實操大法：自學成爲數據科學家之前，你考慮過這4個問題嗎？

摘要：在家裏學習與在家裏工作需要完全不同的心境，因爲在家學習是自我主導（特別是在數據科學領域，電腦裏不會有一個manager告訴你必須學什麼）和開放式成果（你能學習的內容是無窮盡的，你常常不知道學什麼內容最好，學到哪裏該結束）。解決辦法：這在數據科學裏是個大問題，因爲項目常常時open-ended。

今日份知識你攝入了麼？

如果你曾經在家裏工作過，你就會深有體會，這種體驗並不像大多數人想象的那麼自由和美好。你要時刻保持自己充沛的體力和熱情，並讓同事參與其中並不像大多數人想象的那麼容易。但幸運的是，在家辦公的問題已經引起了廣泛關注：很多針對這個問題的博客裏都給出了非常可行的解決辦法。

但是吧，有一個類似的問題並沒有被經驗豐富的博客主們翻牌，那就是如何在家裏學習。在家裏學習與在家裏工作需要完全不同的心境，因爲在家學習是自我主導（特別是在數據科學領域，電腦裏不會有一個manager告訴你必須學什麼）和開放式成果（你能學習的內容是無窮盡的，你常常不知道學什麼內容最好，學到哪裏該結束）

伴隨着現在越來越多的Mooc課程、Boot Camps以及線上各渠道免費的學習資料，我們該如何自我學習就格外重要了。

背景介紹:我的公司正運營着一個數據科學導師項目，該項目的設計理念是遠程優先，我們的目標是確保我們的學員不會感受到遠程學習帶來的痛苦。我希望我們學到的經驗教訓能對其他人有所幫助，所以我把它們整理在這裏。

常規問題及其解決大法

問題：我總容易被其他外界事物干擾

解決辦法：儘管它是個頑疾，但仍然有些措施可以採取

1.每次使用完社交媒體後，都全身而退。這樣做不會消除你的數據記錄，但每次都強迫你登入Twitter 或者Instagram的這種行爲能夠讓你更加珍惜使用他們的時間。

2.不要在家裏學習，去咖啡店或者公共圖書館坐坐。將你的工作環境和生活環境分開能幫助你明確學習時間和休閒時間，以及讓你的大腦保持學習的狀態。

3. 和別人一起學習。任何人都可以，但如果那個人也熱衷於數據科學，那效果會非常驚人。監督對方學習進度，共同鞭策前進。但不需要每次都面基，換種聊法，比如face time, video chat 都能達到共同進步的效果。

4.讀一讀生產率雞湯文。例如《Atomic Habits》這類書和類似的博客都能激發內心想學習的小宇宙。

問題: 我沒動力了也看不到明顯的進步

解決辦法：這常常是因爲你好高騖遠，制定的學習計劃是不現實的。你需要考慮兩點：1.從你現有的職業向數據科學轉型，需要幾個月甚至是幾年的時間；2.認定了數據科學這條路，就要堅持到底。

1.制定明確的學習目標。專注於短期目標更現實：今天我想要學習什麼

2. 讓你的學習目標公之於衆，接受羣衆的審判。將你每天的學習內容更新到Twitter或者LinkedIn上（如果你沒有，就趕緊註冊吧）。如果你認識行業專家，就問問他們能不能添加他們到你最新工作的weekly newsletter裏。當你有了給專家和followers展示自己每週學習內容的壓力時，你就一定有學習的動力。

3.趕緊開始你的項目。當你還在迷茫彷徨時，不如直接開始你的項目，有了好的成果就能激勵你繼續往前走，前方的路也更加寬廣。給自己的項目做個博客，像演講家一樣，將成果展示給自己的朋友。結果驅動，能給自己成就感和滿足感，也能激發滿滿的動力。

問題: 我不知道什麼時候繼續

解決辦法：這在數據科學裏是個大問題，因爲項目常常時open-ended。你常常需要考慮：什麼樣的模型才足夠好？你怎麼知道EDA的過程結束啦？你是否需要嘗試另外的encoding strategy？

1. 最好的項目，就是有明確的觀衆和特定的使用羣體。提前想好你項目要服務的“祖宗們”是誰，並且在後續項目中一直努力爲他們創造有價值的產品。當你在進行EDA時，時刻牢記：你能從數據中挖掘哪些有用的信息，以便你能解決顧客痛點。

2. 提前制定你的項目標準。例如你想要學什麼，你的模型需要達到什麼精準程度。很多的項目都有明確的限定，你的項目也需要有。

3.提前規劃項目進程。在開始項目前，明確它的截止時間。這也是提前模擬你作爲數據科學家，需要面對的時間限制和分類決策等問題。

問題: 我不知道從哪裏開始

解決辦法：如果你還非常非常的年輕（小編已經老了），你需要做的第一件事情，就是找到你的興趣所在。

1.上一節免費的MOOC課。如果你纔剛剛開始，那麼就專注於一些能讓你建立Python 技巧的課，例如介紹Jupyter notebooks, scikit-learn 和pandas.

2. 瞭解了一些基礎內容後，需要問自己：自己想做什麼類型的數據科學家？當然，既然是選擇題，就需要了解選項嘛，這裏列舉了一些數據科學家的類型。https://towardsdatascience.com/why-you-shouldnt-be-a-data-science-generalist-f69ea37cdd2c

3. 從前輩那裏吸取經驗。和一些有類似職業發展的人交流，瞭解下他們成功的祕訣。這裏有一些最常見的數據科學職業發展路徑，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

從SharpestMinds Mentees經歷來看，這些學習大法還是非常有效的。但最重要的事情，就是對自己要有耐心，學習不可能一蹴而就。

當你第一次，第二次嘗試這些策略，可能依舊很難趕上自己設置的進度，這沒有問題。在一次次的嘗試中，不斷調整策略，找到最有效最適合你的辦法。就像任何完美的machine learning 模型，也是在不斷重複的調試和嘗試中，得到那個最優解。