共计 4208 个字符，预计需要花费 11 分钟才能阅读完成。
RoyalMail 数据科学家 Freddie Odukomaiya 曾经用 12 个月的时间让自己成功的成为数据科学家，以下是他的经验分享和他所使用的学习资源。
以下内容译自 https://blog.usejournal.com/h… 想成为数据科学家，以下 8 点非常重要选择一种编程语言，坚持下去。不要不断改变你选择的语言。如果这样做，你的进度将大大减慢。
明确你的动机。这很重要，因为学习数据科学很难，所以在过程中很容易失去动力。如果你的动力清晰而强大，那么就更容易忍受和坚持。
不要迷失在课程中。如果你只是不断的在学习教程，你很容易陷入一种自我欺骗“我知道自己在干什么”。最好的方法是在项目中学习。找一个你感兴趣的项目，把数据科学应用其中，比如，我的项目是预测英超联赛的冠军。
精准选择小部分资源。现在有太多学习数据科学基础知识的资源。一个普遍的现象是，大家很难坚持使用一个资源学习，很多人使用一个资源开始学习，看到了一个更好的资源后立即就更换了学习资源，这样成本是非常高的，要尽量避免这种情况。相反，我们应该选择一组涵盖不同主题的资源（例如，construct a curriculum），坚持下去，知道你完成他们
让自己沉浸在社区中。你需要让数据科学包围自己。可以通过以下几种方式：订阅 DS 简报，阅读数据科学文章和书籍，收听数据科学播客，在 youtube 上观看数据科学讲座，通过参加所有和任何数据科学活动，利用 Meetup 和 Eventbrite 等网站。查找在线 DS 社区并加入他们。
去黑客马拉松！不要等到你“准备好”再去参加黑客马拉松，参加黑客马拉松的好处远远超过你认为你会经历的任何负面影响。黑客马拉松也可以在线参与，例如，Kaggle 本质上就是一个永无止境的在线黑客马拉松。
寻找导师。这对我来说是最困难的部分，因为我对导师的定义有些许误解。导师只是一位经验丰富且值得信赖的老师 / 辅导员。你可以拥有多个导师，甚至可能无法直接与他们互动。我最终的导师其实是哪些有影响力的数据科学家，我通过社交媒体关注他们，订阅他们的新闻通讯，阅读他们的书籍和听他们的谈话 / 播客。当我觉得我需要建议时，我通过电子邮件和社交媒体与他们联系，虽然不是每个人都回复了我，但那些确实帮助了我很多。
准备好牺牲你工作日的晚上和周末。你必须投入大量的精修勤练，花费大量时间学习，你的社交生活会受到影响。努力工作很重要，但聪明地工作更有价值，请你准备一份时间表，关于你正在学习的课程，正在阅读的书籍以及正在开展的项目。
最全学习资源汇总充分利用这些信息资源才能更好的学习数据科学哦。
【课程】开源数据科学大师 - @clarecorthell 制作了涵盖数据科学所有不同方面的课程，并附有相关课程，书籍等的链接。Class Central - 这是谷歌的在线课程。您可以通过简介和用户评分找到与任何主题相关的在线课程。DataCamp - 一家通过互动在线课程教授数据科学的 EdTech 公司。【实践】Kaggle - Kaggle 是预测建模和分析竞赛的平台。#100DaysOfCode - 这是一个挑战，初学者尝试每天至少编码一个小时，持续 100 天。Codewars - 通过与其他人一起训练真实代码的挑战来提高您的技能。DrivenData - DrivenData 让众包成为世上最大的社会挑战和组织之一。HackerRank - 练习编码。参与竞争。找工作。【书籍】Machine Learning with Python Cookbook by Chris AlbonAn Introduction to Statistical Learning: with Applications in RHands-On Machine Learning with Scikit-Learn and TensorFlow by Aurélien GéronThink Stats: Exploratory Data Analysis by by Allen B. DowneyThe Signal and the Noise: The Art and Science of Prediction by Nate SilverPrediction Machines: The Simple Economics of Artificial IntelligenceHow to Lie with Statistics by Darrell HuffAutomate the Boring Stuff with Python by Al Sweigart【通讯 / 博客】Data Elixir — Data Elixir 每周二会发送到您的收件箱，其中包含从网络上挑选的数据科学内容。Data Science Roundup - 互联网上最有用的数据科学文章。由 Tristan Handy 策划。FiveThirtyEight - Nate Silver 使用统计分析来解决政治和体育问题的热门博客。Variance Explained - David Robinson 的数据科学博客，DataCamp 的首席数据科学家，这是一家通过互动在线课程教授数据科学的 EdTech 公司。Flowing Data - FlowingData 探索统计学家，设计师，数据科学家和其他人如何使用分析、可视化和探索去理解数据和我们自己。