Моя история науки о данных!
Лучшая фраза, которую я прочитал: «Авторитет - это не правда; правда - единственный авторитет ». Я живу по этой линии. К счастью, не существует универсального авторитета в области искусственного интеллекта, который является лучшим в искусственном интеллекте. Это относительно новая область, и у каждого свой опыт. Вот моя история и мои мысли об изучении науки о данных. Выберите то, что вам нравится, и оставьте то, что вам не нравится.
Единственное необходимое условие для того, чтобы стать специалистом по анализу данных, - это то, что вы должны любить математику. Любовь не обязательно означает знание или опыт, это просто означает принятие с открытым умом. Я получил степень магистра прикладной математики, но все же начал изучать математику с нуля, единственное, что мне помогло, - это любовь к математике. Так что не имеет значения, если у вас нет диплома по математике, как у меня, несмотря на то, что у вас есть ученая степень, пришлось почти все заново учить.
Четыре наиболее важные темы, которые вы должны изучить перед началом любого курса по науке о данных, - это вероятность, математическая статистика, линейная алгебра и дифференциальное исчисление. Следующим шагом будет изучение линейной регрессии и логистической регрессии. Эти два алгоритма лежат в основе практически всего в науке о данных. Теперь вы готовы изучать настоящую науку о данных.
Интернет полон помощи. Это на самом деле ошеломляюще, и иногда вы теряетесь и получаете отовсюду кусочки информации. Сначала вы должны сосредоточиться на одном или двух источниках, а затем, когда вы приобретете некоторый опыт, вы можете начать искать что-то в другом месте. Я многому научился в Initial ML от Superdatascience (Кирилл и Хаделин). Раньше я много работал с R, постепенно переходя к глубокому обучению, я обнаружил, что Python более полезен. Я много изучил Python в Школе данных (Кевин Маркхэм). R и python одинаково хороши, но рынок тяготеет к Python, поэтому, если вы нейтральны, я предлагаю перейти с Python.
По мере того, как вы приобретете некоторый опыт, вам также следует выбрать подразделение, которое вас больше всего интересует. Вы не можете научиться всему, так как жизнь меньше, чтобы овладеть наукой о данных. Для меня это глубокое обучение и вероятностное программирование (байесовское мышление).
Я начал серьезную науку о данных в 2014 году. У меня был 10-летний опыт работы в 2014 году, и переход был легким для меня, поскольку я привык работать в бизнес-аналитике, которая ближе всего к науке о данных. В сентябре 2017 года я уволился с работы и начал работать внештатным специалистом по данным. Я установил хорошие отношения в своей профессиональной сети, поэтому получил несколько проектов в качестве фрилансера; это был риск, на который я был готов. Если вы не можете позволить себе рисковать, вам следует участвовать в волонтерских проектах по изучению науки о данных в реальном времени.
У каждого из нас есть своя индивидуальная сила, нет смысла следовать за кем-то, скорее мы должны сосредоточиться на том, что у нас хорошо получается, и планировать соответственно. Для меня меньшее обучение творит чудеса. Я никогда не ставил цели. У меня есть видение создания самосознательной машины. Я знаю, что у меня не получится создать сознательную машину, но это видение дало мне направление. Цели привязаны ко времени, видение - нет. Обучение с ограничением по времени не работает для меня, но может сработать для вас. Наконец, ключом к изучению науки о данных является понимание того, что на это потребуется время. Здесь нет быстрого обучения. День, когда вы признаете, что ничего не знаете, будет днем, с которого вы начнете свое путешествие. 😊 Продолжайте учиться, продолжайте расти!
Ура .. Ритеш
