硅谷2020最新大数据学习路线：科学使用这一招，12周助你成为数据分析师
來源 | 智領云科技
責編 | Carol
數據科學到底是什么？
?
數據科學是一門將數據變得有用的學科，它包含三個重要概念：統計、機器學習、數據挖掘/分析。《數據科學雜志》曾提出：“所謂的‘數據科學’，指的是那些任何與數據相關的內容”。對此，我表示贊同，現在一切都無法與數據分割。之后，對數據科學的定義便層出不窮，例如Conway的維恩圖，以及Mason和Wiggins的經典觀點。
?
? ? ? ??? ? ?
?
?
那么，我們究竟如何能夠讓數據變得更有用呢？可以通過以下幾個步驟來實現：
?
數據挖掘：如果不知道你要作何決定，最好的辦法就是去尋找靈感。這就是所謂的數據挖掘、數據分析、描述性分析、探索性數據分析或知識發現。
?
數據挖掘的黃金法則是：只對你能看到的做出結論，而不對你看不到的做出結論，因為你需要統計數據和更多的專業知識。數據挖掘的專業知識是通過檢查數據的速度來判斷的，只需學會操作設備及R語言的教程、Python語言的教程等等。當你開始玩得開心時，你可以稱自己為數據分析師，當你能夠以閃電般的速度曝光照片以及所有其他類型的數據集時，你就可以稱為專家分析師。
?
統計推斷：靈感很容易獲取，但嚴謹卻很難做到，如果你想掌握數據，則需要專業課程的學習。想要做好它需要花費不少的時間，如果打算做出高質量且風險可控的決策，由于決策不僅僅依賴所得到的數據，此時則需要在分析團隊中加入統計技能，因為在情況不確定的時候，或許統計學能夠改變你的想法。
?
機器學習：機器學習從本質上來講，是使用示例而非指令來實現操作的，大家可以看一些關于機器學習的文章，包括機器學習與人工智能有何不同、如何入門機器學習、企業運用機器學習的經驗教訓以及向孩子介紹監督學習等。
?
數據工程：數據工程指的是將數據傳遞給數據科學團隊的工作。它本身就是一個復雜的領域，通常而言，它更接近于軟件工程，而不是統計學。獲取數據之前的大部分技術工作都可以被稱為“數據工程”，而獲取到數據后所做的一切都是“數據科學”。
?
決策智能：決策智能是關于決策的，包括基于數據的大規模決策，這使得它變成了一門工程學科。利用社會和管理學科，增強數據科學的應用。決策只能是社會和管理學科的組成部分。換句話說，它是這些數據科學的超集，不涉及為通用用途創建基本方法之類的研究工作。
?
想要在12周內成為數據科學家嗎？成為數據分析師可能是一個不錯的目標
?
許多廣告聲稱可以在12周內使您成為數據科學家，并教您Python編程，Pandas，Matplotlib等python庫和scikit-learn，Tableau，SQL等其他可視化工具。12周后，您將獲得一份可賺取約100,000美元的工作。這現實嗎？取決于您所處的級別。如果已經知道一種編程語言并轉而使用Python從事新的職業，那么如果努力工作是可以實現的。但如果沒有任何編程背景，則很難。
?
合理的時間表：如果想成為數據科學家，則需要至少學習一種編程語言。學習編程語言并不意味著只學習if / else語句和循環，你應該花至少三個月的時間只學習一種語言。?如果不這樣做而立即進入所有的學習庫和數據庫，那么極有可能最終會學無所成。
?
這些只是最低要求：你需要不斷提高自己的編程技能，重要的一件事是統計，至少要學習一些初級的推理統計數據和模型擬合，并學習在Python或R中實現它們。另外，將數據挖掘視為一項重要技能，那里有很多數據，需要進行提取。如果您能花費一兩年時間去學習這些技能，它將會為您的生活增添很多價值。
?
12周到18周的合理時間?：看起來很難在12周內成為一名數據科學家，不過成為數據分析師可能是一個不錯的目標。
?
進一步提高Excel技能，了解一些高級技術，例如數據透視表，Visual Basic等；了解Tableau這樣優質的數據可視化工具，學習SQL ，它比學習編程語言更容易，同時也是就業市場中的一項寶貴技能。
?
發展軟技能?：以上三項技能加在一起可以助您輕松就業。但是我們過于專注于學習工具，卻忘記花一些時間來開發軟技能。沒有一些實際的良好知識，將很難有效地使用這些工具。同時，請閱讀文章、書籍或報紙以保持與時俱進。包括：參加研討會聽取經驗豐富的人的講話，參與Stack Overflow，Stack Exchange和Slack Channels社區，隨時了解就業市場，最新技術并提高軟技能。
?
