如果你想开始从事数据科学的工作，你可以通过避免这9个昂贵的初学者错误来节省数天，数周甚至数月的挫败感。
如果你不小心，这些错误会吞噬你最宝贵的资源：你的时间，精力和动力。
我们将它们分为三类：
- 学习数据科学时出错
- 申请工作时的错误
- 求职面试时的错误
在学习数据科学的同时
第一组错误是“卧底”，很难发现。他们缓慢但肯定地消耗你的时间和精力而不给你警告，并且他们从围绕这个领域的误解中产生。
1.在理论上花费太多时间。
许多初学者陷入了在理论上花费太多时间的陷阱，无论是数学相关（线性代数，统计学等）还是机器学习相关（算法，推导等）。
这种方法效率低下有三个主要原因：
- 首先，它是缓慢和令人生畏的。如果你曾经感到不知所措，那么你很可能会陷入这个陷阱。
- 其次，你也不会保留这些概念。数据科学是一个应用领域，巩固技能的最佳方法是练习。
- 最后，如果你没有看到你正在学习的东西与现实世界的联系，那么你将失去更大的风险并放弃。
这种理论密集的方法传统上是在学术界教授的，但大多数从业者可以从更注重结果的思维方式中受益。
为了避免这个错误：
- 通过为您提供实践练习的项目来平衡您的学习。
- 学会熟悉部分知识。随着进步，你自然会填补空白。
- 了解每件作品如何适应大局。
2.从头开始编写太多算法。
这个下一个错误也会导致学生错过树林。一开始，您实际上不需要从头开始编写每个算法。
虽然为了学习目的实现一些很好，但实际情况是算法正在成为商品。得益于成熟的机器学习库和基于云的解决方案，大多数从业者实际上从不编写算法。
今天，了解如何在正确的设置中（以正确的方式）应用正确的算法更为重要。
为了避免这个错误：
- 选择通用机器学习库，例如Scikit-Learn（Python）或Caret（R）。
- 如果您从头开始编写算法代码，那么这样做的目的是学习而不是完善您的实现。
- 了解现代机器学习算法 的概况及其优缺点。
3.跳入深渊。
有些人进入这个领域是因为他们想要构建未来的技术：自动驾驶汽车，先进机器人，计算机视觉等等。这些技术由深度学习 和自然语言处理等技术提供支持。
但是，掌握基础知识非常重要。每个奥运会潜水员都需要先学习如何游泳，所以你也应该这样。
为了避免这个错误：
- 首先，掌握“经典”机器学习的技术和算法，作为高级主题的构建模块。
- 知道经典的机器学习仍然具有令人难以置信的未开发潜力。虽然算法已经成熟，但我们仍处于发现使用它们的有效方法的早期阶段。
- 学习使用任何形式的机器学习解决问题的系统方法。
什么时候申请工作
下一组错误可能会导致您在求职过程中错过一些很好的机会。即使您是合格的，也可以通过避免这些打嗝来最大化您的结果。
4.简历中有太多技术术语。
许多申请人在撰写简历时犯的最大错误就是用技术术语来窒息。
相反，你的简历应该画一幅画，你的要点应该讲故事。您的简历应该提倡您可以为组织带来的影响，特别是如果您申请入门级职位。
为了避免这个错误：
- 不要只列出您使用的编程语言或库。描述您如何使用它们并解释结果。
- 少即是多。考虑最重要的技能，强调并通过消除其他干扰给予他们发光的空间。
- 创建一个简历主模板，以便您可以分离为不同角色定制的不同版本。这使每个版本保持清洁。
5.高估学位的价值。
有时候，毕业生可能会高估他们的教育价值。虽然相关领域的强大程度肯定可以提高你的机会，但它既不充分也不是通常最重要的因素。
要说清楚，我们不是说毕业生很傲慢......
在大多数情况下，在学术环境中教授的内容与在企业中应用的机器学习完全不同。在最后期限，客户和技术障碍下工作需要在学术界不那么紧迫的实际权衡。
为了避免这个错误：
6.搜索范围太窄。
数据科学是一个相对较新的领域，组织仍在不断发展以适应数据日益增长的影响。如果你只搜索“数据科学家”的开头，你就会限制自己。
许多职位没有被标记为“数据科学”，但它们将允许您以类似的角色发展类似的技能和功能。
为了避免这个错误：
- 按要求的技能搜索 （机器学习，数据可视化，SQL等）。
- 按工作职责搜索（预测建模，A / B测试，数据分析等）。
- 按角色中使用的技术进行搜索（Python，R，Scikit-Learn，Keras等）。
- 按职位扩展搜索（数据分析师，定量分析师，机器学习工程师等）。
访谈期间
最后一组错误是采访中遇到的绊脚石。你已经完成了这个步骤的艰苦工作，所以现在是时候结束了。
7.没有准备好讨论项目。
在您的投资组合中拥有项目是“如何”键入面试问题的主要安全网。你可以指出如何处理某些情况的具体例子，而不是在假设中说话。
此外，许多招聘经理将专门寻找您自给自足的能力，因为数据科学角色自然包含项目管理的要素。这意味着您应该了解整个数据科学工作流程，并知道如何将所有内容拼凑在一起。
为了避免这个错误：
- 完整的端到端项目，允许您练习每个主要步骤（即数据清理，模型培训等）。
- 组织您的方法。数据科学应该是刻意的，而不是偶然的。
- 回顾和练习您从任何实习，工作或课程中描述过去的项目。
8.低估领域知识的价值。
技术技能和机器学习知识是登陆数据科学职位的基本先决条件。但是，要真正脱颖而出，您应该了解更多关于您将应用自己技能的特定行业。
请记住，数据科学永远不会存在于真空中。
为了避免这个错误：
- 如果您正在面试银行职位，请了解一些基本的财务概念。
- 如果您正在为财富500强中的战略职位进行面试，请进行一些案例访谈并了解盈利能力的驱动因素。
- 如果您正在为一家初创公司进行面试，请了解其市场并尝试辨别它将如何获得竞争优势。
- 简而言之，在这里采取一些额外的举措可以带来巨大的回报！
9.忽视沟通技巧。
目前，在大多数组织中，与开发人员团队或分析师团队相比，数据科学团队仍然非常小。因此，虽然入门级软件工程师通常会被高级工程师管理，但数据科学家往往会在更多跨功能环境中工作。
面试官将寻找您与各种技术和数学背景的同事沟通的能力。
为了避免这个错误：
- 练习向非技术受众解释技术概念。例如，尝试向朋友解释您最喜欢的算法。
- 准备子弹点对常见面试问题的回答 并练习提供答案。
- 练习分析各种数据集，提取关键见解并展示您的发现。
结论
在本指南中，您学习了避免数据科学初学者犯下的9个最昂贵的错误的实用技巧：
- 在理论上花费太多时间。
- 从头开始编写太多算法。
- 过快地进入高级主题，例如深度学习。
- 在简历中有太多的技术术语。
- 高估学位的价值。
- 寻找工作太狭隘。
- 在面试中没有准备好讨论项目。
- 低估了领域知识的价值。
- 忽视沟通技巧。