每天都有越来越多的人踏入数据科学领域。这一趋势背后有多重原因。首先是强劲的需求：尽管受到 COVID-19 疫情影响行业有所放缓，但根据 LinkedIn 2020 新兴岗位报告，数据科学依然是市场上增长最快的岗位之一。
其次是薪酬预期：Glassdoor 2020 数据显示，初级数据科学家的年薪约为 89,000 美元。最后是非凡的人气：哈佛商业评论在一篇 2012 年令人难忘的文章中，称数据科学家为“21 世纪最性感的职业”。
如果您正考虑在数据科学领域开启新旅程，不要犹豫——行动起来吧。为了助您一路顺利，我们准备了 10 条经验和实用建议，帮助您在精彩的数据科学世界中找到方向与定位。
- 走出数据科学迷雾
- 什么是编程语言？
- 起初会很痛苦，但请耐心坚持。
- 您并不孤单：数据科学资源
- 编码的艺术
- 我该从哪里开始学？
- 持续学习
- 数据科学是手段而非目的
- 能力越大，责任越大
- 结语：化作“数据”吧，我的朋友
走出数据科学迷雾
数据科学常与大数据、人工智能和机器学习等科技热词并列讨论，这让人难以清楚理解数据科学究竟是什么。
简而言之，数据科学是一个跨学科领域，结合了科学方法、编程、算法与统计，从数据中提取知识。数据科学包含一套强大的数据处理工具与方法，几乎适用于所有行业。其应用范围极广：从基础的数据探索分析和诸如网页抓取之类的数据采集技术，到最具价值的领域应用，例如推荐引擎、计算机视觉、自动驾驶以及自然语言处理，其中机器学习和深度学习发挥着关键作用。
虽然对于具备 IT 或编程背景的专业人士来说，数据科学是顺理成章的选择，但这个领域发展迅速，如今可以说不论您来自何处，都非常欢迎加入。原因在于：随着数据科学渗透更多学科，了解某一领域的基本要点变得至关重要。除了技术与编程能力外，数据科学家还应具备一定的业务领域知识，以便理解自己在做什么。这包括评估输入数据、判断洞见的价值与有效性，并分辨何者合理、何者不合逻辑。
什么是编程语言？
学习编程是成为数据科学家的必要一步。尽管“零代码”数据科学与 AI 平台近来兴起，但这并无替代答案。这些方案让非技术的业务用户也能构建应用与软件（试图缓解软件开发人才短缺），然而至少目前而言，数据科学家所具备的能力、资源与思维方式很难被取代。
编程是数据科学家日常工作的核心。但编程到底是什么？编程语言又是什么？
编程是让计算机系统执行自动化任务的技术。我们通过编程语言与计算机对话。编程语言是一套语义与语法规则，程序员用它来编写指令——也就是算法——让计算机完成特定任务。
编程语言多达数百种。在数据科学中，最流行的两种语言是 Python 和 R。这两种语言都非常适合各种数据科学任务。它们常被描绘为对手，但更聪明的看法是把它们视为互补：相互配合，发挥各自优势。幸好，DataCamp 提供了海量课程，您可以系统学习 Python 和 R。
起初会很痛苦，但请耐心坚持。
坦白讲：学编程很难。这对任何人都适用，不论背景如何。别再认为学过计算机或数学的人就一定比文科生更适合做数据科学。两者唯一的区别，可能只是前者在大学里就开始编程，而后者没有。但可以肯定，前者在起步阶段也同样经历过写代码的痛苦。
编码就像去健身。头几天会很疼，肌肉酸胀僵硬。您不习惯这种痛，躺在沙发上时也许会萌生放弃的念头。但如果不放弃、坚持锻炼，情况会逐渐改善。几周后，您会发现自己达成了不久前还遥不可及的里程碑。最终，去健身房会成为日常，有一天您会发现自己开始享受训练。
大多数婴儿从开口说话到能表达，往往需要 9 至 14 个月。好在，编程语言比人类语言简单得多、原始得多。如果您下定决心，几个月内就能写出基础脚本。和健身一样，学习一门编程语言需要耐心。
您并不孤单：数据科学资源
您的数据科学旅程会充满阻碍。您可能会在写代码时卡住，有时不明白脚本为何无法正常运行，也会有完全不知如何着手某项任务的时候。
