数据科学初学者九种常见错误

摘录：公众号-全球人工智能 2017-07-03 推送文章

学习数据科学时的错误

重视局部，忽略整体

1. 花费太多时间在理论上
   数据科学是应用领域，巩固技能的最好办法是实践
   You should：
   平衡你的研究与项目实践
   学会适应局部知识，当你进步时，自然会填补空白
   了解每一部分如何适应大局

2. 从头开始编写太多的算法
   算法正在成为一种商品，直接使用成熟的机器学习库及基于云的解决方案
   更重要： 了解如何在正确的设置中应用正确的算法
   You should：
   使用通用的机器学习库，如Python scikit-learn
   除非是为了学习而不是完善你的实现，你才从头开始编写一个算法
   理解现代机器学习算法的环境及其优缺点

3. 急于深入更高的层次
   掌握基本原理很重要
   You should：
   首先掌握“经典”机器学习技术及算法，以此作为高级课题的基石
   发现、使用富有成效的方法
   学习一套系统的方法来解决任何形式的机器学习问题

求职时的错误

1. 简历中太多专业术语
   简介明了，要点阐述清晰，展现你能给公司带来的影响
   You should：
   不要简单列出你所使用的编程语言或库，描述你如何使用它们并解释结果
   少即是多：考虑强调最重要的技能，并突出它们
   制作一个简历主模板，可以根据不同职位定制不同版本，并保持整洁
2. 高估学位的价值
   很可能，学校学习的东西与企业中应用的机器学习完全不同
   You should：
   用真实数据集做项目实践
   参加相关实习
   学会使用机器学习的系统 方法
   向一流数据科学家学习
3. 搜索内容太狭隘
   许多职位没有被称为“数据科学”，但它们需要类似的技能
   You should：
   按所需技能搜索：机器学习、数据可视化、SQL等
   按工作职责搜索：预测建模、A/B测试、数据分析等
   按所需技术搜索：Python、R、Scikit Learn、TensorFlow等
   按职位名称扩展搜索范围：数据分析师、定量分析师、机器学习工程师等

面试时的错误

1. 没有事先做讨论项目的准备
   回答“你会如何”这类面试问题，以此作为主要的安全保障
   面试官会关注你独立自主的能力，因为数据科学的职位包含项目管理的要素，因此你要理解整个数据科学的工作流程，了解如何将所有内容整理在一起
   You should：
   完整的端到端项目，实践每一个主要步骤
   组织你自己的一套方法，数据科学是深思熟虑、严谨、充满逻辑性的
   回顾和实践过去的实习、工作或课程中所做的项目
2. 低估领域知识的价值
   技术技能和机器学习知识是获得数据科学职位的基本前提
   要真正脱颖而出，你应该更多地了解你将运用技能的具体行业知识
   数据科学永远不会存在于真空中
3. 忽视沟通的技巧
   数据科学团队比较小，数据科学家倾向于在更多跨功能的环境中工作
   注重你和不同技术背景和数学背景的同事交流的能力
   You should：
   向非技术受众讲解技术概念，锻炼相关能力
   为常见面试问题准备要点，并练习回答问题
   实践分析各种数据集，提取关键见解，并展示你的发现