实操大法：自学成为数据科学家之前，你考虑过这4个问题吗？

如果你曾经在家里工作过，你就会深有体会，这种体验并不像大多数人想象的那么自由和美好。你要时刻保持自己充沛的体力和热情，并让同事参与其中并不像大多数人想象的那么容易。但幸运的是，在家办公的问题已经引起了广泛关注：很多针对这个问题的博客里都给出了非常可行的解决办法。

但是吧，有一个类似的问题并没有被经验丰富的博客主们翻牌，那就是如何在家里学习。在家里学习与在家里工作需要完全不同的心境，因为在家学习是自我主导（特别是在数据科学领域，电脑里不会有一个manager告诉你必须学什么）和开放式成果（你能学习的内容是无穷尽的，你常常不知道学什么内容最好，学到哪里该结束）

伴随着现在越来越多的Mooc课程、Boot Camps以及线上各渠道免费的学习资料，我们该如何自我学习就格外重要了。

背景介绍:我的公司正运营着一个数据科学导师项目，该项目的设计理念是远程优先，我们的目标是确保我们的学员不会感受到远程学习带来的痛苦。我希望我们学到的经验教训能对其他人有所帮助，所以我把它们整理在这里。

01 问题：我总容易被其他外界事物干扰

解决办法：尽管它是个顽疾，但仍然有些措施可以采取

1. 每次使用完社交媒体后，都全身而退。这样做不会消除你的数据记录，但每次都强迫你登入Twitter 或者Instagram的这种行为能够让你更加珍惜使用他们的时间。

2. 不要在家里学习，去咖啡店或者公共图书馆坐坐。将你的工作环境和生活环境分开能帮助你明确学习时间和休闲时间，以及让你的大脑保持学习的状态。

3. 和别人一起学习。任何人都可以，但如果那个人也热衷于数据科学，那效果会非常惊人。监督对方学习进度，共同鞭策前进。但不需要每次都面基，换种聊法，比如face time, video chat 都能达到共同进步的效果。

4. 读一读生产率鸡汤文。例如《Atomic Habits》这类书和类似的博客都能激发内心想学习的小宇宙。

02 问题: 我没动力了也看不到明显的进步

解决办法：这常常是因为你好高骛远，制定的学习计划是不现实的。你需要考虑两点：1.从你现有的职业向数据科学转型，需要几个月甚至是几年的时间；2.认定了数据科学这条路，就要坚持到底。

1. 制定明确的学习目标。专注于短期目标更现实：今天我想要学习什么

2. 让你的学习目标公之于众，接受群众的审判。将你每天的学习内容更新到Twitter或者LinkedIn上（如果你没有，就赶紧注册吧）。如果你认识行业专家，就问问他们能不能添加他们到你最新工作的weekly newsletter里。当你有了给专家和followers展示自己每周学习内容的压力时，你就一定有学习的动力。

3. 赶紧开始你的项目。当你还在迷茫彷徨时，不如直接开始你的项目，有了好的成果就能激励你继续往前走，前方的路也更加宽广。给自己的项目做个博客，像演讲家一样，将成果展示给自己的朋友。结果驱动，能给自己成就感和满足感，也能激发满满的动力。

03 问题: 我不知道什么时候继续

解决办法：这在数据科学里是个大问题，因为项目常常时open-ended。你常常需要考虑：什么样的模型才足够好？你怎么知道EDA的过程结束啦？你是否需要尝试另外的encoding strategy？

1. 最好的项目，就是有明确的观众和特定的使用群体。提前想好你项目要服务的“祖宗们”是谁，并且在后续项目中一直努力为他们创造有价值的产品。当你在进行EDA时，时刻牢记：你能从数据中挖掘哪些有用的信息，以便你能解决顾客痛点。

2. 提前制定你的项目标准。例如你想要学什么，你的模型需要达到什么精准程度。很多的项目都有明确的限定，你的项目也需要有。

3. 提前规划项目进程。在开始项目前，明确它的截止时间。这也是提前模拟你作为数据科学家，需要面对的时间限制和分类决策等问题。

04 问题: 我不知道从哪里开始

解决办法：如果你还非常非常的年轻（小编已经老了），你需要做的第一件事情，就是找到你的兴趣所在。

1. 上一节免费的MOOC课。如果你才刚刚开始，那么就专注于一些能让你建立Python 技巧的课，例如介绍Jupyter notebooks, scikit-learn 和pandas.

2. 了解了一些基础内容后，需要问自己：自己想做什么类型的数据科学家？当然，既然是选择题，就需要了解选项嘛，这里列举了一些数据科学家的类型。https://towardsdatascience.com/why-you-shouldnt-be-a-data-science-generalist-f69ea37cdd2c

3. 从前辈那里吸取经验。和一些有类似职业发展的人交流，了解下他们成功的秘诀。这里有一些最常见的数据科学职业发展路径，看看能不能匹配的上。https://towardsdatascience.com/3-common-data-science-career-transitions-and-how-to-make-them-happen-588c3618942f

从SharpestMinds Mentees经历来看，这些学习大法还是非常有效的。但最重要的事情，就是对自己要有耐心，学习不可能一蹴而就。

当你第一次，第二次尝试这些策略，可能依旧很难赶上自己设置的进度，这没有问题。在一次次的尝试中，不断调整策略，找到最有效最适合你的办法。就像任何完美的machine learning 模型，也是在不断重复的调试和尝试中，得到那个最优解。

原文作者：Jeremie Harris

翻译作者：Zixin Huang

美工编辑：Miya

校对审稿：冬冬

原文链接：https://towardsdatascience.com/how-to-learn-data-science-on-your-own-a-practical-guide-1a871fec2034