¿Cómo puedo aprender ciencia de datos en 30 días?

El alcance de la Ciencia de los Datos se está ampliando todos los días y también lo es la cantidad de información disponible en este dominio.

A medida que cada vez más aspirantes persiguen la Ciencia de los Datos y hay una sobrecarga de información en Internet, es muy fácil sentirse abrumado y confundido en cuanto a por dónde empezar?

Otra pregunta llamativa que atraviesa a muchos aspirantes a la Ciencia de los Datos es la plazo para aprender Ciencia de Datos. Muchos aspirantes son profesionales que trabajan atados a tiempo y sólo pueden dedicar un par de meses o menos a sus estudios.

Así que la verdadera pregunta es “ ¿Es posible aprender Ciencia de Datos en 30 días? ”

La respuesta más práctica es No.. No es posible cubrir todas las profundidades de la Ciencia de los Datos en sólo 30 días, pero un horario estricto podría ayudarle a escalar esta misión.

Usted primero tendrá que estar seguro de que usted absolutamente tiene que seguir y se adhieren al plan de 30 días para tener éxito en esta empresa.

Plan de estudio de 30 días

La mejor manera de seguir su plan científico de datos de 30 días es dividir el mes en 4 semanas y dedicar cada semana a desarrollar una habilidad cada uno.

Así es como debe verse su Plan de Estudio de 30 días..

Semana 1:

En la primera semana, asumiendo que usted es un principiante y usted no sabe nada sobre matemáticas, no sabe mucho sobre programación, o puede que sólo sabe un poco de programación y un poco de matemáticas, pero no tanto como se requiere en la ciencia de datos.

En la primera semana, lo que usted debe hacer como novato es hacer su Fundamentos de Python Muy fuerte.

En la primera semana, después de conseguir su control sobre Python, asegúrese de conseguir sus manos sucias en el código Python básico . Así que esto es en lo que usted debe centrarse en los primeros 3-4 días.

La segunda cosa en la que enfocarse en los próximos 2-3 días es conseguir tu conceptos estadísticos Claro.

Así que limpiar los conceptos estadísticos básicos es algo que le ayudará en la parte posterior de Ciencia de Datos y hacer las siguientes 3 semanas mucho más fácil.

Un conocimiento profundo de Ensayo de hipótesis , probabilidad y inferencial estadísticas y experiencia en el trabajo con modelos estadísticos .

Cuando utilices estadísticas, ayudarás a las partes interesadas a diseñar y evaluar experimentos y a tomar decisiones mesuradas. Las habilidades para un científico de datos incluyen la necesidad de conocer métodos y técnicas estadísticas como la máxima probabilidad, distribuciones, estimadores, regresión logística, agrupación y regresión lineal, etc.

Una vez que hayas dominado los dos primeros pasos que son aprender Python y aprender las estadísticas básicas en la primera semana, otras cosas caerán en su lugar por sí mismas.

Aquí, debemos asumir que usted ha bloqueado 30 días sólo para la búsqueda de la ciencia de los datos.

Semana 2:

Semana 2 sería todo acerca de conseguir sus manos sucias en el Análisis de datos parte. En Análisis de Datos necesitas estar muy cómodo para dominar Pandas.

Pandas se utiliza para Transformación de datos , debería tomarte un total de 1-2 días, deberías pasar los próximos dos días con NumPy y posteriormente 1-2 días usted debe pasar familiarizándose con los paquetes de visualización de datos como Matplotlib y Nacida en el mar .

Después de esto, usted debe reunir todos estos paquetes como proyectos de ciencia de datos del mundo real, e implementar todos estos paquetes en un conjunto de datos que usted podría tomar de cualquier fuente como Conjuntos de datos UC Irvine o Conjuntos de datos de Kaggle y realizar un nivel básico de análisis de datos para que te sientas cómodo con todo lo que has aprendido.

La primera semana se trataba de dominar los fundamentos de Python y las estadísticas. La semana 2 es todo sobre el análisis de datos que acabo de discutir.

No se moleste en aprender 20-30 algoritmos de aprendizaje automático diferentes. La mejor manera de salir al máximo a partir de una semana sería dominar 5-6 algoritmos de aprendizaje automático que son los bloques de construcción de aprendizaje automático que usted necesita saber para la ciencia de datos.

Por ejemplo, me pasaría un día entendiendo el los fundamentos del aprendizaje automático, ¿Cómo se aplica, etc, yo pasaría el día 2 en Regresión lineal , yo entendería el teoría detrás de la regresión lineal, la matemáticas detrás de la regresión lineal, la Supuestos de Regresión Lineal, y yo también implementaría la Regresión Lineal en un proyecto. Y también me gustaría ver cómo la regresión lineal se utiliza desde Aprender Scikit biblioteca de Python.

Aquí está una lista de algoritmos de aprendizaje automático que puede recoger de:

Regresión lineal
Regresión logística
Árbol de clasificación y regresión
Bosque aleatorio
Clasificador Naive Bayes
KNN
Soporte de máquinas vectoriales
Significa K
Análisis lineal discriminante
Análisis de componentes principales

Esta es una lista de un puñado de algoritmos de aprendizaje automático supervisados y algoritmos de aprendizaje automático no supervisados que usted debe saber y tratar de dominar en la tercera semana de su horario de 30 días.

Semana 4:

En la cuarta semana, debe continuar su viaje al aprendizaje automático aprendiendo algunos algoritmos más no supervisados dedicando 2-3 días.

Los próximos 3 días para dominar la ciencia de los datos, usted debe implementar todos sus aprendizajes a más conjuntos de datos de diferentes industrias.

Por ejemplo, recoger un detección de fraude con tarjeta de crédito conjunto de datos, recoger un conjunto de datos de telecomunicaciones, recoger un conjunto de datos simple que podría ayudarle a implementar algunos de estos algoritmos de aprendizaje automático en el escenario del mundo real, derecho.

Sin embargo, cracking machine learning no se limita a inscribirse en las clases, tomar notas, aparecer para las pruebas y obtener una certificación. ¡Es crucial poner todo lo que has aprendido en práctica, y nos referimos a la práctica del mundo real!

Así que este es el plan de cuatro semanas que deben seguir si están en un curso intensivo, por así decirlo, para dominar la ciencia de datos.

Realísticamente, cracking Data Science en 30 días sólo puede ser sobre dominio de los fundamentos . Necesitas practicar más y más y una y otra vez para afinar tus habilidades.

Este plan es sólo para las personas que no tienen los recursos o el tiempo para invertir en un plan más ramificado y completo para el aprendizaje de la ciencia de datos.

Sin embargo, no es aconsejable limitarse a un plan de estudio de ciencia de datos de 30 días porque es muy difícil apegarse a un horario tan apretado. La ciencia de los datos es un tema vasto con muchas herramientas y habilidades para aprender y muchos desarrollos que ocurren en tiempo real.

Un período de 30 días para limitarte a ti mismo es no tan factible como científico de datos. Sin embargo, si debido a cualquier consideración que usted necesita absolutamente un plazo de 30 días de aprendizaje, es mejor que usted siga este horario de tiempo.

Háganos saber en la sección de comentarios cómo abordará el aprendizaje de la ciencia de datos en un período de tiempo limitado y cómo se ven sus horarios de estudio.