點擊鏈接加入群【我愛python大神】：https://jq.qq.com/
如果你對精彩的數(shù)據(jù)科學世界感興趣弄息，但不知道如何開始胞皱，那就讓數(shù)據(jù)學校來幫助你吧。如果你對精彩的數(shù)據(jù)科學世界感興趣牵囤，但不知道如何開始硬爆，那就從這篇文章開始吧欣舵。
步驟0：找出你需要學習的內容；
步驟1：熟悉Python缀磕；
步驟2：學習用pandas庫進行數(shù)據(jù)分析缘圈、數(shù)據(jù)處理和可視化；
步驟3：用scikit-learn進行機器學習袜蚕；
步驟4：深度理解機器學習糟把；
步驟5：保持學習和練習；
福利：免費加入數(shù)據(jù)學校
點擊鏈接加入群【我愛python大神】：https://jq.qq.com/
步驟：找出你需要學習的內容
數(shù)據(jù)科學是一個勢不可擋的領域牲剃。很多人會告訴你遣疯，你要掌握以下內容才能成為一名數(shù)據(jù)科學家：統(tǒng)計、線性代數(shù)凿傅、微積分缠犀、編程、數(shù)據(jù)庫聪舒、分布式計算辨液、機器學習、可視化过椎、實驗設計室梅、聚類、深度學習疚宇、自然語言處理等等亡鼠。這根本不是事實。
那么敷待，究竟什么是數(shù)據(jù)科學呢间涵？它是一個先提出有趣問題，然后用數(shù)據(jù)回答這些問題的過程榜揖。一般來說勾哩，數(shù)據(jù)科學工作流程如下所示：
提出一個問題
收集有助于解決這個問題的數(shù)據(jù)
清理數(shù)據(jù)
探索、分析举哟，并可視化數(shù)據(jù)
構建機器學習模型思劳，并評價該模型
說明結果
這個流程不一定需要高級數(shù)學、精通深度學習妨猩，或上面列出的許多其他技能潜叛。但它確實要求編程語言知識和運用編程語言處理數(shù)據(jù)的能力。此外，雖然真正擅長數(shù)據(jù)科學需要精通數(shù)學威兜，但你只需對數(shù)學有基本了解就可以開始了销斟。
誠然，上面列出的其他專業(yè)技能可能在某一天幫你解決數(shù)據(jù)科學問題椒舵，然而蚂踊，你不需要掌握所有這些技能才開始你的數(shù)據(jù)科學生涯。你今天就可以開始了笔宿，有我在這里幫你犁钟！
步驟1：熟悉Python
對數(shù)據(jù)科學，Python和R都是不錯的編程語言選擇泼橘。R在學術界往往更受歡迎特纤，而Python更受行業(yè)歡迎，兩種語言都有豐富的包支持數(shù)據(jù)科學工作流侥加。我用兩種語言教過數(shù)據(jù)科學捧存，通常更喜歡Python。
作為初學者担败，你不需要同時學習Python和R昔穴。相反，你應該集中精力學習一種語言及其用于數(shù)據(jù)科學的包體系提前。如果你選擇了Python（個人建議Python）吗货，建議安裝Anaconda，它簡化了Windows狈网、OSX和Linux上各種包的安裝和管理宙搬。
你也不需要在成為一個Python專家后才開始步驟2。你該重點掌握以下內容：類型拓哺、數(shù)據(jù)結構勇垛、導入、函數(shù)士鸥、條件語句闲孤、比較、循環(huán)和推導式烤礁。至于其他的一切內容可以等到以后再說讼积！
如果你不確定你是否已經“足夠”了解Python，可以瀏覽我的Python速查手冊脚仔。如果你對大部分內容都已經熟悉勤众，那么你可以開始步驟2了！
如果你希望能有幫助你學習Python的課程鲤脏，下面是我推薦的一些內容：
通過10個應用快速開始Python是由Michael Kennedy（“與我聊Python”的播客主持人）講授的一個很好的視頻課程们颜。
DataCamp和Dataquest都提供簡短的Python入門互動課程。
Python入門是一門更充實的入門課程，它像一個交互式的教科書掌桩。
谷歌的Python課堂是對有編程經驗的人最好教程，包括講座視頻和可下載的練習姑食。
步驟2：學習用pandas庫進行數(shù)據(jù)分析波岛、數(shù)據(jù)處理和可視化
如果你要用Python處理數(shù)據(jù)，你應該學習如何使用pandas庫音半。
pandas提供了一個高性能的數(shù)據(jù)結構（叫做 “DataFrame”）则拷，適用于有不同類型列的表格數(shù)據(jù)，類似于Excel表格或SQL表曹鸠。它包含讀寫數(shù)據(jù)煌茬、處理缺失數(shù)據(jù)、過濾數(shù)據(jù)彻桃、清理混亂數(shù)據(jù)坛善、合并數(shù)據(jù)集、可視化數(shù)據(jù)等工具邻眷。簡而言之眠屎，學習pandas將大大提高你處理數(shù)據(jù)的工作效率。
然而肆饶，pandas包含了大量的函數(shù)改衩，（可以說）提供了太多的方式來完成相同的任務。這使得學習pandas驯镊、尋找pandas的最佳實踐具有挑戰(zhàn)性葫督。
這就是為什么我創(chuàng)建了一個pandas系列視頻（30個視頻，6小時）從頭講解pandas庫板惑。每個視頻通過一個真實的發(fā)布在網上的數(shù)據(jù)集回答一個問題橄镜，這樣你就可以在家跟著學。（同時我也創(chuàng)建了包含所有視頻代碼的Jupyter notebook冯乘。）
