原文：
www.kdnuggets.com/2019/12/ultralearn-data-science-summary.html
评论
作者 Benthecoder，开发者、作家、机器学习和 AI 爱好者。
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析能力
3. Google IT 支持专业证书 - 支持你所在组织的 IT
参见
-
如何“超学习”数据科学，第一部分，什么是“超学习”，你如何按照这一策略成为数据科学专家？
- 创建金字塔学习图
-
概念
-
事实
-
程序
-
确定学习中的挑战性方面
-
克服它们的技术
-
建立你的学习方法
超学习数据科学从利用金字塔学习策略开始。第一步是创建一个适合你生活的学习图。不要制定一个不切实际的计划，要求你每天学习 12 小时，每周如此。这是不可行的，你会感到精疲力竭。规划你的学习旅程时要更务实：考虑你的个人责任、爱好、朋友和家庭等。
另一个关键点是找到你独特的学习方式。每个人都有自己的学习方法。不要试图模仿别人并复制他们的学习方式。如果你通过可视化和视频学习效果更好，就去参加 MOOCs 课程和观看 YouTube 视频。如果你更喜欢传统的教材学习方式，那就去做吧。没有什么能阻止你以自己的节奏学习。
-
获得动力
-
维持
-
交错
-
寻找你的精神高峰
干扰无处不在。没有专注，几乎不可能学习。拥有控制自己的自律和意识到干扰来源于内心而非外部，是第一步。一切都依赖于你和你自己。
拿个计时器，给你的工作设定时间限制。时间的紧迫感和时间的流逝会促使你开始工作，而不是为了《老友记》的剧集拖延。接下来，保持专注，进入状态，就像程序员们所说的，设定一个适合你的环境。然后，使用时间盒技术，确保你的生产力达到最高水平。最后，发现你的心理能量高峰，确保将创造性任务分配到你精力充沛的时刻，将单调的任务留给你较少活跃的时间。
我们的大脑有其极限。不要逼自己过度。当你实在无法完成任何工作时，去散步、弹钢琴、和朋友（面对面）交谈。然后再尝试集中注意力。
-
直接性
-
钻研
-
提取
-
反馈
-
记忆
专注使学习变得稍微容易一些。现在来到了困难的部分。仅仅通过阅读和记忆来学习是无用的。这是大学的方法论。是时候抛弃这些，开始有效学习了。
这一部分的几个关键要点是实践应用。做远远优于被动吸收。我们从婴儿时期起就通过实践学习东西。我们研究世界并形成自己的框架。
想学习机器学习？不要急着学习数学或将大量概念和事实塞进脑子里。安装一个集成开发环境（PyCharm/VS Code），搜索 YouTube 视频/网站，寻找关于如何实现机器学习的教程，选择一种语言（最好是 Python）。就这些——这就是你需要掌握机器学习精髓和流程的全部。
尽管如此，伟大的数据科学家们头脑中却装满了统计学、Python、商业敏锐性和机器学习知识——他们已经为任何人们抛给他们的数据做好了准备。通过优化学习，你将做好准备，迎接任何挑战。
培养深刻理解
-
掌握基础
-
选择更长、更艰难的路线
-
在困难障碍面前坚持不懈
-
为自己复制概念
实验的三步骤
-
复制然后创造
-
限制
-
混合学习
对一个概念的深刻理解使你能够将各个部分结合起来，并利用这种理解解决问题和提出新想法。
通过了解事物的本质，可以产生对复杂问题的新颖解决方案。为了实现深刻理解，从掌握基础开始，并彻底理解它。只有在掌握了基础知识之后，才能开始深入研究语义树中的更多概念。
另一个重要的事情是向专家借鉴。专家在该领域拥有大量经验，并且在其工作流程中非常熟练。通过从头到尾复制专家解决问题的方式，你最终会通过反复复制掌握这些技能和专业知识。
实验数据和管道是数据科学的基本要素。模型可能会有偏差并且充满错误——只有通过不断地实验不同的特征（特征工程）和算法，才能改进模型。通过对特征选择施加限制并混合使用你的机器学习工具，你可以创建一个好的模型。
大胆和勇敢！胸怀大志，尽情疯狂。深入实验。
原文。经许可转载。
相关：