本文轉(zhuǎn)載自公眾號(hào)“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(yīng)運(yùn)而生。這樣的大趨勢(shì)，引發(fā)了許多人對(duì)于學(xué)習(xí)數(shù)據(jù)科學(xué)的熱情。

但攻克這一領(lǐng)域并不容易，你可能會(huì)遇到千奇百怪的問題。即使有許多知名大學(xué)的優(yōu)秀教授開設(shè)了令人驚嘆的課程，你仍然會(huì)犯錯(cuò)誤。剛開始的時(shí)候，我對(duì)很多事情一無所知，也走過不少?gòu)澛贰，F(xiàn)在，我整理了一些人們?cè)陂_始在線學(xué)習(xí)數(shù)據(jù)科學(xué)之前就必須要了解的要點(diǎn)。

[[337892]]

在線課程不會(huì)傳授領(lǐng)域知識(shí)

解決任何問題之前，你都需要有一定的領(lǐng)域知識(shí)。恰當(dāng)?shù)念I(lǐng)域知識(shí)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(diǎn)。

領(lǐng)域知識(shí)是最容易被忽視的技能，但對(duì)初學(xué)者來說卻是至關(guān)重要的。人們應(yīng)該意識(shí)到，他們有必要花時(shí)間了解該領(lǐng)域和他們想解決的問題。領(lǐng)域知識(shí)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(qǐng)正確查看數(shù)據(jù)集并嘗試?yán)斫馑?。可以使用pandas庫(kù)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(biāo)準(zhǔn)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(jī)器學(xué)習(xí)模型

許多初學(xué)者在預(yù)處理數(shù)據(jù)之前直接應(yīng)用ML算法。所有人都可以寫兩到三行代碼來訓(xùn)練算法并預(yù)測(cè)結(jié)果，而數(shù)據(jù)科學(xué)家則會(huì)先花費(fèi)80%的時(shí)間準(zhǔn)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(gè)特性影響最大。

例如，如果你想解決一個(gè)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(gè)二進(jìn)制分類任務(wù)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(dǎo)致所謂的過度擬合。

花時(shí)間準(zhǔn)備和管理數(shù)據(jù)及進(jìn)行預(yù)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(cè)驗(yàn)時(shí)，不要抄襲網(wǎng)絡(luò)資源。不必急于完成任務(wù)，慢慢來，作業(yè)和測(cè)驗(yàn)只是手段，學(xué)會(huì)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(xué)到的大部分東西都是在遇到問題時(shí)學(xué)到的。

在完成分配任務(wù)之前，理解好已編寫的代碼

對(duì)于許多初學(xué)者來說，只回顧近一周所學(xué)并將其應(yīng)用到數(shù)據(jù)中是很常見的事情。例如，如果一個(gè)學(xué)生正在學(xué)習(xí)支持向量機(jī)(分類算法之一)。在作業(yè)中，如果學(xué)生必須訓(xùn)練和測(cè)試模型，大多數(shù)學(xué)生只會(huì)完成這個(gè)任務(wù)，他們不會(huì)注意到之前編寫的關(guān)于數(shù)據(jù)預(yù)處理的代碼。

編碼和數(shù)學(xué)的背景知識(shí)非常有益

有人認(rèn)為學(xué)習(xí)一些數(shù)據(jù)科學(xué)課程不需要編程，我不同意這一點(diǎn)，編程方面的基本知識(shí)有助于更好地學(xué)習(xí)。

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

不懂基礎(chǔ)數(shù)學(xué)也不用擔(dān)心，YouTube上有很好的學(xué)習(xí)資源。如果你想學(xué)習(xí)微積分，推薦學(xué)習(xí)3Blue1Brown的微積分、線性代數(shù)和統(tǒng)計(jì)學(xué)的Stat Quest。對(duì)于那些希望從數(shù)學(xué)開始學(xué)習(xí)數(shù)據(jù)科學(xué)的初學(xué)者來說，這都是不錯(cuò)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(tái)，大膽提出你的疑問，不要有絲毫疑慮。在這里，沒有人會(huì)因?yàn)閱枂栴}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(shí)現(xiàn)它

如果你在理解某個(gè)算法方面有問題，那么最好的方法是自己編寫這個(gè)算法。在這個(gè)過程中，你會(huì)了解它并理解scikit-learn這類的庫(kù)的運(yùn)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(jìn)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?cè)S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(diǎn)，而是起點(diǎn)。在線課程將幫助你建立牢固的基礎(chǔ)，但你必須不斷學(xué)習(xí)，不斷尋找各種數(shù)據(jù)集并實(shí)踐，實(shí)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(shí)，永遠(yuǎn)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(xué)家，你需要不斷學(xué)習(xí)新技術(shù)，追尋永無止境。