The Pudding - The Pudding 通过视觉论文解释了文化中争论的观点 Datacamp - 帮助您成为数据科学家的数据科学博客。Kaggle Blog - Kaggle.com 的官方博客 Machine Learning Mastery - 即使你是从 0 开始，也可以在真实应用程序中使用它来掌握机器学习。Chris Albon - 流行的 Machine Learning Flashcards 背后的数据科学家和 Machine Learning with Python Cookbook 的作者。KD Nuggets - KDnuggets™是业务分析，大数据，数据挖掘，数据科学和机器学习的领先站点。Analytics Vidhya - 了解有关 Data Analytics 的所有信息。【播客】Linear Digressions - 在每一集中，主持人通过有趣的应用程序探索机器学习和数据科学。Partially Derivative - 日常生活中每天的数据，由 Data Science 超级极客主持。Data Skeptic - 介绍与数据科学，机器学习，统计和人工智能相关的主题的访谈和教育讨论。This Week In Machine Learning and Artificial Intelligence- 迎合热爱机器学习的观众和 AI 爱好者。Software Engineering Daily - 关于软件主题的技术访谈。DataFramed - 通过 DataCamp，专注于探索数据科学可以解决的问题。Talking Machines - 机器学习正在改变我们可以提出的问题，我们探索如何提出最佳问题以及如何解决问题。Becoming A Data Scientist Podcast - 访问数据科学家，了解他们成功的方法。AI in Industry- 每周 Dan Faggella 都会采访 Top AI 和 ML 高管，投资者和研究人员。【Youtube 频道】3Blue1Brown - 到目前为止最好的数学教程频道。以可视方式解释复杂概念。Brandon Foltz - 我第二喜欢的数学频道，主要侧重于从初级到高级教学统计。Computerphile - 关于计算机和计算机的视频。PyData - PyData 为数据分析工具的用户和开发人员的国际社区提供了一个论坛，分享想法，相互学习。Sentdex - Youtuber 和程序员会提供高质量的数据科学教程。Siraj Raval - 与 Sentdex 类似，可生成有趣且信息丰富的数据科学内容。两分钟论文 - 在 2 分钟内解释最新的数据科学研究论文。Enthought - 从 SciPy 等流行的数据科学会议中寻找精彩的对话和讨论。【大家要关注】@BecomingDataSci - HelioCampus 的数据科学家 Renee Teate 和流行的 Becoming A Data Scientist 网站和播客的创建者。@drob - 大卫罗宾逊，DataCamp 的首席数据科学家，Tidytext 软件包和 O ’Reilly 的书籍 Text Mining with R 的共同作者。@chrisalbon - Chris Albon，流行的 Machine Learning Flashcards 背后的数据科学家和 Machine Learning with Python Cookbook 的作者。@frankchn - Frank Chen，Google Brain 的软件工程师，负责 TensorFlow。@fchollet - Francois Chollet，Google 的深度学习。神经网络库 Keras 的创造者。“Deep Learning with Python”的作者。@goodfellow_ian -Ian Goodfellow，Google 脑研究科学家，领导一个研究人工智能对抗技术的团队。Deep Learning Book 的主要作者。@jakevdp - Jake VanderPlas，华盛顿大学电子科学研究所数据科学家。访问 Google 的研究员; Python Data Science Handbook 的作者。@dataandme - 来自 Rstudio 的 Tidyverse Dev Advocate 的 Mera Averick。@math_rachel - Rachel Thomas，Fast.ai 的联合创始人和旧金山大学教授。【在线社区】Python for Data ScienceFreeCodeCamp Data Science RoomReddit’s Data Science SubredditKaggle’s online forum#100DaysOfCode - #100DaysOfCode Challenge 参与者的 Slack 频道。Stack Overflow - 全球最大的开发者社区。
数据科学的学习是一个永无止境的过程，有了方法和学习资源最重要的一定还是坚持。
享受学习，享受知识，享受进步，大家加油鸭！！
网易云信，你身边的即时通讯和音视频技术专家，了解我们，请戳网易云信官网
想要阅读更多行业洞察和技术干货，请关注网易云信博客
更多精彩内容，关注网易云信知乎机构号哦。
