弗兰克·麦肯纳在 Unsplash 上拍摄的照片
数据科学就像城市中闪亮的新物体，人们很容易被吸引。但是在你开始旅程后不久，你会感到不知所措，筋疲力尽，有时你会感到不知所措，不知道该往哪个方向走。你学习的算法、编程基础和库越多，你对自己的能力就越没有信心。在数据科学中，冒名顶替综合症可能是慢性的。
以下是我反击的 3 条建议。
数据科学不是单一主题的单一课程，而是一个真正的多学科领域。你遇到的事情清单可能是铺天盖地的，它们遍布许多不同的领域。一些例子:
概率和统计:集中趋势，数据分布，假设检验…..
编程基础 : Python、SQL……..
基础数据科学库 : Numpy，Pandas，Seaborn，Matplolib…..
机器学习基础:特征工程、偏差-方差权衡、交叉验证……
回归算法:线性、套索、脊形、SVR…
分类算法:逻辑回归、随机森林、boosting 技术……
聚类算法 : K-means，hierarchical，DBSCAN…
深度学习 : CNN，RNN，Tensorflow，Keras，py torch……
预测技术:ARIMA、VAR、LSTM…
工程设计:产品部署、漂移监控、再培训算法……
**应用领域:**计算机视觉，自然语言处理，决策科学…
主题专业化:客户分析、金融科技、推荐系统……
这个清单还在继续！
问题是——一个人怎么可能通过自学或训练营在一两年内成为所有这些领域的专家？事实并非如此，这就是为什么冒名顶替在数据科学中是真实存在的。越学越觉得自己什么都不懂；你永远不会觉得自己已经准备好带着一份新工作进入新的篇章。
事实是你永远不会知道这一切，这是一种幻觉。
所以我的建议是。找到你的定位。开始专攻你感兴趣的东西。选择哪个应用领域最让你兴奋；哪些算法你最得心应手？你想进入 NLP 领域吗？还是对决策科学感兴趣？
我所说的专业化，并不是指你应该放弃其他一切，只专注于一件事。相反，我是说你应该把 80%的时间花在你擅长的领域上。剩下的 20%敞开大门，学习你也感兴趣的其他领域。
教学意味着两次学习——毫不夸张地说。第一次是在为教学做研究的时候学的，第二次是在实际教学的时候学的。
我所说的教学并不是指传统的课堂教学；如今，教学可以采取多种不同的形式。可以说最简单的是写一篇博客或一篇文章。如果你写一篇关于你刚刚学到的主题的文章——一个算法，一个编程概念，或者一个可视化技术——自然你必须对这个主题做进一步的研究。通过向他人解释这个话题，你会更新自己对这个话题的理解。
这年头写作平台很多，看完这篇文章就可以开始了。如果你觉得自己还没有准备好在一个大平台上发表文章，你总是可以从一个较小的渠道甚至个人博客开始。但是我强烈建议你让世界看到你写的任何东西，所以在任何公共平台上发布你的第一个博客。它迫使你发挥出最好的自己，并通过评论、掌声和读者群获得即时反馈作为回报。
但是写作对许多人来说并不是天生的。
有些人只是擅长口头解释事情。那也很好。创建一个 YouTube 频道，与世界分享你的知识。一开始不要在意收视率，因为那不是你所追求的；你的主要目标是通过教学来提高自己的学习水平。把收视率当成一个副产品。
最后一条建议是——找一个社区。
传统学校教育有许多优点。你有你的老师、同学、同龄人和朋友，你每天都与他们互动——我们认为所有这些有价值的互动都是理所当然的。你偶尔也会去外地参加会议、研讨会和讨论会——大型社交活动，结识陌生人，结交新朋友。事实上，有一整套系统和基础设施为您提供支持。
但如果你在自学，在训练营学习，或者参加 MOOC，你会觉得自己像一个孤独的灵魂，独自留在沙漠中。没有人可以分享你的想法、感受和疲惫。
总之，找到你的社区。也许是一个当地的聚会团体，在那里你可以找到有相似兴趣的人。亲自和他们出去玩。如果由于 COVID 的限制而无法访问，请在网上找到这些社区，加入每周/每月的聚会，并通过社交媒体平台保持联系。
数据科学是一个令人兴奋的领域。但也让人应接不暇。事情会变得很快。你今天学习的工具明天可能不再有用。所以把数据科学当成一次旅程，而不是目的地。准备好成为一个终身学习者。
学习的时候，通过你觉得舒服的任何媒体与世界分享你的知识。
最后，找到你的朋友，享受乐趣，互相帮助！