如何有效的成为一名数据科学家？五个步骤

人们总是问我如何有效地成为数据科学家。我的经验是先成为一名软件工程师，然后阅读与数据科学相关的PhD（在它成为热点之前）。在本文中，基于我在这一领域的经验总结，我给出了成为数据学家的第一步，以帮助那些想要从纯软件工程转向数据科学的人。如果你已经明确想成为一名数据科学家，那么我不建议使用传统的学习方法。当我们独立学习时，我们可以从互联网上找到很多可用的学习材料。事实上，我们可以比阅读PHD更快地进步，因为PHD项目有很多循规蹈矩的事情要花费我们很多精力。本文由五个相关步骤组成。虽然我列出了顺序，但许多步骤可以同时进行。这些步骤一般来自我的第一篇论文，由IngridZukerman和FabianBohnert联合出版。虽然你对数据科学领域的机器学习和数据一无所知，但从解决问题开始是非常重要的。理想化，你可以找到一些你感兴趣的东西，因为它会更有激情。您可以使用一些原始问题，如Kaglecompetition或UCIdatasetsets等.或者你也可以自己收集数据分析，这将更具挑战性。当时我的兴趣点是naturalanguageprocesing和usermodeling.我的导师被授予一批资金对问卷进行情感分析，这也成为了我的研究方向。本课题很快就专注于研究作者与他们表达情感的方式之间的关系，并应用于提高情感分析算法的准确性。为了实现研究目的，我收集了大量IMDB用户的文本数据。难点在于结合这些用户自己的评论来推断他们的等级，假设考虑作者身份的方法比忽略他们的身份背景更有用。无论你选择什么问题，你都会面临跨领域的知识学习，如维基百科全书、教科书和在线课程将类似于机器学习和数据，最好的基础教程。阅读专业论文可以帮助你更好地理解当前的问题，当你面临一个特定的问题时。读PHD是给我宝贵的时间，比如花一个月的时间阅读文献。我读的200多页论文大部分都是关于情感分析的，这让我对这个领域的地方成就有了全面的了解。然而，停止阅读是最有效的方法，并开始解决问题。这也是我认为最好的建议:没有比自己解决困难更有效的学习方法了。现在是时候制定计划并努力实现当选的课题和跨领域学习了。因为我的背景是软件工程师和earlycollaborativefilteringapproachestorecommendersystems的尝试，所以我的计划很大程度上就像LeoBreiman所说的算法模型文化。也就是说，我将更加*开发和处理数据收集过程的建模算法。这种方法更像是由直线思维的软件工程师提出的，而不是数学家或数据学家。这个计划很简单:复制结果，结果显示ratinginference模型是由许多目标群体提供的文本测试的（i.e.,我们用来预测写文本的作者的等级)；outperform模型对客户提供的文本进行了更多样化的测试。根据目标客户提供的文本，通过联合筛选的方法，将许多单作者模型与inferating模型与目标群体共同点进行比较。基于培训和目标客户提供的大量文本，各种类似的实验方法都有各种限制。在结果出来之前，重复这些方法。该计划的原则是：由于不同的人以不同的方式表达情绪，而相似的人以相似的方式表达情绪（e.g.,描述事物的方式因文化背景而异)。最重要的推动因素是Pang和Lee的发现－在同一目标中测试足够文本量的模型是最好的。我当时用来实现这个计划的方式和我今天要做的大不相同。那是2009年，Java的主要模型与Wekapackage相结合，看起来比我以前用的C//好。C 这是显著的改进。在很大程度上，我依靠学校网络来运行实验，写很多代码来处理实验逻辑，包括一些Perl脚本forpost-processing。虽然结果很复杂，但确实很有效，我得到了发表文章的结果。假如我当时做的像今天这样的工作，我会把Python用在一切上。IPyhonNotebook是跟踪实验过程的好方法，以及Pythonpackages，如pandas，scikit-learn,gensim,TextBlob,等等，都是简单成熟的数据科学入门方法。制定出版结果的期限确实很有压力，但它会有两个积极的效果。首先，公布你的实验结果可以给你有价值的反馈。第二，艰难的截止日期可以帮助你设定实际的目标。你可以一直保持收获无数的小进步，但出版截止日期可以迫使你停下来。我的例子是，UMAP2010会议是我的截止日期，会议承诺免费去夏威夷也被称为一个很好的激励因素。但是，如果你没有精力和时间及时发表专业论文，你也应该为自己在博客或论坛上发表一些东西的截止日期；或者导师可以*你的工作报告。持续反馈是进步的主要因素，所以要尽快公布，经常公布。恭喜你！你已经把你的努力公之于众了。接下来该怎么办？你可以继续专注于同一个难题－探索更多的方法，添加更多的数据，改善限制等。你也可以*其他你感兴趣的问题。我的例子是，因为我接下来要学的东西与我第一篇论文的测试结果有关，我不得不再次回到这个话题。结果，我组织了所有的实验材料来支持我的论文（写一篇论文是阅读PHD的首要任务）。假如我可以选择，我就不会这样做了。我将追求如何有效地加强我的论文，比如以客户为主体，使用更实用、更全面、更有效的方法来测试不同的方法，而不仅仅是支持矢量机。因此，我仍在审视核心观点－在情感分析中，应考虑客户的身份背景，这种方法直到今天仍然有效。但我已经采取了自己的方法，并继续这样做。