数据科学入门指南：新手如何步入数据科学领域？( 二 )

在Udacity上还有许多其他课程可以探索，此外， Udacity还提供Nanodegree程序，但通常需要付费。如果你愿意为学习付费，还有许多好的平台，如Coursera、Dataquest、Datacamp等。
在此步骤结束时，应该掌握Python的一些重要库和数据结构，如序列、数组和数据框。
还应该能够执行诸如数据处理、得出结论、矢量化操作、分组数据和组合来自多个文件的数据等任务。
虽然已经为下一步做好了准备，但在继续前进之前还有一件事需要学习：桥接数据分析与机器学习之间的终极关键-数据可视化。
数据可视化是数据分析的重要组成部分，它有助于得出结论并对数据模式可视化。为此，学习如何可视化数据势在必行，学习数据可视化最简单的方法是通读Kaggle的数据可视化课程。在此之后，你将熟悉一个重要的Python库-Seaborn 。
注：Kaggle是一个受世界各地数据科学家欢迎的网站。它定期举办竞赛，以挑战数据储备的技能，并为数据爱好者提供免费的交互式课程。
太棒了！你已经学了一半以上的数据科学了。继续下一步，即机器学习。
学习机器学习
机器学习，顾名思义，是机器（计算机）自我学习的过程。通过对计算机算法的研究，自动提升经验。根据数据和业务问题的类型，使用预定义的算法建立模型，这些模型在给定的数据上进行自我训练，然后被用在新数据上以得出结论。
掌握机器学习最简单的方法就是按照给定的顺序学习以下Kaggle的课程：

机器学习概述
中阶机器学习
特征工程（优化模型）

条条道路通罗马，虽然有许多其他的方法来学习机器学习，我提出的是最简单的方法，完全免费。如果没有资金的约束，还可以在Coursera、Udacity和其他相关平台上找到各种课程。
当这一步结束时，您将了解监督机器学习和无监督机器学习之间的区别，同时，掌握各种重要的算法，如回归，分类，决策树，随机森林等。
太棒了！从此，可以冲破迷宫加入到数据科学俱乐部，之后，需要做的便是一步一步成为更好。
项目实战
读到这里，你便拥有了成为一名成功的数据科学家所需的一切。在掌握了所有的知识之后，应通过尽可能多的练习来增强它。要做到这一点，可以寻找一些项目，去解决一些商业问题。
坚持实践的最好方法之一是参加Kaggle比赛。 Kaggle为你提供需要解决的问题和所需的数据。如果是一场比赛，你可以提交自己的结果，并根据获得的分数得到排名。
也可以在个人项目上建立自己的组合，通过尝试以下资源来探索数据集：

Kaggle数据集
UCI机器学习仓库
亚马逊数据集
谷歌数据库搜索引擎

为了练习，建议在本地计算机中下载并安装Anaconda ，这是开发数据科学项目的一个很好的工具包。在Anaconda众多工具中，Jupyter Notebook是构建Python项目的一种很好的方法，并帮你管理你的项目组合。
遵循本博客中的指导方针，将助力实现学习数据科学的目标，当然，在这一领域还有大量知识要学习，甚至更多的东西有待探索。继续学习吧。
原文标题：
Data Science from scratch How to step into Data Science as a complete beginner
原文链接：
https://towardsdatascience.com/data-science-from-scratch-4343d63c1c66
编辑：王菁
校对：林亦霖
译者简介

本文插图
陈之炎，北京交通大学通信与控制工程专业毕业，获得工学硕士学位，历任长城计算机软件与系统公司工程师，大唐微电子公司工程师，现任北京吾译超群科技有限公司技术支持。目前从事智能化翻译教学系统的运营和维护，在人工智能深度学习和自然语言处理（NLP）方面积累有一定的经验。业余时间喜爱翻译创作，翻译作品主要有：IEC-ISO 7816、伊拉克石油工程项目、新财税主义宣言等等，其中中译英作品“新财税主义宣言”在GLOBAL TIMES正式发表。能够利用业余时间加入到THU 数据派平台的翻译志愿者小组，希望能和大家一起交流分享，共同进步。