Научите себе науку о подацима: пут учења који сам користио да бих добио посао аналитике на Јет.цом

Како од нула програмских вештина прећи на посао у технологији или аналитици?

Ако сте заинтересовани за учење ових вештина, било из забаве или због промене каријере, који је најбољи начин за то?

Постоји безброј листа најбољих онлајн курсева, али како можете створити свој властити пут учења уз сву буку?

Лично никада нисам мислио да ћу научити било какве практичне вештине у вези са програмирањем, анализом података, машинским учењем или технологијом уопште. Као финансија, увек сам претпостављао да ћу бити „пословни човек“. Ипак, некако сам научио себе Питхон и СКЛ и затекао се како радим у аналитици на Јет.цом, свакодневно користећи један од ових језика.

Зашто би питали Питхон и СКЛ?

Питхон је програмски језик који се најбрже развија, и то са добрим разлогом. Има сулуд број библиотека које можете користити за апликације за машинско учење, анализу података, визуелизацију, веб апликације, интеграције АПИ-ја и још много тога. Поред тога, то је један од језика који је лакше покупити и научити. Што се тиче СКЛ-а, базе података напајају технолошке компаније, а СКЛ вам омогућава да боље разумете, истражите и искористите мноштво прикупљених података.

У наставку наводим пут којим сам кренуо у учењу ових језика који ме је увео у аналитику. Да будемо јасни, овај пут је био невероватно изазован; Провела сам безброј вечери осећајући се фрустрирано и збуњено. Много сам ноћи желео да бацим пешкир и да се нагодим да сам пословни човек.

Али ваша мотивација остаје кључ за гурање напред кроз препреке са којима ћете се неизбежно суочити. Без обзира да ли желите да пређете на улогу анализе података или улоге типа науке о подацима или желите само да боље разумете програмирање и технологију ради забаве (што постаје забавно!), Морате да смислите како да останете мотивисани и дисциплинован ако желите стварно да научите ове вештине.

За мене је издвајање одређеног времена скоро сваког дана (око 90 минута до 2 сата) за учење или вежбање одмах по повратку кући са посла омогућило ми је да развијем доследне навике и разбијем концепте куће које сам сматрао збуњујућим.

Ево пута којим сам кренуо; надам се да вам може помоћи да започнете сами.

Тхе Цоре Фоундатион

  1. Научите Питхон на тежи начин

Ово је један од најбољих курсева које сам икад похађао, тачка. Самоуправно је и изазовно, али Зед вам пружа довољно детаља и смерница да започнете са стварним започињањем програмирања на Питхону. Он чини програмирање приступачним, а материјал вам даје самопоуздање из недеље у недељу да се заиста осећате као да можете ефикасно научити Питхон.

2. Аналитика режима: Панде

Моде Аналитицс пружа изванредан увод у Питхон и укључује водиче о једној од његових најмоћнијих структура података: Пандас ДатаФраме. Ово је савршено за учење основа анализе података након што спустите основе Питхона.

3. Аналитика режима: СКЛ

И други водич за Аналитицс модус о СКЛ-у је фантастичан. Овде можете научити све кључне концепте и створити јаку СКЛ основу. Они чак имају свој СКЛ уређивач и податке са којима се можете поиграти.

Заједно са аналитиком начина рада, В3 школе могу вам помоћи да одговорите на било које СКЛ питање које имате, док се крећете кроз туторијале.

Роњење право у машинско учење

Пре него што сам у потпуности разумео Питхон, пуцао сам и пријавио се за Удацити-јев самовозећи аутомобил на наградус. Знао сам да ми је то потпуно преко главе, али помислио сам, зашто не бих покушао?

Лакше се мотивишете да научите Питхон и машинско учење када сте фасцинирани практичним апликацијама.

Имао сам отприлике месец дана пре почетка наставе, па сам похађао што више часова из области науке о подацима и машинског учења.

Ево најбољих бесплатних уводних курсева који су ми били од велике помоћи:

  • Удацити Учење о машинском учењу
  • Удацити Увод у статистику
  • Удацити Увод у науку о подацима

Да, видите, прилично високо мислим о Удацити-у.

