原文：
www.kdnuggets.com/2018/03/5-things-before-rushing-data-science.html
评论
1. 高中数学对于数据科学至关重要。
1. Google 网络安全证书 - 快速开启网络安全职业生涯
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织 IT 需求
矩阵计算、导数、特征值、集合论、函数、向量、线性变换等，对于理解统计方法和编程背后的理论至关重要。因此，在开始下一个 MOOC 或机器学习书籍之前，重新复习所有这些概念是至关重要的。大多数学校要求学生掌握这些方法才能毕业，但幸运的是，刷新或获得这些知识不会占用你太多时间。
有很多资源可以开始，但对我有效的是《漫画线性代数指南》，这本书非常简单、图文并茂，并且在深入更复杂的内容之前提供了很好的基础。
图 1：3x3 矩阵的逆矩阵
我的建议是安排几周时间来复习这些概念，并使用Feynman 技巧以便能够用简单的术语解释每一个主题。
2. 尽管有很多有用的互联网资源，书籍仍然是学习的最佳工具之一。
人们在尝试进入像数据科学这样的领域时面临的一个问题是信息过载，这个术语用来描述拥有太多资源时的影响。有数以百计的 MOOC、在线课程、专业化、视频等等，但对我们最宝贵的资源“时间”来说，最好的利用方式是选择一本书，从基础开始学习新概念，然后用其他书籍填补知识空白。
学习数据科学应该被视作一种积木游戏。
图 2：乐高积木
我相信这个类比对于学习大多数东西来说是最好的，但在我们的数据科学旅程中尤为有用：
-
首先，你需要选择你想要构建的玩具模型。
-
打开所有塑料袋，把不同的部件铺在平面上，这样你可以看到所有不同的部分。
-
了解每个部分的使用方法。学习它们的特征：维度、颜色、重量、形状。
-
开始构建小块，直到你掌握了所有的用途。
-
最后，当你按照说明手册完成了想要的模型后，把所有部件拆开，开始实验。
数据科学的每个领域中的所有技术都应该如此。学习所有的积木是什么，学习如何使用它们，然后当你想创建更复杂的东西时，寻找你没有的缺失部分。
3. 计算技能至关重要，不仅仅是对于数据科学，也对于未来的世界。
直到我开始学习数据科学硕士课程，我才意识到一个通过所有博客文章、书籍和新闻已经被低声传达了一段时间的信息：
“计算机代码占据了我们今天生活的 80%以上。”
代码存在于我们的智能手机、网站、汽车、电视、健康系统、公共交通、商品制造等领域。
图 3：编程语言词云
几乎每个行业的工作/职业都直接受到某些程序的影响，这些程序能实现信息的输入、转换和打印。学习编程以及代码的工作原理不仅仅是为了制作软件、应用程序或创建一个伟大的网站。学习编程将使你有优势去理解技术如何影响我们的生活。与其责怪计算机程序“无法工作”，你现在会系统地思考并理解问题可能出在哪里。谁知道呢，也许你会从用户的角度提出改进技术的更好想法。
4. 你的批判性和分析能力非常重要。
我是犯罪和问题解决类电视节目的大粉丝。例如，《蝎子》（Scorpion）讲述了一群天才利用技术和数学技能解决各种问题的故事。这类节目最突出的特点，除了所有的动作、笑话和英雄场景外，就是角色们用来解决各种问题的“批判性思维”。这是大多数数据科学资源中没有提到的一点。找到正确的角度来解决问题将帮助你确定不仅要使用哪些工具，还会有时带你找到最有效的解决方案。
5. 每个人都喜欢 TED 演讲，每个人都分享关于领导者的精彩演讲。然而，你必须准备好展示你的发现。
有许多可视化包（seaborn、ggplot、matplotlib）和软件（tableau、excel）可以帮助创建精美的图表。因此，要避免因选择过多而感到困惑。最重要的是信息的传递方式。有时候，最简单的工具会产生清晰、相关的结果。
相关：