如果你更喜歡學習pandas的非視頻類資源蛉鹿，這里是我推薦的內容。
步驟3：用scikit-learn進行機器學習
如果你希望用Python進行機器學習往湿，應該學習使用scikit-learn庫妖异。
構建“機器學習模型”來預測未來或者自動從數(shù)據(jù)中提取信息，是數(shù)據(jù)科學最性感的部分领追。scikit-learn是Python中最受歡迎的機器學習庫他膳，有以下優(yōu)點：
它對大量不同模型提供了一個干凈且一致的接口。
它為每一個模式提供了許多調節(jié)參數(shù)绒窑，但同時設置了合理的默認值棕孙。
它的文檔超出尋常的好，它不僅幫助你理解模型，還提供正確的使用方法蟀俊。
然而钦铺，機器學習仍然是一個高度復雜且快速發(fā)展的領域，scikit-learn庫的學習曲線非常陡峭肢预。這就是為什么我創(chuàng)建了一個scikit-learn系列視頻 （9個視頻矛洞，4小時），幫助你徹底掌握機器學習原理和scikit-learn工作流烫映。這個系列沒有假定你熟悉機器學習或高等數(shù)學沼本。(你可以在GitHub上找到所有的代碼)。
如果你更想要scikit-learn的非視頻類資源锭沟，我推薦用Python機器學習（Amazon/GitHub）或者用Python機器學習導論（Amazon/GitHub）抽兆。
步驟4：深度理解機器學習
機器學習是一個很復雜的領域。雖然scikit-learn提供了機器學習的有效工具族淮，但它無法直接回答許多重要問題:
怎么知道哪個機器學習模型最適合我的數(shù)據(jù)集辫红？
如何解釋模型的結果？
如何評價我的模型對未來數(shù)據(jù)的概括祝辣？
如何給模型選擇特征厉熟？
等等。
如果你想熟練掌握機器學習较幌，你需要能夠回答這些要求經驗和進一步研究的問題揍瑟。這里有一些資源可以幫助你在這條路上走下去：
我最重要的建議是閱讀An Introduction to Statistical Learning（PDF /亞馬遜)。它將幫助你同時從理論和實踐上理解回歸和分類的許多重要方法乍炉，并且不需要高等數(shù)學基礎绢片。作者還制作了15個小時的高質量視頻來作為這本書的補充。
如果你需要復習概率論和數(shù)理統(tǒng)計岛琼，我建議閱讀OpenIntro Statistics(PDF /亞馬遜)底循。
我制作了一些課程幫助你學習線性回歸和邏輯回歸——兩個最受歡迎的機器學習模型。
雖然深入理解各種模型是不可取代的槐瑞，我制作了一個監(jiān)督學習模型的對比圖熙涤，可以作為一個有用的參考指南。
我制作了幾個指南困檩，幫助你評估模型的質量：混淆矩陣術語的簡單指南祠挫、理解ROC曲線和AUC、評估步驟和標準的對比悼沿。
步驟5：保持學習和練習
我對提高數(shù)據(jù)科學技能的最好建議是：找到可以激勵你實踐已經學到的東西等舔、學習更多、然后實踐的事情糟趾』胖玻可以是個人數(shù)據(jù)科學項目甚牲、Kaggle競賽、在線課程蝶柿、閱讀書籍丈钙、閱讀博客、參加聚會或會議交汤，或者其他任何事情雏赦！
Kaggle競賽是一個很好實踐數(shù)據(jù)科學的方式，不需要提出自己的問題蜻展。不要擔心你的名次，只需關注在每一個競賽中學習新東西邀摆。（記住纵顾，這個過程中你不會練習數(shù)據(jù)科學工作流中一些重要部分：提出問題、收集數(shù)據(jù)和說明結果栋盹。）
如果是創(chuàng)建自己的數(shù)據(jù)科學項目施逾，你應該在GitHub或博客上分享。這將有助于告訴其他人例获，你知道怎么做可重復性數(shù)據(jù)科學汉额。（如果你不知道如何使用Git和GitHub，我有一個短視頻系列榨汤，可以幫助你掌握基本方法)蠕搜。
雖然有大量的數(shù)據(jù)科學博客，但DataTau可幫助你找到最新和最好的內容收壕。建議關注36大數(shù)據(jù)Python專區(qū)妓灌，查看更多教程。
如果你喜歡電子郵件蜜宪，我最喜歡的是Data Elixir虫埂、Data Science Weekly和 Python Weekly。
如果你想體驗真正的Python社區(qū)圃验，我強烈推薦參加PyCon US掉伏。（也會在各地舉辦小型的PyCon會議。）作為一個數(shù)據(jù)科學家澳窑，你還應該考慮參加SciPy 和最近的PyData 會議斧散。
你的數(shù)據(jù)科學旅程才剛剛開始！數(shù)據(jù)科學領域有如此多東西需要學習摊聋，需要花費一生的時間來精通颅湘。記住：你不需要掌握所有的知識才開始你的數(shù)據(jù)科學職業(yè)生涯栗精，你只需要現(xiàn)在就開始闯参！
原文地址：How to launch your data science career (with Python)
End.
python學習交流QQ群：304050799
