最佳数据科学家总是持续学习
原文：
towardsdatascience.com/part-1-the-best-data-scientists-are-always-learning/
由于数据科学涵盖了如此广泛的领域——统计学、编程、优化、实验设计、数据讲故事、生成式 AI 等——我个人认为不是。
这是一个更窄的问题。是否能够在数据科学中完全掌握一个单一的主题？当然，你可以在某些领域成为专家，但你是否能够达到一个没有更多东西可以学习的点？再次强调，我真的不这么认为。
每个数据科学家都有东西要学，即使是那些经验丰富的人。我写作的目的是提供一些来自我的学习旅程的见解，希望这能帮助你。
这是两篇系列文章的第一部分。在这篇文章中，我将涵盖：
-
为什么数据科学家应该持续学习
-
如何提出要研究的话题
让我们开始吧！
1. 为什么数据科学家应该持续学习？
持续学习者区别自己
当我年轻时，我在一个小组环境中学习西班牙语。当小组开始进行对话后，发生了一些有趣的事情。许多学生停止了学习，他们对自己的熟练程度感到满意。其他人则继续进行日常学习和练习。
最初，两组之间并没有太大的区别。但随着时间的推移，那些继续学习的人开始领先。他们的流利度、词汇量和自信心都在累积，而其他人则陷入了停滞。
不幸的是，这种情况也可能发生在数据科学家身上。有些人一旦掌握了做好工作的足够技能，就会停止学习。与西班牙语小组类似，在职业生涯早期，持续学习者和“满足”的数据科学家看起来可能很相似。但随着时间的推移，那些持续学习的人开始脱颖而出。他们的知识在累积，他们的判断力在提高，他们解决复杂问题的能力在加深。
在早期职业生涯中，持续学习者和“满足”的数据科学家看起来可能很相似。但随着时间的推移，那些持续学习的人将开始脱颖而出。
持续学习者之所以出色，是因为他们能够运用自己的知识来提出更聪明的解决方案。他们将拥有对数据科学工具的更成熟的理解，并知道如何在工作中正确地使用它们。
学习带来满足感（对大多数人来说）
这有点空洞，所以我将尽量简短。但我确实非常喜欢学习。我从花时间投资自己并掌握新主题中获得了许多满足感和成就感。如果你喜欢持续学习的想法，你可能会从中获得很多满足感！
2. 如何提出要学习的内容
在上一节中，我们已经确立了终身学习的价值，现在让我们谈谈如何确定学习内容。
自主学习的最好之处在于没有人告诉你该学什么。自主学习的最坏之处在于没有人告诉你该学什么。
你已经不再是学生了，这很好。没有更多的截止日期，没有更多的考试，也许最重要的是，没有更多的学费。但你也失去了与相应材料、文本和讲座相对应的精选主题列表。现在，创建这个列表是你的工作！自己制定学习计划的灵活性是惊人的。但这个模糊、无方向的空间可能会让人感到 daunting。
这些年来，我发展了三种方法来找到对我非常有效的学习主题。我的目标是它们能成为你发展自己方法的良好起点。最终，你必须找到最适合你的方法。
让我们来看看这三种方法。
来自工作项目的话题
如果你是一名数据科学家，你的项目将为你提供丰富的“深入研究”研究主题。这种方法相当直接——研究与你工作相关的技术/主题。特别关注你理解最薄弱的领域。
例如，如果你正在设计实验，就学习实验设计。如果你正在解决优化问题，就学习优化。
这种方法的巨大好处是它立即让你在工作中变得更好。你将对面临的问题有更深入的理解，并且你将能够立即应用这种理解。
跟随“主题网络”
数据科学是一个研究领域，你可以深入探索任何给定主题，并且许多主题都是相互关联的。
在学习过程中，你会发现许多与当前主题相关的“旁枝末节”主题。我经常将这些主题记录下来，稍后再回来研究。我把这称为“主题网络”。这是一个很好的技巧，因为它让你围绕组或相关主题逐渐构建起一个理解网络。这为你提供了深刻的知识，这将使你与众不同。
这里是一个关于逻辑回归的小型主题网络的例子。为了说明，我只包括了几个主题——我相信你能想出更多。网络中的每个主题都有自己的网络，形成了一个庞大的相关学习主题网络。
由 Dall-e 根据用户特定提示生成的图像
我可以继续说，但你已经明白了。任何单个主题都会有一个庞大的相关主题网络。将这些主题列一个清单放在某个地方，当你完成当前主题时，你总会有一系列相关的主题可以深入研究！
注意：你的主题网络需要从某个地方开始。如果你发现很难开始，我建议阅读 Hastie、Tibshirani 和 Friedman 所著的《统计学习的要素》或《统计学习引论》。这些是基础读物，将帮助你进入一个优秀的主题研究网络。
发现渠道
工作项目和主题网络是两种优秀的整理研究主题的方法。然而，这两种方法有一个主要的盲点。如果你只使用这些技术，你将不会接触到在工作或自然学习顺序中不出现的话题。可能有一些非常重要的主题会被忽视。
我使用“发现渠道”来帮助捕捉那些没有自然出现的重要话题。发现渠道是任何向我展示独立于其他学习内容的话题的内容来源。我主要的发现渠道来源是 Towards Data Science、播客和 YouTube 频道。
我目前最喜欢的“发现渠道”来源——图片由作者提供
在选择发现渠道时，选择一个涵盖广泛主题的来源非常重要。例如，如果我跟随一个专注于实验设计的播客，我可能不会从它那里获取广泛的研究主题。这可能是一个很好的 DOE 研究资源，但不会是一个好的发现渠道。
我在发现渠道上的整体学习努力相对较少，但它们在我的学习中扮演着非常重要的角色。
总结
我希望这篇文章能让你感到有动力开始独立学习，如果你还没有开始的话，或者如果你已经在学习，能给你带来额外的动力继续前进。我还希望我给你提供了一些关于如何想出学习内容的全新想法。
在几周后，我将发布这篇文章的第二部分，它将涵盖如何（1）避免倦怠，（2）选择学习策略，（3）利用独处来巩固和深化你的知识——敬请期待！