本文由 Rosana de Oliveira Gomes（Omdena 机器学习负责人）与 Joseph Itopa A（Omdena 初级机器学习工程师）撰写。
转入一份新职业，常常像在一架已开始加速起飞的飞机上登机。数据科学这一职业相对较新，这意味着许多数据科学家和机器学习工程师并非一开始就走上这条路。他们像我们一样从其他领域转入，也可能像正在阅读本文的许多您一样。因此，让我们来谈谈转入数据科学需要哪些工具与技能——我们将指出可能遇到的挑战，并给出切实可行的应对建议。
如何克服转入数据科学的技术性挑战
1. 夯实数学与编程基础
数据科学并不需要超出任何理科学位所需的高深数学。但每一个人工智能算法都建立在某种数学结构之上，您需要理解它们。通常涉及线性代数和一些微积分概念。要解读结果，您还需要进行统计分析，这同样要求具备概率与统计的知识。
数学提供概念，编程语言则是让这些概念落地的工具。这意味着您必须选择一门编程语言来学习，在该领域通常是 Python 或 R，并很可能需要配合 SQL 和 Bash。KDnuggets 关于数据科学家使用编程软件的投票显示，Python 已超越 R 成为首选工具。
但语言的选择归根结底取决于手头任务和个人风格偏好。对于有编程经验的人而言，Python 容易上手，且广泛应用于包括数据科学和机器学习在内的各行业与领域。如果您具备统计背景并主要从事分析工作，R 也是不错的选择。它还内置了用于通过报告传达结果的工具与库。我们的建议是先坚持用一门语言，在打好基础后开始动手做点东西。
以我们的经验来看，要获得数据科学所需技能，您应当一次只选择一家学习平台并坚持下去。最糟糕的做法就是把同样的内容反复学一遍又一遍。
2. 成为问题解决者
可以把数据科学的“科学性”理解为用创造性与逻辑性思维解决问题的能力。这需要通过实践获得的编程知识与对算法的理解。
在掌握一些编程基础后，您可以通过课程或平台进行练习，开始解决真实世界的问题。GeeksforGeeks 提供面向竞赛编程、Python、JAVA 和 SQL 的实战项目。解决一些 Kaggle 竞赛问题也能提升您的问题解决能力，您可以便捷地利用真实数据进行练习，并从社区获得大量帮助。DataCamp 的无引导项目也是在开放式项目中探索自我解法的好途径。
在这些成就中找到乐趣，对坚持数据科学职业道路至关重要。在一次Omdena 近期网络研讨会中，数据科学领域的影响者 Eric Weber 表示：“不要只为收入做最优化，而要为能带给您快乐的事做最优化；否则，您可能很快就会精疲力竭。”
3. 参与协作项目
当您接触过一些算法并完成了几个项目练习后，就可以挑战更高级的项目了。这时协作平台就派上用场。协作式数据科学项目依托社区，以多元且高效的方式推进项目。最具“街头编码”韧性与乐趣的体验，往往就在协作项目中。您会在彼此学习中成长。您会在与非结构化、杂乱数据搏斗时结识朋友——其乐无穷。
鼓舞人心的协作倡议包括 Data Kind、Science to data science 和 Data Science for Social Good。这些选项通常受地域限制，且由于名额有限与繁琐的申请流程，可能成本较高或竞争激烈。
协作项目的另一种选择是 Omdena，它每月发起多个项目，并以志愿原则通过在线协作解决现实问题。学习者与领域专家共同工作，专家将通过网络研讨会、课程、书籍和博客文章帮助大家保持动力。
如何克服转入数据科学的非技术性挑战
1. 组织与时间管理能力
转行是一项项目工程。它需要战略规划、时间表，以及明确（且现实）的里程碑。请自问：
- 我为什么想成为数据科学家？我热衷的主题是什么？
- 我要辞职并抽出时间学习所需技能，还是在现有工作并行过渡？
- 我的长处是什么？短板是什么？
- 我愿意在转行上投入多少时间和金钱？
- 为新的职业路径，我需要获得哪些新技能与资质？
- 我的学习风格是什么？
如实回答后，您需要一份计划。归根结底，您得找到最适合自己的方法。可以这样做：
- 打印一份每周计划，贴在墙上。
- 用 Google 日历安排每日行程。
