Haben Sie Probleme mit der Datenwissenschaft? 5 häufige Anfängerfehler

Information Science, zunächst mal intestine gemacht.

Sie haben sich für eine der lukrativsten und am schnellsten wachsenden Karrieren im Technologiebereich entschieden.

Aber hier ist die Wahrheit: Die meisten Studenten verschwenden Monate (sogar Jahre) damit, sich mit den falschen Dingen auseinanderzusetzen. Vermeiden Sie diese Fehler, um Ihre Karriere als Datenwissenschaftler voranzutreiben.

Nachdem ich mehr als vier Jahre in diesem Bereich gearbeitet habe, habe ich genau gesehen, was diejenigen, die schnell ihren ersten Job im Bereich Information Science bekommen, von denen unterscheidet, die es nie über endlose Tutorials hinaus schaffen.

In diesem Artikel werde ich die fünf größten Fehler aufschlüsseln, die unerfahrene Datenwissenschaftler zurückhalten, damit Sie sie aktiv vermeiden können.

Grundlegende Mathematik nicht lernen

Mathematik ist bei weitem die wichtigste … und doch auch die am meisten übersehene.

Viele Menschen, sogar Praktiker, denken, dass man die zugrunde liegenden mathematischen Grundlagen der Datenwissenschaft und des maschinellen Lernens nicht kennen muss.

Es ist in der Tat sehr unwahrscheinlich, dass Sie es ausführen Rückausbreitung von Hand, erstellen Sie einen Entscheidungsbaum von Grund auf oder konstruieren Sie ein A/B-Experiment auf der Grundlage erster Prinzipien.

Es ist additionally leicht, dies als selbstverständlich zu betrachten und das Erlernen der Hintergrundtheorie zu vermeiden.

Dies ist jedoch gefährlich und ich empfehle es nicht.

Sicher, Sie können mit ein paar Zeilen PyTorch ein neuronales Netzwerk aufbauen, aber was passiert, wenn es sich seltsam verhält und Sie es debuggen müssen?

Oder was wäre, wenn Sie jemand fragen würde, wie groß das Vorhersageintervall um Ihre Ausgabe aus einem linearen Regressionsmodell ist?

Diese Szenarien kommen häufiger vor, als Sie denken, und die einzige Möglichkeit, sie zu beantworten, besteht darin, ein solides Verständnis der zugrunde liegenden Mathematik zu haben.

Stellen Sie sich Mathematik als das Betriebssystem Ihres Gehirns für die Datenwissenschaft vor. Jedes Modell, jeder Algorithmus, jede Erkenntnis, die Sie gewinnen, läuft darauf ab.

Wenn Ihr Betriebssystem fehlerhaft oder veraltet ist, läuft nichts anderes reibungslos, egal wie ausgefeilt Ihre Instruments sind.

Legen Sie bereits in der Lernphase den Grundstein, damit Sie später in Ihrer Karriere viel schneller vorankommen.

Versuchen, den „besten“ Kurs zu finden

Ich werde oft gefragt:

Was ist der beste Kurs?

Ich liebe euch alle wirklich, aber diese Frage muss verschwinden.

Als absoluter Anfänger ist der beste Kurs der, den Sie auswählen und absolvieren.

In vielen Einführungskursen in Datenwissenschaft, maschinelles Lernen und Python lernen Sie dasselbe.

Möglicherweise finden Sie einen Lehrer oder einen Unterrichtsstil besser als einen anderen, aber im Grunde erwerben Sie ein sehr ähnliches Wissen wie eine andere Particular person, die einen anderen Kurs besucht.

Am Anfang tendieren Sie zum Handeln und zum Loslegen, später können Sie Ihre Richtung anpassen, wenn Sie das Gefühl haben, dass Sie falsch ausgerichtet sind. Hören Sie auf, zu viel nachzudenken.

Als die berühmtes Sprichwort geht:

Der beste Zeitpunkt, einen Baum zu pflanzen, conflict vor 20 Jahren. Die zweitbeste Zeit ist heute.

Jeder Werdegang und Hintergrund sind unterschiedlich und es gibt keinen „einzigen Weg“, in die Datenwissenschaft einzusteigen.

Nehmen Sie additionally jeden Rat (auch meinen) immer mit Vorsicht und passen Sie ihn individuell an. Tun Sie, was sich für Sie richtig und am besten anfühlt.

Kein projektbasiertes Lernen durchführen

Eine weitere häufige Gefahr in diesem Zusammenhang ist die Hölle mit den Tutorials.

Vertrauen Sie mir, das ist kein Ort, an dem Sie sein möchten.

Wenn Sie nicht wissen, was die Tutorial-Hölle ist, hier Blogbeitrag erklärt es sehr intestine:

In der Tutorial-Hölle schreiben Sie Code, den andere Ihnen erklären, wie man ihn schreibt, aber Sie verstehen nicht, wie man ihn selbst schreibt, wenn Sie eine leere Tafel haben. Irgendwann ist es an der Zeit, die Stützräder abzunehmen und selbst etwas aufzubauen

Sie folgen grundsätzlich einem Tutorial nach dem anderen und versuchen nicht, selbst etwas zu bauen.