結論：我的建議是，開始學習免費課程。?甚至根本不需要為學習編程語言付費， Coursera ， edx ， udacity有一些高質量的免費課程。
?
3個必須了解的數據科學面試問題??
? ??
為了不讓自己在同一個地方失敗兩次，也為了讓自己對他人有用，以此文章獻給那些想追隨自己的激情，成為數據科學家的人。數據科學是一個需要不斷提高技能的領域，同時每天都在發展機器學習算法的基本概念。
?
問題1：共線性會對模型有影響嗎？
?
答案:?共線性是指兩個或多個預測變量之間關系密切。下面的圖2顯示了共線變量的例子。變量2嚴格遵循變量1,Pearson相關系數為1。所以很明顯，當這些變量被輸入到機器學習模型中時，它們中的一個會表現得像噪音一樣。
? ? ? ??? ? ?
共線性變量的例子
?
共線性的存在在回歸類型的問題中可能成為問題，因為很難分離出共線性變量對響應的個別影響。或者換句話說，共線性降低了回歸系數估計值的準確性，導致誤差增加。這將最終導致t統計量的下降，因此，在共線性存在的情況下，我們可能無法拒絕原假設。
?
檢測共線性的一個簡單方法是查看預測變量的相關矩陣。這個矩陣的一個元素的絕對值很大，表明了一對高度相關的變量，存在數據共線性的問題。不幸的是，并不是所有的共線性問題都可以通過檢查相關矩陣來發現：即使沒有一對變量具有特別高的相關性，三個或多個變量之間也可能存在共線性。這種情況稱為多重共線性。對于這種情況，評估多重共線性的一個更好的方法是計算方差膨脹因子?(VIF)，而不是檢查相關矩陣。每個變量的VIF可以用公式計算：
?
? ? ? ??? ? ?
方差膨脹因子
?
其中r平方項是變量X對所有其他預測因子的回歸。如果VIF接近或大于1，則存在共線性。當遇到共線性問題時，有兩種可能的解決方案。一種是刪除冗余變量。這可以在不影響回歸擬合的情況下完成。第二種方法是將共線變量合并成單個預測器。
?
問題2：給外行解釋深度神經網絡
?
答案：神經網絡(NN)的概念最初起源于人類大腦，其目的是識別模式。神經網絡是一套通過機器感知、標記和聚類原始輸入數據來解釋感知數據的算法。任何類型的現實世界數據，無論是圖像、文本、聲音甚至時間序列數據，都必須轉換成包含數字的向量空間。
?
深度神經網絡中的深度是指神經網絡由多層構成。這些層是由節點組成的，在節點上進行計算。人腦中的一個類似節點的神經元在遇到足夠的刺激時就會被激活。節點將原始輸入的數據與其系數或權值組合在一起，這些系數或權值根據權值減弱或放大輸入。輸入和權重的乘積在圖3所示的求和節點上求和，然后將其傳遞給激活函數，激活函數決定該信號是否應該在網絡中進一步擴展并影響最終結果。節點層是一排類似神經元的開關，當輸入通過網絡輸入時，這些開關就會打開或關閉。
?
? ? ? ?? ? ?
神經網絡中節點的可視化
?
深度神經網絡不同于早期的神經網絡，如感知器，因為它們是淺層的，只是由輸入層和輸出層以及一個隱含層組成。
?
? ? ? ??? ? ?
深度神經網絡包含多個隱含層
?
問題3：3分鐘簡單闡述一個可以讓你回去解決的數據科學的項目
?
答案：一個典型的數據科學面試過程始于具體的數據分析項目。我做過兩次，取決于項目的復雜度。第一次，我有兩天的時間來解決一個問題，使用機器學習。而第二次，我有兩個星期的時間來解決一個問題。不需要指出的是，當我第二次處理類別不平衡的數據集時，這是一個更加困難的問題。因此，3分鐘的推銷式面試問題可以讓你展示你對手頭問題的把握。請務必從你對問題的解釋開始，你解決問題的簡單方法，你在你的方法中使用了什么類型的機器學習模型，以及為什么這樣做？不要對模型準確性過多的吹噓。
更多閱讀推薦
ZooKeeper的十二連問，你頂得了嘛？
“螞蟻漫步”背后的定位原理思考
可怕！公司部署了一個東西，悄悄盯著你……
全面擁抱云原生應用研發的拐點已經到來
阿里動物園再添新丁，小蠻驢搞定物流最后三公里
總結
以上是生活随笔為你收集整理的硅谷2020最新大数据学习路线：科学使用这一招，12周助你成为数据分析师的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 对话阿里云：开源与自研如何共处？
- 下一篇： 上手 Docker 容器，不应该是个问题