- 识别哪些有效、哪些需要调整。也许您低估了一门课程所需时间，或所选学习资源并不如预期。
- 别害怕改变策略。去线上论坛寻找更好的资源。或阅读一些时间管理文章，了解如何设定 SMART 目标。
- 持续勾掉待办清单上的任务。这种动能会把您从学习新事物之初的挫败期推出来。
2. 成为更出色的沟通者
数据科学的另一项必备技能是沟通。数据科学家需要将海量数据转化为可供决策者和相关方采取行动的洞见。然而，您需要沟通的人并不都是数据科学家，也未必有 STEM 背景。如果您性格内向，可能对公开演讲或持续沟通并不兴奋。数据科学中的沟通不仅是做一个好的演讲者，还包括养成以下习惯与能力：
- 向非专业人士清晰解释复杂概念。
- 为代码与分析撰写文档，让其他团队成员未来能从您的工作中学习（包括未来的您自己！）。
- 通过养成记录职业路径上一切所做之事的习惯，成为一名优秀的写作者。
文档即力量，所以写，并坚持写。在不远的将来，您需要证明简历上写的技能，您可以通过良好整理的代码仓库（例如 GitHub）、博客文章，以及关于您工作的网络研讨会或演讲来佐证。开始得越早，进步得越快。
3. 准备好与“冒名顶替综合征”斗争
许多转行者都会面临一个常见挑战：冒名顶替综合征。从一份已建立的职业突然变成“新手”，从来都不轻松。在这方面，关键在于心态：让自己保持动力，对即将学习的一切全新事物感到兴奋！Omdena 曾举办过一场关于如何作为数据科学家克服冒名顶替综合征的网络研讨会，内容包括明确您需要弥补的技能差距，以及识别您从上一份职业中已获得的技能。
4. 构建您的人脉网络
在求职过程中拓展人脉并不一定尴尬。事实上，从统计上看，大多数工作机会来自个人的人脉网络，而非投递申请（参考资料见这里与这里）。当您拓展人脉时，您只是在与兴趣相近的人建立联系，听取他们对数据科学话题的看法，并了解他们的职业轨迹。这些人可能成为您的未来同事。最糟糕的情况也不过是没有收到回复——您又有什么可失去的呢？
最容易拓展人脉的方式之一是参与协作项目，在那里您有机会分享知识、与经验丰富的从业者合作、从不同角色的人那里获得洞见，并找到工作的线索。
另一种良好的人脉拓展方式是关注数据科学领域的权威机构，例如：
主动联系任何让您感兴趣的人——您喜欢的一档播客的嘉宾、某门在线课程的老师，或是一位您常读其博文的作者。黄金法则是：走出去，提出问题。这是获得反馈的最佳方式。
Joseph 目前正从工程学转入数据科学，Rosana 则来自天体物理学。欢迎在 LinkedIn 上联系他们继续交流：Joseph 与 Rosana。
本文由 Rosana de Oliveira Gomes（Omdena 机器学习负责人）与 Joseph Itopa A（Omdena 初级机器学习工程师）撰写。
转入一份新职业，常常像在一架已开始加速起飞的飞机上登机。数据科学这一职业相对较新，这意味着许多数据科学家和机器学习工程师并非一开始就走上这条路。他们像我们一样从其他领域转入，也可能像正在阅读本文的许多您一样。因此，让我们来谈谈转入数据科学需要哪些工具与技能——我们将指出可能遇到的挑战，并给出切实可行的应对建议。
如何克服转入数据科学的技术性挑战
1. 夯实数学与编程基础
数据科学并不需要超出任何理科学位所需的高深数学。但每一个人工智能算法都建立在某种数学结构之上，您需要理解它们。通常涉及线性代数和一些微积分概念。要解读结果，您还需要进行统计分析，这同样要求具备概率与统计的知识。
数学提供概念，编程语言则是让这些概念落地的工具。这意味着您必须选择一门编程语言来学习，在该领域通常是 Python 或 R，并很可能需要配合 SQL 和 Bash。KDnuggets 关于数据科学家使用编程软件的投票显示，Python 已超越 R 成为首选工具。
但语言的选择归根结底取决于手头任务和个人风格偏好。对于有编程经验的人而言，Python 容易上手，且广泛应用于包括数据科学和机器学习在内的各行业与领域。如果您具备统计背景并主要从事分析工作，R 也是不错的选择。它还内置了用于通过报告传达结果的工具与库。我们的建议是先坚持用一门语言，在打好基础后开始动手做点东西。
