·
关注 发表在 Towards Data Science · 作为 新闻通讯 发送 · 阅读时间 3 分钟·2023 年 5 月 4 日
--
在掌握数据科学或机器学习的复杂主题时，一般有两个事实是成立的：没有真正的捷径，人们的学习节奏可能差异巨大。尽管存在这些限制，但仍有方法可以使过程更加高效，并在合理的时间内实现我们设定的目标。
本周我们突出的文章提供了数据科学家在学习过程中可以应用的务实方法，无论他们的经验水平或职业阶段如何。如果你在寻找可能适合推文的学习窍门和问题解决技巧，你可能会感到失望（见上文：没有捷径！）。相反，重点在于培养更好的习惯，建立强大的信息收集工作流程，并最大化你已经掌握的知识。
-
职业转换的教训。在担任激光物理学家多年后，Kirill Lepchenkov决定成为一名行业数据科学家，他关于将现有技能集应用于新角色的帖子对考虑从学术界转向工业界的其他人尤其有用。然而，它对技能可转移性的见解同样适用于任何需要弥补重大知识差距以推进职业生涯的数据从业者。
-
建立一个稳固的信息保留系统。在应对长长的算法、公式和 Python 库列表时，数据科学学习者有时会感到像迷失在一片黑暗、难以穿透的森林中（无论是否随机）。Madison Hunter提供了一个实用的六步路线图来组织你的学习笔记——你可以根据具体主题进行调整和定制。
由Kelly Sikkema拍摄，图片来源于Unsplash
-
找到适合你的学习路径。正如在数据科学和机器学习的特定领域内有多种方法一样，你会发现关于从一个主题到下一个主题时应该遵循的正确顺序有无数的主观看法。Cassie Kozyrkov的最新帖子提供了一个引人注目且模块化的选项，基于她丰富的教程和解释文档。
-
有一些指导没有什么不妥。如果你不是那种喜欢自主探险学习的人，而更倾向于从结构化、渐进的方法中受益，Angela Shi的详细机器学习课程是你不容错过的——它将算法分为三类，并提供了明确的优先级建议。
如果本周关于效率的重点已经让你有了一些空闲时间，可以通过阅读我们的其他推荐书单来充实自己：
-
我们最新的月刊已发布！不要错过这篇关于城市空间数据的迷人文章合集。
-
谁不喜欢一个有趣（且有用）的项目演示？Jacob Marks 博士的首篇 TDS 文章详细介绍了如何将他公司繁琐的文档转变为一个可访问和可搜索的数据库。
-
在非科技公司担任数据科学总监一年后，CJ Sullivan分享了关于招聘、预算和跨团队沟通的新见解。
-
如果你上个月无法参加在柏林举行的 PyCon DE，Mary Newhauser的文章将帮助你保持最新，了解一些最有趣和发人深省的讲座。
-
为了扩展你对 Python 生态系统的全球视角，阅读Leah Berg 和 Ray McLendon对美国版 PyCon 的总结，该活动也在四月举行。
感谢你支持我们的作者！如果你喜欢在 TDS 上阅读的文章，考虑成为 Medium 会员——这将解锁我们全部的档案（以及 Medium 上的所有其他帖子）。
直到下一个 Variable，
TDS 编辑部