數(shù)據(jù)科學(xué)該怎么學(xué)？必備技能有哪些？

最近，一份數(shù)據(jù)科學(xué)領(lǐng)域的學(xué)習(xí)寶典在推特上火了，吸引點(diǎn)贊1k+。

之所以能夠引起大家的關(guān)注，是因?yàn)檫@份教程將數(shù)據(jù)科學(xué)廣而雜的知識(shí)內(nèi)容，梳理成了14個(gè)方面及各自要點(diǎn)，同時(shí)解答了許多學(xué)習(xí)中的常見(jiàn)疑問(wèn)。

比如“用什么語(yǔ)言比較好”、“哪些工具最適合”。

這份學(xué)習(xí)寶典的作者為Matt Dancho，他是一個(gè)數(shù)據(jù)科學(xué)學(xué)習(xí)網(wǎng)站的創(chuàng)始人。

那么，具體這份干貨到底講了什么？是否真的如此神奇？

我們一起來(lái)看。

更推薦R語(yǔ)言

進(jìn)入正題之前，我們先來(lái)淺聊一下數(shù)據(jù)科學(xué)（Data Science）。

數(shù)據(jù)科學(xué)是指通過(guò)挖掘數(shù)據(jù)、處理數(shù)據(jù)、分析數(shù)據(jù)，從而得到有用信息的技術(shù)和研究，再將這些信息應(yīng)用到不同領(lǐng)域的各個(gè)方面。

該學(xué)科結(jié)合了諸多領(lǐng)域中的理論和技術(shù)，包括應(yīng)用數(shù)學(xué)、統(tǒng)計(jì)、模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)可視化、數(shù)據(jù)倉(cāng)庫(kù)以及高性能計(jì)算等，覆蓋知識(shí)面非常廣。

作者表示想要掌握這些技能，大概每周要投入10個(gè)小時(shí)來(lái)學(xué)習(xí)。

那么在開(kāi)始真正學(xué)習(xí)之前，先來(lái)看一個(gè)最關(guān)鍵的問(wèn)題——

用什么語(yǔ)言?

在這里，作者認(rèn)為選擇R語(yǔ)言或者Python都可以。

如果從從業(yè)角度出發(fā)，他會(huì)考慮以下三個(gè)因素：

編程語(yǔ)言對(duì)數(shù)據(jù)科學(xué)的影響有多大？就業(yè)市場(chǎng)的需求如何？就業(yè)市場(chǎng)的競(jìng)爭(zhēng)力如何？

第一方面，作者直接將二者進(jìn)行了對(duì)比。

Python非常適合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。但是在市場(chǎng)報(bào)告方面的優(yōu)勢(shì)不大，能用于統(tǒng)計(jì)經(jīng)濟(jì)學(xué)等重要領(lǐng)域的庫(kù)比較少。

R語(yǔ)言在業(yè)務(wù)分析、數(shù)據(jù)科學(xué)方面都擁有完善的工具支持，在深度學(xué)習(xí)方面的應(yīng)用比較弱。

不過(guò)作者認(rèn)為，深度學(xué)習(xí)在數(shù)據(jù)科學(xué)中的應(yīng)用不多，而且在需要深度學(xué)習(xí)或者其他API時(shí)，R語(yǔ)言可以和Python集合。

再?gòu)木蜆I(yè)市場(chǎng)角度來(lái)看。

作者統(tǒng)計(jì)了美國(guó)招聘市場(chǎng)上的數(shù)據(jù)。

結(jié)果顯示，Python方面在招職位的數(shù)量，是R語(yǔ)言的2.4倍。

但是了解、掌握Python的人，也比掌握R語(yǔ)言的更多。

可能達(dá)到4-32倍。

最終作者認(rèn)為，選擇R語(yǔ)言更有優(yōu)勢(shì)。

那么還有一些其他基礎(chǔ)技能呢？

比如推薦使用Excel嗎？

作者認(rèn)為，雖然Excel的使用人群更廣、商務(wù)人士非常喜愛(ài)，但是它在處理機(jī)器學(xué)習(xí)、大數(shù)據(jù)方面都不具有優(yōu)勢(shì)，而且單元格中的函數(shù)也容易報(bào)錯(cuò)。

所以，建議大家慎重使用Excel。

而在選用什么開(kāi)發(fā)工具方面，作者展開(kāi)了一項(xiàng)小調(diào)查。

針對(duì)喜歡使用R語(yǔ)言的人群，RStudio是大家最喜愛(ài)的開(kāi)發(fā)工具。

Python方面，Jupyter、VSCode更受人們歡迎。

在這里作者沒(méi)有給出明確的推薦，大家可以按照喜好選擇。

只需4步，上手?jǐn)?shù)據(jù)科學(xué)

