【最全资料汇总】如何12个月内成为数据科学家？

摘要：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。播客在每一集中，主持人通过有趣的应用程序探索机器学习和数据科学。大家要关注的数据科学家和流行的网站和播客的创建者。

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 Albon
An Introduction to Statistical Learning: with Applications in R
Hands-On Machine Learning with Scikit-Learn and TensorFlow by Aurélien Géron
Think Stats: Exploratory Data Analysis by by Allen B. Downey
The Signal and the Noise: The Art and Science of Prediction by Nate Silver
Prediction Machines: The Simple Economics of Artificial Intelligence
How to Lie with Statistics by Darrell Huff
Automate 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 Science
FreeCodeCamp Data Science Room
Reddit"s Data Science Subreddit
Kaggle’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。