Data Science (наука о данных) — одно из самых востребованных сейчас IT-направлений. Это область науки, занимающейся аналитикой огромных объемов информации. Главная цель — получение полезных данных, которые помогут принимать оптимальные для бизнеса решения. Освоить профессию дата-сайентиста можно всего за несколько месяцев.
Самообразование становится все более популярным и жизнеспособным путем для входа в сферу науки о данных. Однако, как и в любой области, самообучение сопряжено с множеством проблем: нужно составить учебный план, поддерживать мотивацию и самостоятельно нести ответственность за результаты обучения. Как правило, люди совершают на этом пути множество ошибок. Пять самых распространенных из них представлены ниже.
Долгий выбор лучшего курса или книги
Сейчас люди избалованы выбором книг, курсов и видео, предназначенных для обучения науке о данных. Конечно, среди них весьма сложно выбрать те, которые подойдут для самостоятельного обучения. Поэтому каждый старается найти лучший курс и тратит на это много сил и времени.
Скотт Янг в своей книге «Ультраобучение» утверждает, что на подготовку к прохождению курса целесообразно тратить не больше 10% от общего времени, заложенного на обучение. Этого вполне хватит для подбора уроков в зависимости от индивидуальных особенностей обучающегося. Все остальное — пустая трата времени. Ведь правда в том, что идеального курса или идеальной книги просто не существует. Это усвоено на горьком опыте многих людей.
Использование ресурсов, не соответствующих индивидуальному стилю обучения
Есть люди, которые лучше усваивают текстовую информацию. Другим больше подходят видеокурсы. Третьи идеально запоминают данные во время лекций. Не стоит изучать все сразу и «разрываться» во все стороны. Так прохождение курса может растянуться на весьма долгое время. Выберите то, что больше всего подходит в плане эффективности обучения и усвоения информации.
Недостаточное количество проектов
Хорошо, если в учебном курсе по науке о данных есть достаточное количество проектов. В идеале для отличного закрепления материала домашнее задание должно быть после каждого урока или главы. Пассивного режима, когда теория не подкрепляется практикой, лучше избегать. Ведь на реальной работе придется решать вполне конкретные задачи. Поэтому написание проектов — это самая важная часть изучения науки о данных.
Зацикленность на изучении всей математики
Машинное обучение построено на фундаменте математики. Однако, чтобы заниматься наукой о данных, не нужно знать или понимать всю математику целиком. Во время самостоятельных занятий многие зацикливаются на осознании каждой математической концепции, прежде чем перейти к следующей теме. Это то, что укореняется во многих людях еще со студенческой скамьи. Доказательство теорем и разработка алгоритмов вручную с глубоким погружением в тему весьма стандартны для процесса обучения в вузе.
Конечно, наличие некоторой математической основы важно для глубокого понимания науки о данных. Но определенно необязательно знать или понимать каждую используемую концепцию. В будущем это не поможет стать лучшим специалистом по данным. Самым важным профессиональным критерием в данной сфере является решение возникающих проблем.
Читать научные работы на ранних этапах обучения
Многие новички совершают ошибку, начиная читать в начале обучения исследовательские работы. Без знания главных концепций и методов уровень их понимания будет стремиться к нулю. Это примерно как читать что-нибудь на китайском, зная всего несколько иероглифов. Поэтому изучение научных статей следует оставить на более поздний срок, когда будет построен прочный теоретический фундамент.
