有前途的人工智慧大資料分析相關職業：Python資料科學入門之路

為什麼學習Python資料科學？

Python是資料科學職業所需的寶貴技能之一。Python是資料科學的首選程式語言。

• 2016年，它超越了R on Kaggle，這是資料科學競賽的首選平臺。
• 2017年，它在KDNuggets對資料科學家最常用工具的年度調查中取代了R.
• 2018年，66％的資料科學家報告每天使用Python，使其成為分析專業人士的頭號工具。

資料科學專家預計，隨著Python生態系統的不斷髮展，這一趨勢將持續下去。雖然您學習Python程式設計的過程可能剛剛開始，但就業機會也很豐富，並且還在增長。

據Indeed，資料科學家的平均工資是127,918美元。這個數字預計只會增加。 IBM的專家預測，到2020年，資料科學家的需求將增長28％。

因此，Python資料科學的未來是光明的。

如何學習Python的資料科學

• 第1步：學習Python基礎知識

Python程式設計基礎知識及Jupyter Notebook。比如python 3.7極速入門教程：https://china-testing.github.io/python3_quick.html

通過加入社群，您可以將自己置身於志同道合的人群中，並增加就業機會。根據人力資源管理協會的統計，內推佔所有僱員的30％。比如扣扣群：630011153 144081101。建立Kaggle帳戶。

嘗試使用命令列介面：命令列介面(CLI)使您可以更快地執行指令碼，從而可以更快地測試程式並處理更多資料。

• 第2步：練習迷你Python專案

嘗試編寫諸如線上遊戲的計算器之類的程式，或者從您所在城市的Google獲取天氣的程式。構建這樣的迷你專案將幫助您學習Python。這些程式設計專案是所有語言的標準，也是鞏固您對基礎知識理解的好方法。https://china-testing.github.io/practices.html上有不少練習專案。

使用API​​構建體驗並開始Web抓取。除了幫助您學習Python程式設計之外，Web抓取對於您以後收集資料非常有用。

閱讀指南，部落格文章，甚至其他人的開原始碼，以學習Python和資料科學最佳實踐 – 並獲得新的想法。

《Python程式設計快速上手:讓繁瑣工作自動化》有很多優秀的例項，在https://china-testing.github.io/python3_quick9.html可以下載，該網址還收集了海量的python書籍。

SQL用於與資料庫通訊以更改，編輯和重新組織資訊。 SQL是資料科學界的重要內容，因為40％的資料科學家報告說它一直在使用它。

• 第3步：學習Python資料科學庫

與其他一些程式語言不同，在Python中，通常有一種最好的方法。用於資料科學的三個最佳和最重要的Python庫是NumPy，Pandas和Matplotlib。

NumPy和Pandas非常適合探索和玩資料。 Matplotlib是資料視覺化庫，可以生成類似Excel或Google表格中找到的圖表。當然還有其他很多優秀的庫，請參考：https://github.com/china-testing/python-api-tesing。

Python擁有豐富的專家社群，他們渴望幫助您學習Python。像Quora，Stack Overflow和Dataquest的Slack這樣的資源讓很多人興奮地分享他們的知識並幫助你學習Python程式設計。改變使用百度的不良習慣。儘量使用google、https://www.oscobo.com/等，可以參考https://china-testing.github.io/address.html的搜尋引擎收集。

Git是一種流行的工具，可以幫助您跟蹤對程式碼所做的更改，從而更容易糾正錯誤，實驗和與他人協作。類似的有hg。

• 第4步：在學習Python時構建資料科學組合

對於有抱負的資料科學家來說，投資組合是必須的。

這些專案應該包括幾個不同的資料集，並且應該給讀者留下您已經收集到的有趣見解。您的投資組合不需要特定的主題;找到您感興趣的資料集，然後想出一種將它們組合在一起的方法。

顯示這些專案可以讓同行資料科學家們進行合作，並向未來的僱主展示您真正花時間學習Python和其他重要的程式設計技能。

資料科學的一個好處是，您的投資組合可以兼作簡歷，同時突出您學到的技能，如Python程式設計。

通過以下方式啟動您的學習：溝通，協作並專注於技術能力

在此期間，您需要確保培養與他人合作所需的軟技能，確保您真正瞭解您正在使用的工具的內部工作原理。

在學習Python用於資料科學的同時，最好獲得統計學方面的紮實背景。瞭解統計資料將為您提供專注於正確事物所需的思維模式，因此您將找到有價值的見解（和真正的解決方案），而不僅僅是執行程式碼。

• 第5步：應用高階資料科學技術

資料科學之旅將充滿不斷的學習，但您可以完成高階課程，以確保您已涵蓋所有基礎。比如迴歸，分類和k-means聚類模型。您還可以進入機器學習 – 自舉模型和使用scikit-learn建立神經網路。

此時，程式設計專案可以包括使用實時資料來源建立模型。這種機器學習模型隨著時間的推移調整其預測。

記住：繼續學習！

資料科學是一個跨越眾多行業的不斷髮展的領域。

按需求增長的速度，有指數級的學習機會。繼續閱讀，協作和與他人交談，隨著時間的推移，您一定會保持興趣和競爭優勢。

學習Python需要多長時間？

學習Python需要花費大量時間。具體而言，對於資料科學，估計要3個月到一年。如果需要參加培訓，切記能確定老師具備相應的實際技能。不少機構的老師實際都未入門，自學加實際從業高手的指點，是比較快捷的方式。

參考資料

• 本文涉及的python測試開發庫 謝謝點贊！
• 本文相關海量書籍下載
• 2018最佳人工智慧機器學習工具書及下載(持續更新)
• https://www.dataquest.io/blog/how-to-learn-python-for-data-science-in-5-steps/
• Kaggle
• KDNuggets study on Python overtaking R
• KDNuggets poll of data scientists and the tools they use
• Indeed.com salary estimates
• Forbes
• Society for Human Resource Management