接下來(lái)，就到了正式學(xué)習(xí)的環(huán)節(jié)。

大致可以分為4個(gè)步驟：

掌握基礎(chǔ)技能學(xué)習(xí)建模學(xué)習(xí)時(shí)間序列分析將模型集成到應(yīng)用程序

所需要點(diǎn)亮的技能樹(shù)如下所示：

看到這里，先不要頭皮發(fā)麻……作者給出了一些具體的學(xué)習(xí)tips。

第一，從基礎(chǔ)技能學(xué)起。

可能很多人一上來(lái)就想搞定機(jī)器學(xué)習(xí)，但這可能會(huì)影響學(xué)習(xí)興趣&效率。

作者用R語(yǔ)言進(jìn)行了示范，列舉了一些基礎(chǔ)技能：

導(dǎo)入數(shù)據(jù)：使用數(shù)據(jù)庫(kù)，連接到SQL，readr包, readxl包；轉(zhuǎn)換數(shù)據(jù)：處理異常值、缺失數(shù)據(jù)、重塑數(shù)據(jù)、聚合、過(guò)濾等；可視化數(shù)據(jù)：靜態(tài)/交互式數(shù)據(jù)可視化，ggplot2以及plotly；處理文本數(shù)據(jù)、函數(shù)式編程……

如果以上這些基礎(chǔ)技能都掌握后，接下來(lái)就可以學(xué)習(xí)機(jī)器學(xué)習(xí)了。

在這里，可能有人會(huì)疑惑，不應(yīng)該先學(xué)習(xí)數(shù)學(xué)、統(tǒng)計(jì)和算法嗎？

對(duì)此作者認(rèn)為，如果從頭開(kāi)始學(xué)習(xí)如何編寫算法，可能并不是快速上手?jǐn)?shù)據(jù)分析。

所以，他更推薦從實(shí)戰(zhàn)中學(xué)習(xí)這些技能。

簡(jiǎn)單來(lái)看可以分為三步：

把機(jī)器學(xué)習(xí)應(yīng)用在實(shí)際問(wèn)題上；嘗試使用不同的算法；對(duì)比不同的應(yīng)用結(jié)果。

在這方面需要用到哪些工具呢？

Tidymodels和H2O是作者推薦的兩個(gè)軟件包。

另外，Recipes中具有很多預(yù)處理工具，可以轉(zhuǎn)換數(shù)據(jù)、創(chuàng)建數(shù)據(jù)特征。

接下來(lái)，作者推薦你開(kāi)始學(xué)習(xí)時(shí)間序列分析。

因?yàn)檫@個(gè)技能意味著你可以對(duì)未來(lái)的一些數(shù)據(jù)進(jìn)行預(yù)測(cè)，掌握這項(xiàng)技能也會(huì)使你成為大廠手中炙手可熱的人才。

在這方面，你需要掌握的技能如下：

時(shí)間序列分析：處理日期/日期時(shí)間數(shù)據(jù)、聚合、轉(zhuǎn)換、可視化時(shí)間序列、使用timetk預(yù)測(cè)：ARIMA、指數(shù)平滑、Prophet、機(jī)器學(xué)習(xí)（XGBoost、隨機(jī)森林、GLMnet 等）、深度學(xué)習(xí)（GluonTS）、集成、調(diào)整超參數(shù)、擴(kuò)展預(yù)測(cè)、modeltime包。

進(jìn)行到這一步后，你就可以嘗試去創(chuàng)建一個(gè)模型并投入使用了。

在這里，作者推薦了一個(gè)能夠?qū)⒛Ｐ图傻綉?yīng)用程序中的工具——Shiny。

這個(gè)程序包可以用來(lái)創(chuàng)建交互式Web應(yīng)用程序，代碼可以在本地或服務(wù)器上托管。

One More Thing

看完這份技能樹(shù)后，也有網(wǎng)友提出了疑問(wèn)：

為什么沒(méi)有看到深度學(xué)習(xí)？

作者回復(fù)表示：針對(duì)商業(yè)應(yīng)用，機(jī)器學(xué)習(xí)會(huì)更實(shí)用。

作者表示，有位小哥在他們網(wǎng)站選擇了快速進(jìn)修的課程后，得到了微軟機(jī)器學(xué)習(xí)工程師的offer。

當(dāng)然，這份完整的學(xué)習(xí)計(jì)劃是可以白嫖的（鏈接請(qǐng)見(jiàn)文末）。

對(duì)于這篇分享，你怎么看？

歡迎留言討論~

學(xué)習(xí)清單：https://www.business-science.io/r-cheatsheet