数据科学该怎么学必备技能有哪些
最近，一份数据科学领域的学习宝典在推特上火了，吸引点赞1k+。
之所以能够引起大家的关注，是因为这份教程将数据科学广而杂的知识内容，梳理成了14个方面及各自要点，同时解答了许多学习中的常见疑问。
比如用什么语言比较好，哪些工具最适合。
那么，具体这份干货到底讲了什么是否真的如此神奇
我们一起来看。
更推荐R语言
进入正题之前，我们先来浅聊一下数据科学。
数据科学是指通过挖掘数据，处理数据，分析数据，从而得到有用信息的技术和研究，再将这些信息应用到不同领域的各个方面。
该学科结合了诸多领域中的理论和技术，包括应用数学，统计，模式识别，机器学习，数据可视化，数据仓库以及高性能计算等，覆盖知识面非常广。
那么在开始真正学习之前，先来看一个最关键的问题mdash，mdash，
用什么语言。
如果从从业角度出发，他会考虑以下三个因素:
编程语言对数据科学的影响有多大就业市场的需求如何就业市场的竞争力如何
Python非常适合机器学习和深度学习但是在市场报告方面的优势不大，能用于统计经济学等重要领域的库比较少
R语言在业务分析，数据科学方面都拥有完善的工具支持，在深度学习方面的应用比较弱。
再从就业市场角度来看。
结果显示，Python方面在招职位的数量，是R语言的2.4倍。
但是了解，掌握Python的人，也比掌握R语言的更多。
可能达到4—32倍。
那么还有一些其他基础技能呢。
比如推荐使用Excel吗。
所以，建议大家慎重使用Excel。
针对喜欢使用R语言的人群，RStudio是大家最喜爱的开发工具。
Python方面，Jupyter，VSCode更受人们欢迎。
只需4步，上手数据科学
接下来，就到了正式学习的环节。
大致可以分为4个步骤:
掌握基础技能学习建模学习时间序列分析将模型集成到应用程序
所需要点亮的技能树如下所示:
第一，从基础技能学起。
可能很多人一上来就想搞定机器学习，但这可能会影响学习兴趣amp，效率。
导入数据:使用数据库，连接到SQL，readr包， readxl包，转换数据:处理异常值，缺失数据，重塑数据，聚合，过滤等，可视化数据:静态/交互式数据可视化，ggplot2以及plotly，处理文本数据，函数式编程hellip，hellip，
如果以上这些基础技能都掌握后，接下来就可以学习机器学习了。
在这里，可能有人会疑惑，不应该先学习数学，统计和算法吗。
所以，他更推荐从实战中学习这些技能。
简单来看可以分为三步:
把机器学习应用在实际问题上，尝试使用不同的算法，对比不同的应用结果。
在这方面需要用到哪些工具呢。
另外，Recipes中具有很多预处理工具，可以转换数据，创建数据特征。
因为这个技能意味着你可以对未来的一些数据进行预测，掌握这项技能也会使你成为大厂手中炙手可热的人才。
在这方面，你需要掌握的技能如下:
时间序列分析:处理日期/日期时间数据，聚合，转换，可视化时间序列，使用timetk预测:ARIMA，指数平滑，Prophet，机器学习，深度学习，集成，调整超参数，扩展预测，modeltime包。
进行到这一步后，你就可以尝试去创建一个模型并投入使用了。
这个程序包可以用来创建交互式Web应用程序，代码可以在本地或服务器上托管。
One More Thing
看完这份技能树后，也有网友提出了疑问:
为什么没有看到深度学习。
当然，这份完整的学习计划是可以白嫖的。
对于这篇分享，你怎么看。
欢迎留言讨论~
。