数据科学错误可能会毁掉你的学习路径，以及如何避免它们
原文：
towardsdatascience.com/struggling-with-data-science-5-common-beginner-mistakes/
你选择了科技领域中最有利可图且增长最快的职业之一。
但事实是：大多数学生浪费了几个月（甚至几年）在错误的事情上空转。避免这些错误，以快速推进你的数据科学职业生涯。
在这个领域工作了 4+年后，我看到了那些快速找到第一份数据科学工作的人和那些永远无法通过无穷无尽的教程的人之间的区别。
在这篇文章中，我将分解阻碍初学数据科学家前进的五大错误，以便你可以积极避免它们。
没有学习基础数学
数学无疑是最重要的……然而也是被忽视最多的。
许多人，甚至从业者，认为你不需要知道数据科学和机器学习背后的底层数学。
你确实不太可能手动执行反向传播，从头开始构建决策树，或者从原理出发构建 A/B 实验。
因此，很容易就认为这是理所当然的，并避免学习任何背景理论。
然而，这是危险的，我不推荐这样做。
当然，你可以用几行 PyTorch 代码构建一个神经网络，但当你需要调试它时，它出现了奇怪的行为怎么办？
或者，如果有人问你线性回归模型输出的预测区间是什么？
这些场景比你想的更常见，而你唯一能够回答这些问题的方法就是牢固掌握基础数学。
将数学视为你大脑中数据科学的操作系统。每一个模型、每一个算法、每一个你产生的洞察都运行在其上。
如果你的操作系统有缺陷或过时，无论你的工具多么花哨，其他东西都无法顺利运行。
在学习阶段打下基础，这将使你在职业生涯的后期能够更快地前进。
试图找到“最好的”课程
我经常被问到：
最好的课程是什么？
我真的非常爱你们所有人，但这个问题需要消失。
作为一名完全的初学者，最好的课程是你选择的并完成的课程。
数据科学、机器学习和 Python 的许多入门课程都会教授你相同的内容。
你可能会发现某个老师或教学方法比另一个更好，但本质上，你将获得与另一个学习其他课程的人非常相似的知识。
在一开始就偏向行动和开始行动，如果你觉得你偏离了方向，你可以稍后调整你的方向。停止过度思考。
正如著名谚语所说：
种树最好的时间是 20 年前，其次是今天。
每个人的旅程和背景都不同，没有“一种方式”可以进入数据科学领域。
因此，无论别人的建议（甚至包括我的）如何，都要带着一点盐分，并根据自己的情况进行调整。做你觉得正确和最好的事情。
不进行基于项目的学习
在这个主题下，另一个常见的陷阱是教程地狱。
相信我，你不想身处那样的地方。
如果你不知道什么是教程地狱，这篇博客文章解释得非常好：
教程地狱是你编写代码，别人在教你如何编写代码，但当你面对一张白纸时，你却不知道如何自己编写代码。在某个时候，是时候去掉训练轮子，自己动手做一些东西了。
你基本上是在一个教程接一个教程地跟随，而没有尝试自己构建任何东西。
要学习概念，你需要练习并在工作中独立应用它们。这样你才能巩固你的理解，真正的学习就是这样进行的。
想象一下，你只通过在线教程构建了一个XGBoost模型。
如果你随后在面试中得到了一个案例研究作为参考，你将会非常困难，因为你没有任何没有一步一步指导构建模型的经验。
我提倡的是“基于项目的学习”。
你只需要学习足够多的知识，然后立即构建一个项目。
相信我，这种方法比做无数个教程要好得多（从我痛苦的经验中得出的结论！）。
量化胜于质量项目
虽然做项目是学习的最佳方式，但不要让你的 GitHub 充斥着大量的“简单”项目。
如果你所有的项目都围绕 Kaggle 上已经制作好的数据集，并使用 sci-kit learn 的.fit()和.predict()方法，可能到了尝试更难一些的时候了。
现在，我并不是在批评这些入门级项目，因为它们是让你动手实践的好方法。
然而，在某个时候，项目的质量将比数量更重要。
较大、深入的项目才是真正能让你被雇佣的项目。招聘人员不想看到另一个泰坦级的数据集问题；如果有的话，这在当今时代可能是一个红旗。
一些尝试的想法：
-
从头开始使用原生 Python 构建机器学习算法。
-
重新实现研究论文并尝试复制作者的成果。
-
为你的生活中的一些个人事物构建一个基本的推荐系统。
-
微调一个 LLM。
这绝对不是一份详尽的列表，最好的项目是那些对你个人而言的项目，正如我经常说的。
直接跳入人工智能
我会对你坦诚。
我是一个人工智能的反对者。
不，我不认为它会取代数据科学家。
不，我不认为它像人们想象的那样好。
而且我确实非常确信，在接下来的 5 年里我一点也不担心这件事。
我不担心的原因可以填满一个整视频，所以我会留到以后再说。但事实上，这很搞笑，几乎可以说我对这件事的关注非常少。
无论如何，我之所以这么说，是因为当我看到初学者直接跳入学习人工智能和大型语言模型时，我感到很困惑。
这是一个典型的“闪亮物体综合症”的例子。
作为初学者，专注于数学和统计学的基础知识，以及老式的算法，如决策树、回归模型和支持向量机。
这些项目是常青的，将长期存在，因此尽早投资它们是明智的。
人工智能仍然是一个未知的实体，很难说它在几年后是否会像现在这样流行和有用。
如果现在这个话题很流行并且确实有用，那么它将在 1 年后、3 年后，甚至 10 年后仍然流行。所以，不用担心，你有足够的时间去研究前沿话题。
记得我之前说的，不是所有项目都能帮你找到工作吗？
那些更长、更深入的内容有什么不同吗？
但这些项目实际上是什么样的呢？
好吧，看看我之前的文章，它详细介绍了那些能让你脱颖而出的具体项目（以及哪些是完全浪费时间）。
那里见！
如何构建能助你获得工作的机器学习项目
另一件事！
加入我的免费通讯，我会分享每周的技巧、见解和建议，帮助你找到第一份数据科学或机器学习工作。此外，作为订阅者，你将获得我的免费简历模板！
https://newsletter.egorhowell.com
与我联系
-
YouTube
-
领英
-
Instagram
-
网站