学习数据科学，这3个大坑一定要避开

来源：程序员书库（ID：CodingBook） 猿妹整编

链接：https://towardsdatascience.com/3-things-not-to-do-when-learning-data-science-149b9bc6a414

近年来，科技企业比以往任何时候都要重视数据科学，他们为与数据相关的解决方案进行了大量投资。因此，数据科学生态系统有了巨大的增长，许多来自不同专业的人转行从事数据科学领域的工作。

然而数据科学是一个非常泛的领域，需要你大量的学习和适应许多软件工具，因此你需要比任何时候都要专注于学习，今天，我将和大家分享3个关于如果你想成为一名数据科学家应该避免的三件事：

不要试图在 Kaggle 上竞争

Kaggle 是一个很好的学习平台，你可以在上面找到非常有价值的内容，人们共享的优质学习资料以及可以用于练习的数据集等。

但是该网站的有奖竞赛并不适合新手，因为它的难度比较大，很可能会破坏你的学习动力，尽管你依然可以学习到很多东西，在你的数据科学职业生涯开始时，你应该花时间学习更基本的概念。

即使你在这些比赛上花费了大量的时间，你依然可能离排行榜很远，这是非常正常的，不好的成绩很可能会打压你的自信心，所以，建议你将Kaggle视为一个很好的学习平台，而不是测试知识或技能的地方。

不要陷入 Python-R 的困境

数据科学生态系统中有大量的软件工具和软件包。在大多数情况下，这些工具可以帮助我们无缝高效地完成任务。

在许多情况下，您将拥有多种工具来执行一项任务。丰富的工具选择通常会引发相关比较的讨论。例如，你必须至少阅读过一篇关于 Python 和 R 比较的文章。其实，随便选一个就可以了，在你职业生涯的初期，无论质疑哪一个都是在浪费时间，基础学习无论选择哪一个都一样。

比较不仅是Python和R之间，还有诸如，Matplotlib、Seaborn 和 Altair 是三个不同的 Python 数据可视化库，很多人也会将它们三个放在一起比较。

你可以使用 R 和 Python 库进行数据分析和操作。你选择哪一个并不重要，至少在你学习的时候是这样。获得第一份工作后，你可以根据自己的喜好做出更好的决定。

神经网络很酷，但是并不适合初学者

深度学习是机器学习的一个子领域，它用于解决神经网络的机器学习问题。你需要创建一个模型，训练它，并根据损失函数对其进行评估。这是一个迭代过程，因此你可以调整模型以提高其性能。

深度学习算法比传统机器学习算法更复杂，卷积神经网络可能是图像分类任务的最佳选择。然而，数据科学广泛范围内的许多问题不需要使用深度学习模型。在大多数情况下，机器学习算法绰绰有余。

神经网络听起来很酷，但不要在一开始的时候就学习它，数据科学是一个如此广泛的领域，有许多不同的应用。根据你的工作，你可能永远不需要使用神经网络。此外，如果用更简单的模型就可以解决问题，没有人会强迫你使用深度学习模型。

你应该更多地专注于学习与机器学习算法相关的统计概念。提高你的统计知识肯定会对你有很大帮助。