别紧张：您并不孤单。数据科学——更广义地说，整个编程生态——最酷的一点是，互联网上充满了能帮助您跨越难关的资源与信息。您只需提出正确的问题，才能获得正确的答案。
以下资源清单将在您的数据科学之旅中随时伸出援手：
-
Stack Overflow：程序员的“德尔斐神谕”。拥有超过 1,600 万用户的 Stack Overflow 是面向程序员的问答平台。如果您的 Python 或 R 脚本出了问题，您很可能最终会在 Stack Overflow 上寻找解决方案。
-
教程：回归分析遇到难题？不知从何开始做网页抓取？阅读相关教程是很好的起点。您可以在成熟平台（如 DataCamp）甚至 YouTube 上找到覆盖广泛主题的系统教程。
-
在线课程：如果您想成为某一主题的专家、打磨编码技能，或只是想拓宽数据科学视野，课程可能正合您意。市面上选择众多，包括 DataCamp。欢迎探索我们丰富的课程列表。
-
数据科学书籍：书籍始终是信息的极佳来源。近年来出版的数据科学书籍与日俱增，很多还能在线免费获取。推荐一处资源：O’Reilly 图书。
-
文档：最后但同样重要的是软件包文档。文档是衡量优秀包或库的关键要素之一。它是用户了解包的目标与工作方式的主要来源。尽管读起来可能并不刺激，但很多情况下，问题的解决方案正是您尚不了解的某个包函数或参数，而读文档能让您发现它们。
编码的艺术
经过几个月的“编码健身”，您会对自己的能力更有信心。在这段时间里，您会内化大量流程、语法与命令。不知不觉间，编码的自动化反应会逐渐形成，让您的脚本更流畅。
最终，您会开始看到“大图景”：您会意识到编码是一门艺术。比如，同一个编程问题有多种解法，但有些更高效。事实上，对效率的追求会引导您的工作，无论是编码还是运行层面，这也会促使您学习新的编程策略。
另一个您会开始重视的重要方面是可读性。请记住，可读性不仅是为了其他可能需要处理您脚本的程序员，也是为了“未来的您”。通过在一些要素上做出微小调整，例如语法结构、变量与函数命名、空格与缩进，您的代码会更美观、更易懂。同时，为代码写注释、为函数写文档，也会让您和读者的工作轻松许多。
我该从哪里开始学？
前面我们将数据科学定义为融合科学方法、编程、算法与统计，从数据中提取知识的跨学科领域。是的，入门要学的东西很多。数据科学要求高，新手很容易感到不知所措。聊以慰藉的是，不论背景如何，所有踏入数据科学的人都必须经历一定的学习过程：不可能一开始就面面俱到。
那么从何开始？并无唯一答案，但如果缺乏编程、统计与数学的基础，您很难走得很远。编程方面，除了 Python 或 R，掌握 SQL 毋庸置疑是必需的。至于数学与统计，不必害怕。也许需要更长时间，但您会在自己的节奏中搞懂 p 值或人工神经网络究竟是什么。
与此同时，您也可以做些其他事情来提升曝光度与求职成功率。一个好主意是打造作品集。在这方面，我们强烈推荐试试新近上线的 DataCamp Workspace：一个在线环境，您可以在其中写代码、通过分析有趣数据集来应用技能，并构建您的数据科学作品集。此外，您还可以撰写行业文章、参与数据科学竞赛，或获取数据科学认证。
持续学习
如果您以为找到第一份数据科学工作就算旅程终点，那就错了。数据科学是一个动态且快速演进的领域。今天流行的，明天可能就过时。想了解数据科学版图的现状，请看看这张图。
来源：FirstMark
从这张图我们可以得出两个结论。第一，数据科学是一辈子的学习过程。您必须持续学习，否则就有被淘汰的风险。
第二，世上不可能掌握所有编程语言与技术。因此请结合工作的需要与您的兴趣热情来选择学习方向。
数据科学是手段而非目的
如果您无法传达手头项目的价值，作为数据科学家的工作还有什么意义？如果没人听懂您做的深入细致的数据分析，那又有何用？
