 2.從頭編寫太多的演算法。 3.直接跳入高級課程，例如深度學習，太快。 4.在簡歷中有太多的技術術語。 5.高估學位的價值。 6.搜索工作時太局限。 7.沒有為面試時可能談及的項目做準備. 8.低估領域知識的價值。 9.忽視溝通技巧。