Um die Konzepte zu erlernen, müssen Sie sie selbstständig in Ihrer Arbeit üben und anwenden. So festigen Sie Ihr Verständnis und das actual Das Lernen ist erledigt.

Stellen Sie sich vor, Sie hätten immer nur eine gebaut XGBoost Modellfolgende On-line-Tutorials.

Wenn Sie dann im Rahmen eines Vorstellungsgesprächs eine Fallstudie zum Mitnehmen erhalten, werden Sie wirklich Schwierigkeiten haben, da Sie noch keine Erfahrung mit der Erstellung von Modellen ohne eine Schritt-für-Schritt-Anleitung haben.

Was ich befürworte, ist „projektbasiertes Lernen“.

Sie möchten gerade genug lernen und dann sofort ein Projekt erstellen.

Vertrauen Sie mir, dieser Ansatz ist exponentiell besser als die Durchführung zahlreicher Tutorials (ich spreche hier aus schmerzhafter Erfahrung!).

Bei Projekten geht Quantität vor Qualität

Auch wenn das Durchführen von Projekten der beste Weg zum Lernen ist, sollten Sie Ihren GitHub nicht mit einer Menge „einfacher“ Projekte übersättigen.

Wenn sich alle Ihre Projekte um einen bereits vorgefertigten Datensatz von Kaggle und die Verwendung von Sci-Package-Learns drehen .match() Und .predict() Methoden ist es wahrscheinlich an der Zeit, etwas härteres auszuprobieren.

Nun, ich habe diese Einsteigerprojekte nicht geplant, da sie eine großartige Möglichkeit sind, sich die Hände schmutzig zu machen.

Irgendwann wird jedoch die Qualität Ihrer Projekte wichtiger sein als die Quantität.

Größere, tiefgreifende Projekte werden diejenigen sein, die Ihnen tatsächlich eine Anstellung verschaffen. Personalvermittler möchten kein weiteres Downside mit Titanic-Datensätzen sehen. Wenn überhaupt, wäre es heutzutage ein Warnsignal.

Einige Ideen zum Ausprobieren:

• Erstellen Sie ML-Algorithmen von Grund auf mit nativem Python.
• Neuimplementierung einer Forschungsarbeit und Versuch, die Ergebnisse der Autoren zu reproduzieren.
• Bauen Sie ein grundlegendes Empfehlungssystem für etwas Persönliches in Ihrem Leben auf.
• Feinabstimmung eines LLM.

Dies ist keineswegs eine erschöpfende Liste, und das beste Projekt ist das, das für Sie persönlich ist, wie ich immer sage.

Direkt zur KI springen

Ich werde ehrlich zu dir sein.

Ich bin ein KI-Hasser.

Nein, ich glaube nicht, dass es Datenwissenschaftler ersetzen wird.

Nein, ich glaube nicht, dass es so intestine ist, wie die Leute denken.

Und ich bin mir absolut sicher, dass ich mir darüber in den nächsten fünf Jahren überhaupt keine Sorgen machen werde.

Die Gründe, warum ich mir keine Sorgen mache, könnten ein ganzes Video füllen, additionally werde ich das für später aufheben. Aber es ist eigentlich schon komisch, wie wenig ich mich darum kümmere.

Wie auch immer, der Grund, warum ich das sage, ist, dass es mich verblüfft, wenn ich sehe, dass Anfänger direkt in das Erlernen von KI und LLMs einsteigen.

Dies ist ein Paradebeispiel für das Shiny-Object-Syndrom.

Konzentrieren Sie sich als Anfänger auf die Grundlagen der Mathematik und Statistik sowie auf altmodische Algorithmen wie Entscheidungsbäume, Regressionsmodelle und Assist-Vektor-Maschinen.

Da sie immergrün sind und lange bestehen bleiben, ist es ratsam, frühzeitig in sie zu investieren.

KI ist immer noch ein unbekanntes Wesen und ob sie in ein paar Jahren genauso beliebt und hilfreich sein wird, ist schwer zu sagen.

Wenn das Thema jetzt beliebt und tatsächlich hilfreich ist, wird es in einem Jahr, in drei Jahren und sogar in einem Jahrzehnt beliebt sein. Machen Sie sich additionally keine Sorgen, Sie haben genügend Zeit, sich mit aktuellen Themen zu beschäftigen.

Erinnern Sie sich daran, was ich vorhin gesagt habe, dass Sie nicht bei allen Projekten eingestellt werden?

Dass längere, ausführlichere Texte den Unterschied ausmachen?

Doch wie sehen diese Projekte eigentlich aus?

Schauen Sie sich meinen vorherigen Artikel an, in dem bestimmte Projekte vorgestellt werden helfen Ihnen, sich von der Masse abzuheben (und welche davon sind reine Zeitverschwendung).

Wir sehen uns dort!