数据科学的目标是从数据中提取洞见，并用这些洞见创造价值。换言之，数据科学本身不是目的，而是创造价值的手段。良好的沟通、讲故事能力与创造性思维等技能，是把洞见转化为价值的关键。在这方面，正如上文所述，行业也同样受益于非技术类技能。
能力越大，责任越大
这或许是最重要的一课。我们生活中许多最有价值的应用与发明背后，都有数据科学的身影。我们的社会正在被数据科学与人工智能等技术的破坏式力量迅速推动着改变。
在这种充满不确定与深刻变革的背景下，保持批判与谨慎尤为重要。作为数据科学家，我们的日常工作涉及处理海量数据、构建模型，并将洞见转化为价值，但我们也应尽量走出屏幕之外，审视自身工作的社会影响。
保持批判与负责，是防止行业滥用并确保公平未来的第一步。
结语：化作“数据”吧，我的朋友
作为收尾，我们想与您分享最后一课：数据科学不仅在改变社会，也将永远改变您的生活。
我们所处的世界很复杂。我们不断与超出理解范围的过程与系统打交道。为应对这种复杂性，我们借助模型——可以将其定义为对现实的简化描述。从这个角度看，数据科学提供了许多有助于理解世界的模型。例如，关系模型在数据库管理中非常有用，可用于组织信息并描绘复杂现象。社会网络模型能帮助我们理解信息如何在人与人之间流动，或挖掘我们所处网络的潜力。更令人着迷的是，支撑机器学习应用的数学模型不仅是计算机学习的关键，也为我们审视人类智能提供了新视角，从而更深入地理解自我。
最后，还有另一层原因说明数据科学会改变您。我们生活在大数据时代。每天都有海量数据被创造与收集。数据不过是来自多种类型与来源的信息。阅读让我们能从书籍与文本中学习，数据素养则让我们能从数据中学习。这一点意义重大，因为数据为我们研究几乎任何领域——从医学、心理学、艺术，到气候变化、天文学与历史——提供了前所未有的方法。
数据科学为您提供分析数据的工具——如何使用它们，完全取决于您的想象力与好奇心。那么，让我们继续这段冒险吧：外面的世界正等待着您去（重新）发现。先从在线提升您的数据技能开始吧。
每天都有越来越多的人踏入数据科学领域。这一趋势背后有多重原因。首先是强劲的需求：尽管受到 COVID-19 疫情影响行业有所放缓，但根据 LinkedIn 2020 新兴岗位报告，数据科学依然是市场上增长最快的岗位之一。
其次是薪酬预期：Glassdoor 2020 数据显示，初级数据科学家的年薪约为 89,000 美元。最后是非凡的人气：哈佛商业评论在一篇 2012 年令人难忘的文章中，称数据科学家为“21 世纪最性感的职业”。
如果您正考虑在数据科学领域开启新旅程，不要犹豫——行动起来吧。为了助您一路顺利，我们准备了 10 条经验和实用建议，帮助您在精彩的数据科学世界中找到方向与定位。
走出数据科学迷雾
数据科学常与大数据、人工智能和机器学习等科技热词并列讨论，这让人难以清楚理解数据科学究竟是什么。
简而言之，数据科学是一个跨学科领域，结合了科学方法、编程、算法与统计，从数据中提取知识。数据科学包含一套强大的数据处理工具与方法，几乎适用于所有行业。其应用范围极广：从基础的数据探索分析和诸如网页抓取之类的数据采集技术，到最具价值的领域应用，例如推荐引擎、计算机视觉、自动驾驶以及自然语言处理，其中机器学习和深度学习发挥着关键作用。
虽然对于具备 IT 或编程背景的专业人士来说，数据科学是顺理成章的选择，但这个领域发展迅速，如今可以说不论您来自何处，都非常欢迎加入。原因在于：随着数据科学渗透更多学科，了解某一领域的基本要点变得至关重要。除了技术与编程能力外，数据科学家还应具备一定的业务领域知识，以便理解自己在做什么。这包括评估输入数据、判断洞见的价值与有效性，并分辨何者合理、何者不合逻辑。
什么是编程语言？