Иако није бесплатан, топло бих препоручио да погледате књигу Гроккинг Дееп Леарнинг. Пружа изузетно јасне и релативне примере о основама машинског учења.

ТенсорФлов, који је развио Гоогле, је библиотека отвореног кода за машинско учење која се може писати на Питхон-у. Невероватно је моћан и апсолутно га вреди упознати.

Погледајте вежбу МНИСТ за фантастичан увод у оквир.

Открио сам да је и класа Станфорд ЦС231 користан ресурс; опсежно покрива конволуционе неуронске мреже (оно што користимо за софтвер за препознавање слика или лица), што би, како сам прочитао, било невероватно корисно за самовозећи аутомобил Нанодегрее. Ако сте уопште заинтересовани за коришћење машинског учења са сликама или видео записима, нећете наћи много боље од овог курса.

Коначно, након што сам користио ове ресурсе за изградњу солидних темеља, започео сам Удацити Селф Дривинг Цар Нанодегрее.

Нећу превише да причам о томе јер овде и овде већ постоје сјајна писања курса. Оно што ћу рећи је да сам, на сопствени шок, успео да разумем већину садржаја, иако сам био најизазовнији пут који сам икада ишао. Наоружани правим основним знањем, изненадили бисте се колико дубоко можете разумети сложену тему.

Наставак учења Аналитике и науке података

Након интензивног зарања у машинско учење неколико месеци, било је корисно направити корак уназад и ојачати своје разумевање практичне аналитике и принципа науке о подацима.

Почео сам са науком података, дубоким учењем и машинским учењем са Питхоном , фантастичним курсом о Удемију . Иако се дотиче машинског учења, оно у потпуности покрива принципе у аналитици, науци података и статистици, посебно око различитих техника рударења података и практичних сценарија за њихово коришћење.

Књига Дата Сциенце Фор Бусинесс такође невероватно добро објашњава КАКО И ЗАШТО одређени модели раде када решавају проблеме у одређеном контексту; у вас убија аналитички оквир и начин размишљања који се могу применити у било којој ситуацији која се врти око проблема са подацима. То је најбољи ресурс који сам пронашао који повезује различите аналитичке приступе одређеним пословним ситуацијама и проблемима.

Наравно, ако сте заинтересовани за каријеру у аналитици или науци података, увек бисте требали усавршавати старе вештине или додавати нове вештине у свој сет алата. ФрееЦодеЦамп и Хацкерноонобјавити информативне чланке и водиче о свим стварима науке о подацима и софтверског инжењерства. Мој омиљени чланак недавно је био добро написан туториал о писању сопственог блоцкцхаина.

Ипак желите да знате најбољи начин да наставите да учите?

Изгради нешто. Било шта. Истражите скуп података. Пронађите практични проблем са којим се суочавате ви или ваша компанија и покушајте да га решите.

Чак и ако у својој компанији немате приступ висококвалитетним подацима, постоји мноштво скупова података отвореног кода са којима се можете поиграти и вежбати. Кладим се да ћете научити исто толико, ако не и више, радећи на сопственим пројектима података, него похађати било који курс или читати било коју књигу.

Коначно, састанак и учење од људи који имају вештине које желите да стекнете је од велике користи. Топло препоручујем да користите Меетуп за проналажење група стручњака за аналитику или софтвер у вашем подручју. Многе од ових група имају бесплатне лекције или подуке и упознаћете мноштво лудо паметних људи који могу да пруже савете и трикове за убрзање вашег учења.

У Њујорку су неке од група које су ми изузетно помогле:

  • Друштво за машинско учење
  • Гоогле Девелопер Гроуп
  • НИАИ
  • Нев Иорк Дата Сциенце

Забавите се учећи и јавите ми како иде ваше путовање!

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

АЖУРИРАЊЕ : Удацити је управо објавио нови програм Дата Сциентист Нанодегрее. Прегледао сам материјале и изгледа као невероватно користан ресурс! Пројекти укључују изградњу механизма за препоруке са ИБМ подацима и класификацију купаца у сегменте. Још га нисам узео, али погледајте овде: Програм Дата Сциентист Нанодегрее.