Jestem programistą, jak dostać się do dziedziny Data Science?

Po pierwsze ten termin brzmi tak niejasno.

W każdym razie .. Jestem programistą. Jednym z języków, które mogę kodować, jest Python. Mówiąc o danych, mogę korzystać z SQL i mogę zgrywać dane. To, co do tej pory odkryłem po przeczytaniu tak wielu artykułów, że Data Science jest dobry w:

1- Statystyki

2- Algebra

3- Analiza danych

4- Wizualizacja.

5- Uczenie maszynowe.

Co wiem do tej pory:

1- Programowanie w Pythonie 2- Złomowanie danych w Pythonie

Czy eksperci mogą mnie poprowadzić lub zasugerować mapę drogową, która dopracuje zarówno teorię, jak i praktyczność? Dałem sobie około 8 miesięcy.

Skoncentruj się mniej na zdobywaniu umiejętności, a więcej na zdobywaniu doświadczenia. Spróbuj rozwiązać niektóre problemy i opublikuj swoją pracę na github. Dowiesz się więcej w tym procesie i będziesz w stanie wykazać się wiedzą i doświadczeniem dla pracodawców, co jest o wiele cenniejsze niż pozornie głębokie zrozumienie tematu lub teorii.

Nauka danych jest obecnie dość obciążoną dziedziną, więc nie jestem pewien, jaki rodzaj pracy chcesz konkretnie wykonać, ale zakładając, że uczenie maszynowe jest jej częścią, dobrym pomysłem jest zacząć od kaggle.com. Jeśli chodzi o cele, jeśli jesteś w stanie pracować z danymi w pandach / numpy / scipy, budować modele w sci-kit, uczyć się i robić ładne wykresy w dnie morskim, ggplot, a nawet matplotlib, to nie będziesz miał problemu z uzyskaniem praca z perspektywy umiejętności - szczególnie jeśli masz próbki kodu i przykłady, które pokazują twoje umiejętności. Jeśli utkniesz, wówczas stackexchange będzie miał odpowiedź lub możesz opublikować pytanie, a wkrótce otrzymasz odpowiedź. Kiedy będziesz zarabiał na życie, nauczysz się jeszcze więcej, prawdopodobnie od starszego członka zespołu, który cię mentoruje.

Powodzenia.

Podoba mi się kurs Berkeley na temat Data Science, daje dobre podstawy i smak Data Science, Po przejściu na udacity i coursera i wiele innych zasobów. Więc jeśli masz umiejętności programowania, będziesz potrzebował matematyki i statystyk oraz dużo wizualizacji. Świetnie będzie też przyzwyczaić się do IPython, ponieważ jest to niezbędne, aby zobaczyć każdy krok (wizualizować), jak to działa, zamiast pisać cały skrypt i testować później (anakonda jest łatwa w instalacji i obsłudze). Kurs jest wymieniony poniżej: bcourses.berkeley.edu/courses/1267848/wiki również stat znajduję dobry bezpłatny kurs z SAS: Statystyka 1: Wprowadzenie do ANOVA, Regresja i regresja logistyczna support.sas.com/edu/schedules.html ? ctry = us & id = 1979

Począwszy od ML polecam: www.kaggle.com/c/titanic/details/getting-started-with-python

po lewej stronie znajduje się również Excel korzystający z tabel przestawnych, a R. DataCamp wydał samouczek korzystania z R. Po wykonaniu tych kroków więcej kibiców w zdobywaniu doświadczenia jest w kaggle (niedawno wydana jedna dla San Francisco Crime Classification) i ostatecznie niesamowite samouczki wideo z www.dataschool.io

mam nadzieję, że to pomoże ...

Nie zgadzaj się z Davidem, prawdziwy naukowiec danych jest statystycznym stosowanym, który koduje i wie, jak korzystać z algorytmów uczenia maszynowego z właściwych powodów. Statystyka jest podstawą wszystkich analiz danych. Jest to „ciasto” per se. Cała reszta to tylko lukier.

Pytanie brzmi: jakim naukowcem chcesz być? Czy chcesz być mistrzem przedmiotu (wiedza o tym, jak, dlaczego, kiedy i kiedy nie należy stosować algorytmu lub techniki) lub Kaggle Script Kiddie używający Scipy'ego i myślący, że jest naukowcem danych?

1 - Statystyki

2- Wszystko inne

Jeśli chcesz być praktycznym człowiekiem z prawdziwą wiedzą, zacznij od matematyki (rachunek różniczkowy, prawdopodobieństwo + stat, algebra liniowa). Na każdym kroku spróbuj zaimplementować wszystko za pomocą programowania, python jest do tego miły. Kiedy zdobędziesz dobry grunt, baw się prawdziwymi danymi i rozwiązuj problemy

Kursy Algebra liniowa - edx Laff lub kodowanie macierzy Stat - edx stat 2x Rachunek Barkleya - czytaj ... to proste

David ma rację. Sugeruję, abyś skupił się na tym, co napędza twoje zainteresowanie. To jedyny sposób na sukces przy każdym wysiłku. Jeśli chcesz zbudować coś fajnego, zacznij od tego. Jeśli chcesz przeczytać książkę, która też jest dobra. Punkt początkowy nie ma znaczenia. Za kilka dni będziesz lepiej rozumieć, co chcesz i co powinieneś zrobić dalej.

Analiza danych jest tak szeroka, że ​​istnieje wiele różnych ścieżek, aby się do niej dostać. Zwykle dzieli się na 4 lub 5 różnych typów, na przykład:

Z innych postów w tym temacie można było zobaczyć osoby wywodzące się z tła statystyki stosowanej (zastosowanie odpowiedniego algorytmu), tła programowania (uczestnictwo w Kaggle) i innych osób stosujących go w środowisku biznesowym

Doświadczone firmy mogą nazywać osobę wypaczoną programistą „inżynierem danych”. Duże firmy również używają każdego typu w swoim zespole danych, więc dobrze byłoby wykazać się umiejętnościami w kształcie litery T.

Jeśli jesteś programistą, możesz zacząć od klasyfikatora drzewa decyzyjnego, skupić się na zrozumieniu matematyki Entropy i zdobywania informacji. Ważne jest, aby zrozumieć, że w ML chodzi tylko o kompresję danych.

Bardzo nie zgadzam się z niektórymi innymi odpowiedziami na temat wartości kursów praktycznych. Najbardziej wartościowa dla ML jest matematyka: teoria liczb, algebra liniowa i teoria prawdopodobieństwa.

Jeśli nie skupiasz się na matematyce, jedyne, czego się nauczysz, to jak korzystać z biblioteki do robienia magii, to nie jest uczenie maszynowe ani nauka.