学习编程是成为数据科学家的必要一步。尽管“零代码”数据科学与 AI 平台近来兴起，但这并无替代答案。这些方案让非技术的业务用户也能构建应用与软件（试图缓解软件开发人才短缺），然而至少目前而言，数据科学家所具备的能力、资源与思维方式很难被取代。
编程是数据科学家日常工作的核心。但编程到底是什么？编程语言又是什么？
编程是让计算机系统执行自动化任务的技术。我们通过编程语言与计算机对话。编程语言是一套语义与语法规则，程序员用它来编写指令——也就是算法——让计算机完成特定任务。
编程语言多达数百种。在数据科学中，最流行的两种语言是 Python 和 R。这两种语言都非常适合各种数据科学任务。它们常被描绘为对手，但更聪明的看法是把它们视为互补：相互配合，发挥各自优势。幸好，DataCamp 提供了海量课程，您可以系统学习 Python 和 R。
起初会很痛苦，但请耐心坚持。
坦白讲：学编程很难。这对任何人都适用，不论背景如何。别再认为学过计算机或数学的人就一定比文科生更适合做数据科学。两者唯一的区别，可能只是前者在大学里就开始编程，而后者没有。但可以肯定，前者在起步阶段也同样经历过写代码的痛苦。
编码就像去健身。头几天会很疼，肌肉酸胀僵硬。您不习惯这种痛，躺在沙发上时也许会萌生放弃的念头。但如果不放弃、坚持锻炼，情况会逐渐改善。几周后，您会发现自己达成了不久前还遥不可及的里程碑。最终，去健身房会成为日常，有一天您会发现自己开始享受训练。
大多数婴儿从开口说话到能表达，往往需要 9 至 14 个月。好在，编程语言比人类语言简单得多、原始得多。如果您下定决心，几个月内就能写出基础脚本。和健身一样，学习一门编程语言需要耐心。
您并不孤单：数据科学资源
您的数据科学旅程会充满阻碍。您可能会在写代码时卡住，有时不明白脚本为何无法正常运行，也会有完全不知如何着手某项任务的时候。
别紧张：您并不孤单。数据科学——更广义地说，整个编程生态——最酷的一点是，互联网上充满了能帮助您跨越难关的资源与信息。您只需提出正确的问题，才能获得正确的答案。
以下资源清单将在您的数据科学之旅中随时伸出援手：
Stack Overflow：程序员的“德尔斐神谕”。拥有超过 1,600 万用户的 Stack Overflow 是面向程序员的问答平台。如果您的 Python 或 R 脚本出了问题，您很可能最终会在 Stack Overflow 上寻找解决方案。
教程：回归分析遇到难题？不知从何开始做网页抓取？阅读相关教程是很好的起点。您可以在成熟平台（如 DataCamp）甚至 YouTube 上找到覆盖广泛主题的系统教程。
在线课程：如果您想成为某一主题的专家、打磨编码技能，或只是想拓宽数据科学视野，课程可能正合您意。市面上选择众多，包括 DataCamp。欢迎探索我们丰富的课程列表。
数据科学书籍：书籍始终是信息的极佳来源。近年来出版的数据科学书籍与日俱增，很多还能在线免费获取。推荐一处资源：O’Reilly 图书。
文档：最后但同样重要的是软件包文档。文档是衡量优秀包或库的关键要素之一。它是用户了解包的目标与工作方式的主要来源。尽管读起来可能并不刺激，但很多情况下，问题的解决方案正是您尚不了解的某个包函数或参数，而读文档能让您发现它们。
编码的艺术
经过几个月的“编码健身”，您会对自己的能力更有信心。在这段时间里，您会内化大量流程、语法与命令。不知不觉间，编码的自动化反应会逐渐形成，让您的脚本更流畅。
最终，您会开始看到“大图景”：您会意识到编码是一门艺术。比如，同一个编程问题有多种解法，但有些更高效。事实上，对效率的追求会引导您的工作，无论是编码还是运行层面，这也会促使您学习新的编程策略。
