内容
资料来源：Bplanet / iStockphoto
带走：
数据科学是技术领域最热门的领域之一，但是您如何进入该领域呢？以下是一些您可以自己学习的基础知识。
该帖子包含会员链接
数据科学是一门复杂的学科，可识别从大量结构化和非结构化数据中提取的重要信息。该知识领域中最难的部分可能是学习如何理解所有这些数据，并将大量分散的信息转化为有意义的，可行的见解。一位称职的数据分析师知道如何找出那些使组织能够制定有效策略，发现新机会并增强营销力度的模式。
数据科学领域的工作是目前薪资最高的工作之一，即使是最大的公司也总是在寻找数据科学家。真的有可能自学数据科学吗？您可以从基本的IT技能转变为成为高级分析师吗？答案是肯定的，前提是您选择了正确的课程并进行了尽职调查。在这里，我们将向您介绍如何成为一名自学成才的数据科学家所必须学习的最重要的数据科学概念，所有这些都可以从自己舒适的家中学习。您可以通过Coursera参加所有这些课程，每门不到100美元。 （要了解有关数据科学家工作的更多信息，请参阅“职位角色：数据科学家”。）
简单明了，第一要务。除非您了解数据科学的真正含义，否则您将无法成为数据科学家，而应该向您提供有关该学科概述的入门课程。核心概念包括为什么以及如何数据科学对业务如此重要以及如何应用数据科学。您必须能够理解什么是回归分析，以及挖掘数据集的过程如何工作，以及每天将要使用哪些工具和算法来掌握该学科。
最好的课程是那些同样侧重于方法论的课程，因此您可以确保将要收集的数据以相关方式用于动手解决问题。基础知识应包括理解如何正确处理它以解决最常见的问题，以及在构建和部署模型后如何理解反馈。
通过应用程序教您统计学的入门课程是开始学习数据科学的最佳场所，而Python编程则是理解该领域所需的最基本技能。在处理数据之前，您需要了解如何以其最原始的形式提取数据，Python是操作和完善数据的最基本工具。
您需要学习的第一门课程应该教给您理解CSV文件并通过复杂的数据结构寻找方法所需的Python编程环境的基础。核心概念包括理解t检验，采样和分布，如何查询Pandas DataFrame结构以及如何提取，清理和处理表格数据。
没有错误，没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
当没有人关心软件质量时，您就无法提高编程技能。
绝大多数数据都来自数据库，并且至少有一部分以结构化形式存在。 SQL代表“结构化查询语言”，它是与数据库“对话”的最强大的语言，以便理解它们，探索每个细节，并提取出解决当前问题所需的所有有意义的数据。知道如何使用SQL，在云中创建数据库实例，运行SQL查询以及从Jupyter笔记本访问数据库和现实数据集是任何数据科学家必备的技能。
统计学中一定程度的知识是数据科学中的必要条件。尽管统计是一个非常广阔的领域，但数据分析人员至少需要掌握统计和概率论中的某些概念才能为企业和组织提供实用的见解。 （有关数据科学的更多信息，请参阅学习数据科学的12个关键技巧。）
您需要通过学习核心概念（例如分布，假设检验和回归）以及基本贝叶斯概率理论，将理论与实践结合起来。实际上，大多数机器学习模块都是基于贝叶斯概率模型构建的。贝叶斯方法是一种直观的方法，它从概率转移到数据分析，并可以更好地解决不确定性问题，并提供可用于实践的假设陈述。
要掌握数据科学，您需要学习如何使用算法技术解决各种计算问题。算法用于通过有效的数据结构来操纵数据。您需要学习如何以不同的编程语言实现这些结构，对它们的期望以及如何将大问题分解为更细粒度的部分。设计高效算法必须学习许多策略，例如如何保持二叉树平衡，如何调整动态数组的大小以及如何递归解决问题。
机器学习是一门科学，可以使计算机在编程运行的脚本的边界之外进行操作。这是一门普及的科学，在现实世界中有很多应用，数据挖掘就是其中之一。但是要进行机器学习，您需要具备上述所有技能。机器学习算法需要使用Python进行编程，而统计方法是“教”机器如何变得更智能的最有效方法。
机器学习的整个领域极为广阔，包括各种子主题，例如有监督和无监督学习，模型评估和深度学习。尽管您不一定需要像学习如何编程最先进的神经网络那样深入研究，但是您对机器学习在数据科学中的许多应用了解得越多，就越好。
结论
无论您是正在寻找拓宽视野的新方法的大学生，还是想要提高其履历的专业人士，都没有关系。您需要学习这些关键的数据科学概念，才能在行业中获得竞争优势。