- A+
如果你对精彩的数据科学世界感兴趣，但不知道如何开始，那就让数据学校来帮助你吧。如果你对精彩的数据科学世界感兴趣，但不知道如何开始，那就从这篇文章开始吧。
步骤0：找出你需要学习的内容；
步骤1：熟悉Python；
步骤2：学习用pandas库进行数据分析、数据处理和可视化；
步骤3：用scikit-learn进行机器学习；
步骤4：深度理解机器学习；
步骤5：保持学习和练习；
步骤0：找出你需要学习的内容
数据科学是一个势不可挡的领域。很多人会告诉你，你要掌握以下内容才能成为一名数据科学家：统计、线性代数、微积分、编程、数据库、分布式计算、机器学习、可视化、实验设计、聚类、深度学习、自然语言处理等等。这根本不是事实。
那么，究竟什么是数据科学呢？它是一个先提出有趣问题，然后用数据回答这些问题的过程。一般来说，数据科学工作流程如下所示：
-
提出一个问题
-
收集有助于解决这个问题的数据
-
清理数据
-
探索、分析，并可视化数据
-
构建机器学习模型，并评价该模型
-
说明结果
这个流程不一定需要高级数学、精通深度学习，或上面列出的许多其他技能。但它确实要求编程语言知识和运用编程语言处理数据的能力。此外，虽然真正擅长数据科学需要精通数学，但你只需对数学有基本了解就可以开始了。
诚然，上面列出的其他专业技能可能在某一天帮你解决数据科学问题，然而，你不需要掌握所有这些技能才开始你的数据科学生涯。你今天就可以开始了，有我在这里帮你！
步骤1：熟悉Python
对数据科学，Python和R都是不错的编程语言选择。R在学术界往往更受欢迎，而Python更受行业欢迎，两种语言都有丰富的包支持数据科学工作流。我用两种语言教过数据科学，通常更喜欢Python。
作为初学者，你不需要同时学习Python和R。相反，你应该集中精力学习一种语言及其用于数据科学的包体系。如果你选择了Python（个人建议Python），建议安装Anaconda，它简化了Windows、OSX和Linux上各种包的安装和管理。
你也不需要在成为一个Python专家后才开始步骤2。你该重点掌握以下内容：类型、数据结构、导入、函数、条件语句、比较、循环和推导式。至于其他的一切内容可以等到以后再说！
如果你不确定你是否已经“足够”了解Python，可以浏览我的Python速查手册。如果你对大部分内容都已经熟悉，那么你可以开始步骤2了！
如果你希望能有帮助你学习Python的课程，下面是我推荐的一些内容：
-
通过10个应用快速开始Python是由Michael Kennedy（“与我聊Python”的播客主持人）讲授的一个很好的视频课程。
-
DataCamp和Dataquest都提供简短的Python入门互动课程。
-
Python入门是一门更充实的入门课程，它像一个交互式的教科书。
-
谷歌的Python课堂是对有编程经验的人最好教程，包括讲座视频和可下载的练习。
步骤2：学习用pandas库进行数据分析、数据处理和可视化
如果你要用Python处理数据，你应该学习如何使用pandas库。
pandas提供了一个高性能的数据结构（叫做 “DataFrame”），适用于有不同类型列的表格数据，类似于Excel表格或SQL表。它包含读写数据、处理缺失数据、过滤数据、清理混乱数据、合并数据集、可视化数据等工具。简而言之，学习pandas将大大提高你处理数据的工作效率。
然而，pandas包含了大量的函数，（可以说）提供了太多的方式来完成相同的任务。这使得学习pandas、寻找pandas的最佳实践具有挑战性。
这就是为什么我创建了一个pandas系列视频（30个视频，6小时）从头讲解pandas库。每个视频通过一个真实的发布在网上的数据集回答一个问题，这样你就可以在家跟着学。（同时我也创建了包含所有视频代码的Jupyter notebook。）
如果你更喜欢学习pandas的非视频类资源，这里是我推荐的内容。
步骤3：用scikit-learn进行机器学习
如果你希望用Python进行机器学习，应该学习使用scikit-learn库。
构建“机器学习模型”来预测未来或者自动从数据中提取信息，是数据科学最性感的部分。scikit-learn是Python中最受欢迎的机器学习库，有以下优点：
-
它对大量不同模型提供了一个干净且一致的接口。
-
它为每一个模式提供了许多调节参数，但同时设置了合理的默认值。
-
它的文档超出寻常的好，它不仅帮助你理解模型，还提供正确的使用方法。
然而，机器学习仍然是一个高度复杂且快速发展的领域，scikit-learn库的学习曲线非常陡峭。
步骤4：深度理解机器学习
机器学习是一个很复杂的领域。虽然scikit-learn提供了机器学习的有效工具，但它无法直接回答许多重要问题:
-
怎么知道哪个机器学习模型最适合我的数据集？
-
如何解释模型的结果？
-
如何评价我的模型对未来数据的概括？
-
如何给模型选择特征？
-
等等。
如果你想熟练掌握机器学习，你需要能够回答这些要求经验和进一步研究的问题。这里有一些资源可以帮助你在这条路上走下去：
-
我最重要的建议是阅读An Introduction to Statistical Learning（PDF /亚马逊)。它将帮助你同时从理论和实践上理解回归和分类的许多重要方法，并且不需要高等数学基础。作者还制作了15个小时的高质量视频来作为这本书的补充。
-
如果你需要复习概率论和数理统计，我建议阅读OpenIntro Statistics(PDF /亚马逊)。
-
我制作了一些课程帮助你学习线性回归和逻辑回归——两个最受欢迎的机器学习模型。
-
虽然深入理解各种模型是不可取代的，我制作了一个监督学习模型的对比图，可以作为一个有用的参考指南。
-
我制作了几个指南，帮助你评估模型的质量：混淆矩阵术语的简单指南、理解ROC曲线和AUC、评估步骤和标准的对比。
步骤5：保持学习和练习
我对提高数据科学技能的最好建议是：找到可以激励你实践已经学到的东西、学习更多、然后实践的事情。可以是个人数据科学项目、Kaggle竞赛、在线课程、阅读书籍、阅读博客、参加聚会或会议，或者其他任何事情！
你的数据科学旅程才刚刚开始！数据科学领域有如此多东西需要学习，需要花费一生的时间来精通。记住：你不需要掌握所有的知识才开始你的数据科学职业生涯，你只需要现在就开始！
写在最后
前几天有私信小编要Python的学习资料，小编整理了一些有深度的Python教程和参考资料，从入门到高级的都有，文件已经打包好了，正在学习Python的同学可以下载学习学习。文件下载方式：点击小编头像，关注后私信回复“资料”即可下载。首先把代码撸起来！首先把代码撸起来！首先把代码撸起来！重要的事说三遍，哈哈。“编程是门手艺活”。什么意思？得练啊。