另一个您会开始重视的重要方面是可读性。请记住，可读性不仅是为了其他可能需要处理您脚本的程序员，也是为了“未来的您”。通过在一些要素上做出微小调整，例如语法结构、变量与函数命名、空格与缩进，您的代码会更美观、更易懂。同时，为代码写注释、为函数写文档，也会让您和读者的工作轻松许多。
我该从哪里开始学？
前面我们将数据科学定义为融合科学方法、编程、算法与统计，从数据中提取知识的跨学科领域。是的，入门要学的东西很多。数据科学要求高，新手很容易感到不知所措。聊以慰藉的是，不论背景如何，所有踏入数据科学的人都必须经历一定的学习过程：不可能一开始就面面俱到。
那么从何开始？并无唯一答案，但如果缺乏编程、统计与数学的基础，您很难走得很远。编程方面，除了 Python 或 R，掌握 SQL 毋庸置疑是必需的。至于数学与统计，不必害怕。也许需要更长时间，但您会在自己的节奏中搞懂 p 值或人工神经网络究竟是什么。
与此同时，您也可以做些其他事情来提升曝光度与求职成功率。一个好主意是打造作品集。在这方面，我们强烈推荐试试新近上线的 DataCamp Workspace：一个在线环境，您可以在其中写代码、通过分析有趣数据集来应用技能，并构建您的数据科学作品集。此外，您还可以撰写行业文章、参与数据科学竞赛，或获取数据科学认证。
持续学习
如果您以为找到第一份数据科学工作就算旅程终点，那就错了。数据科学是一个动态且快速演进的领域。今天流行的，明天可能就过时。想了解数据科学版图的现状，请看看这张图。
从这张图我们可以得出两个结论。第一，数据科学是一辈子的学习过程。您必须持续学习，否则就有被淘汰的风险。
第二，世上不可能掌握所有编程语言与技术。因此请结合工作的需要与您的兴趣热情来选择学习方向。
数据科学是手段而非目的
如果您无法传达手头项目的价值，作为数据科学家的工作还有什么意义？如果没人听懂您做的深入细致的数据分析，那又有何用？
数据科学的目标是从数据中提取洞见，并用这些洞见创造价值。换言之，数据科学本身不是目的，而是创造价值的手段。良好的沟通、讲故事能力与创造性思维等技能，是把洞见转化为价值的关键。在这方面，正如上文所述，行业也同样受益于非技术类技能。
能力越大，责任越大
这或许是最重要的一课。我们生活中许多最有价值的应用与发明背后，都有数据科学的身影。我们的社会正在被数据科学与人工智能等技术的破坏式力量迅速推动着改变。
在这种充满不确定与深刻变革的背景下，保持批判与谨慎尤为重要。作为数据科学家，我们的日常工作涉及处理海量数据、构建模型，并将洞见转化为价值，但我们也应尽量走出屏幕之外，审视自身工作的社会影响。
保持批判与负责，是防止行业滥用并确保公平未来的第一步。
结语：化作“数据”吧，我的朋友
作为收尾，我们想与您分享最后一课：数据科学不仅在改变社会，也将永远改变您的生活。
我们所处的世界很复杂。我们不断与超出理解范围的过程与系统打交道。为应对这种复杂性，我们借助模型——可以将其定义为对现实的简化描述。从这个角度看，数据科学提供了许多有助于理解世界的模型。例如，关系模型在数据库管理中非常有用，可用于组织信息并描绘复杂现象。社会网络模型能帮助我们理解信息如何在人与人之间流动，或挖掘我们所处网络的潜力。更令人着迷的是，支撑机器学习应用的数学模型不仅是计算机学习的关键，也为我们审视人类智能提供了新视角，从而更深入地理解自我。
最后，还有另一层原因说明数据科学会改变您。我们生活在大数据时代。每天都有海量数据被创造与收集。数据不过是来自多种类型与来源的信息。阅读让我们能从书籍与文本中学习，数据素养则让我们能从数据中学习。这一点意义重大，因为数据为我们研究几乎任何领域——从医学、心理学、艺术，到气候变化、天文学与历史——提供了前所未有的方法。
数据科学为您提供分析数据的工具——如何使用它们，完全取决于您的想象力与好奇心。那么，让我们继续这段冒险吧：外面的世界正等待着您去（重新）发现。先从在线提升您的数据技能开始吧。