如果你想开始一个数据科学方面的职业,你可以通过避免这9个会使你付出高代价的初学者错误来免去几天,几个星期甚至几个月的挫折。
如果你不仔细,这些错误将会消耗你最宝贵的资源:你的时间、精力和动力。
我们将它们分为三类:
第一组错误是“隐蔽的”,很难发现。没有丝毫的预兆,它们如同温水煮青蛙般耗尽你的时间和精力,并且它们产生的误解围绕这个领域。
1.花费太多时间在理论上
许多初学者陷入了花费太多时间在理论上的陷阱,无论是数学相关(线性代数,统计学等)还是机器学习相关的(算法,派生等)。
这种方法效率低下有三个主要原因:
传统上这种重理论的方法在学术界中传授,但大多数从业者可以从更注重结果的观念中受益。
为了避免这个错误:
2.从头开始编写太多的算法
下一个错误也会导致学生片面重视局部而忽略了整体。一开始你真的不需要从头开始编写每个算法。
虽然为了学习而实现一些这么做很好,但现实是算法正在成为商品。由于成熟的机器学习库和基于云的解决方案,大多数从业者实际上从不从头编写代码。
今天,了解如何在正确的设置(以正确的方式)中应用正确的算法更为重要。
为了避免这个错误:
3.急于深入更高的层次
有些人进入这个领域是因为他们想要构建未来的技术:自驾车,高级机器人,计算机视觉等。 这些技术由深度学习和自然语言处理等技术所驱动。
但是,掌握基本原理很重要。 一口吃不成胖子。每个奥运潜水员都需要先学习如何游泳,那么你也应该如此。
为了避免这个错误:
不要在家里尝试这个(除非你有足够的练习)
下一组错误可能会导致你在求职过程中错过一些很好的机会。 即使你能够胜任,但你可以通过避免这些问题来发挥到最好的效果。
4.简历中有太多的专业术语
许多应聘者在写简历时犯的最大错误就是用专业术语填满了简历。
相反,你的简历应该简洁明了并且你的要点要阐述清晰。你的简历应该主张你能给公司带来的影响,尤其是当你申请初级职位的时候。
为了避免这个错误:
5.高估学位的价值
有时,毕业生会高估他们的教育价值。虽然在相关领域有高等学位肯定会增加你的机会,但这是不够的,也不是最重要的因素。
当然了,我们并不是说毕业生傲慢自大…
在大多数情况下,在学校学习的东西与在企业中应用的机器学习完全不同。处理期限、客户和技术障碍需要在学术界不那么迫切的实际权衡。
为了避免这个错误:
6.搜索内容太狭隘
数据科学是一个相对较新的领域,机构还在不断发展,以适应数据日益增长的影响。如果你只搜索“数据科学家”的空缺,你就会限制自己。
许多职位没有被称为“数据科学”,但它们可以让你以类似的角色发展类似的技能和功能。
为了避免这个错误:
来源: http://www.36dsj.com/archives/89034