今天我想分享一下我是如何在 16 岁成为一名专业的数据科学家的。我的旅程长达两年，但这篇文章并不能结束我的整个旅程。

在这篇文章中，我将分享我的旅程以及我在此过程中犯的所有错误，这样你就不会再犯那些错误了

 

学习基础

第 1 步：学习 Python

有人说你应该学习数据科学所需的数学。但我建议你应该先学习一门编程语言（如 Python、R）。我现在不会说为什么。不过后面会讲。

为什么选择 Python？：我建议学习 Python，因为它比 R 更广泛使用。

我使用的资源：

学习 Python — 初学者完整课程 [教程]

这是我用来学习Python的。我之所以更喜欢 Mike Dane 的教程，是因为他解释得非常清楚，而且风格惊人。

但我很快会在我的频道 DataBeast 中发布一个完整的初学者教程（即使是小孩子）

但是仅仅通过这个不会帮助你学到很多python，你应该练习它。有一个网站叫做 HackerRank。解决其中的问题。这就是你学习 Python 的全部内容

第 2 步：学习数学

您需要学习几个主题。我知道对某些人来说“数学刺痛”。但不要担心，尽可能多地学习。但它并不比我们想象的要难。主要是统计，概率，有时是线性代数和微积分。但我敢打赌这会很容易。

以下是我比较喜欢的课程：

如果您是青少年或不太了解这些主题的基础知识，我更喜欢您使用可汗学院，您可以在那里学习所有基础知识。然后我更喜欢采取：

• 概率与统计：概率与统计：到 p 还是不到 p？ coursera 中的课程。我知道这门课程是付费的，但只有在您需要证书时才付费。我负担不起价格，所以我只是审核课程（您不必为此花一分钱）
• 线性代数：线性代数 - 完整的大学课程 - YouTube
• 微积分：来自 coursera 的微积分入门。这是一个了不起的课程。它几乎教会了你很多你需要的东西。那么你需要参加这门课程。
• 机器学习数学：多元微积分

我的学习建议是用 Python 编写你学到的东西（数学）。

我将很快发布我自己的教程，从基础到高等数学。

为此，请点击 Medium 以及我的 YouTube 频道 DataBeast 上的订阅按钮。启用通知铃以查看我何时发布视频

这是我犯第一个错误的地方：我没有给予太多关注。但有时它非常重要。

数据科学基础

第 3 步：用于数据科学的 Python 库

Python 有一些用于数据科学的库，称为 NumPy、Pandas 等……。我们也需要熟悉它们

用于数据科学的 Python |伟大的学习

这是我个人喜欢的教程之一。她从基础开始涵盖每一个概念

第 4 步：数据科学工具

这是我的第二个错误 我并不真正关心这些人

• SQL：SQL 教程 - 面向初学者的完整数据库课程
• MongoDB：MongoDB 初学者教程 |完整课程

第 5 步：机器学习

ML 是不需要任何介绍的东西。 ML 是数据科学中最重要的部分之一，也是研究人员中最热门的研究课题，因此每年都会在这方面取得新的进展。

这是我认为最适合机器学习的唯一课程：机器学习（Coursera，审核课程不会花费您，但不会获得证书）。这门课程很棒，并提供了扎实的基础知识。但是所有这些都是在MATLAB上学的，所以你需要在python中做

所以我更愿意再次参加这门课程：免费 10 小时机器学习课程 - freeCodeCamp

这是您需要开始练习的时期。

我建议在 Kaggle 上创建一个帐户并开始练习。

Kaggle 有很多数据集，拿走这些数据集，操作后应该洗手。通过一些机器学习来运行它

第 6 步：深度学习

事情变得有趣起来。深度学习是我在整个旅程中学到的最喜欢的东西。这绝对是辉煌的。您真正使用以前学过的数学的地方。

我强烈建议参加斯坦福的 CS230 讲座。在我看来，这让我们的手很脏。但是您需要学习如何更专业地编码。有两个流行的深度学习框架，名为 TensorFlow 和 PyTorch。我个人更喜欢学习 PyTorch，因为它更动态，而且 PyTorch 代码比 TensorFlow 更容易为更难的问题编写代码。

要学习 PyTorch，我更喜欢这门课程：PyTorch for Deep Learning — Full Course / Tutorial — YouTube

在此之后开始做 Kaggle 比赛。第一次获胜会非常困难，但如果你输掉比赛并从他们的解决方案中学习，你就能获胜。

原文：https://medium.com/@mrizin2013/a-complete-roadmap-to-become-a-data-scie…

本文：https://jiagoushi.pro/node/1913