以我们的经验来看，要获得数据科学所需技能，您应当一次只选择一家学习平台并坚持下去。最糟糕的做法就是把同样的内容反复学一遍又一遍。
2. 成为问题解决者
可以把数据科学的“科学性”理解为用创造性与逻辑性思维解决问题的能力。这需要通过实践获得的编程知识与对算法的理解。
在掌握一些编程基础后，您可以通过课程或平台进行练习，开始解决真实世界的问题。GeeksforGeeks 提供面向竞赛编程、Python、JAVA 和 SQL 的实战项目。解决一些 Kaggle 竞赛问题也能提升您的问题解决能力，您可以便捷地利用真实数据进行练习，并从社区获得大量帮助。DataCamp 的无引导项目也是在开放式项目中探索自我解法的好途径。
在这些成就中找到乐趣，对坚持数据科学职业道路至关重要。在一次Omdena 近期网络研讨会中，数据科学领域的影响者 Eric Weber 表示：“不要只为收入做最优化，而要为能带给您快乐的事做最优化；否则，您可能很快就会精疲力竭。”
3. 参与协作项目
当您接触过一些算法并完成了几个项目练习后，就可以挑战更高级的项目了。这时协作平台就派上用场。协作式数据科学项目依托社区，以多元且高效的方式推进项目。最具“街头编码”韧性与乐趣的体验，往往就在协作项目中。您会在彼此学习中成长。您会在与非结构化、杂乱数据搏斗时结识朋友——其乐无穷。
鼓舞人心的协作倡议包括 Data Kind、Science to data science 和 Data Science for Social Good。这些选项通常受地域限制，且由于名额有限与繁琐的申请流程，可能成本较高或竞争激烈。
协作项目的另一种选择是 Omdena，它每月发起多个项目，并以志愿原则通过在线协作解决现实问题。学习者与领域专家共同工作，专家将通过网络研讨会、课程、书籍和博客文章帮助大家保持动力。
如何克服转入数据科学的非技术性挑战
1. 组织与时间管理能力
转行是一项项目工程。它需要战略规划、时间表，以及明确（且现实）的里程碑。请自问：
如实回答后，您需要一份计划。归根结底，您得找到最适合自己的方法。可以这样做：
2. 成为更出色的沟通者
数据科学的另一项必备技能是沟通。数据科学家需要将海量数据转化为可供决策者和相关方采取行动的洞见。然而，您需要沟通的人并不都是数据科学家，也未必有 STEM 背景。如果您性格内向，可能对公开演讲或持续沟通并不兴奋。数据科学中的沟通不仅是做一个好的演讲者，还包括养成以下习惯与能力：
文档即力量，所以写，并坚持写。在不远的将来，您需要证明简历上写的技能，您可以通过良好整理的代码仓库（例如 GitHub）、博客文章，以及关于您工作的网络研讨会或演讲来佐证。开始得越早，进步得越快。
3. 准备好与“冒名顶替综合征”斗争
许多转行者都会面临一个常见挑战：冒名顶替综合征。从一份已建立的职业突然变成“新手”，从来都不轻松。在这方面，关键在于心态：让自己保持动力，对即将学习的一切全新事物感到兴奋！Omdena 曾举办过一场关于如何作为数据科学家克服冒名顶替综合征的网络研讨会，内容包括明确您需要弥补的技能差距，以及识别您从上一份职业中已获得的技能。
4. 构建您的人脉网络
在求职过程中拓展人脉并不一定尴尬。事实上，从统计上看，大多数工作机会来自个人的人脉网络，而非投递申请（参考资料见这里与这里）。当您拓展人脉时，您只是在与兴趣相近的人建立联系，听取他们对数据科学话题的看法，并了解他们的职业轨迹。这些人可能成为您的未来同事。最糟糕的情况也不过是没有收到回复——您又有什么可失去的呢？
最容易拓展人脉的方式之一是参与协作项目，在那里您有机会分享知识、与经验丰富的从业者合作、从不同角色的人那里获得洞见，并找到工作的线索。
另一种良好的人脉拓展方式是关注数据科学领域的权威机构，例如：
主动联系任何让您感兴趣的人——您喜欢的一档播客的嘉宾、某门在线课程的老师，或是一位您常读其博文的作者。黄金法则是：走出去，提出问题。这是获得反馈的最佳方式。
Joseph 目前正从工程学转入数据科学，Rosana 则来自天体物理学。欢迎在 LinkedIn 上联系他们继续交流：Joseph 与 Rosana。