Bo Python w data science to prawie odrębna dziedzina wiedzy.
Zaczynasz więc swoją specjalizację w nauce o danych i wszyscy zalecają, abyś zaczął od nauki kodowania. Zdecydowałeś się na Pythona i teraz jesteś sparaliżowany ogromem możliwości, jakie ten język daje. Spróbujmy Cię jakoś ukierunkować.
Jak dokładnie Python pomoże Twoim projektom z zakresu analizy danych?
Cykl życia danych zasadniczo składa się z 5 głównych kroków składających się z:
- gromadzenia danych
- czyszczenia danych
- eksploracyjnej analizy danych
- budowania modelu
- wdrażania modelu
Wszystkie te kroki można zaimplementować w Pythonie.
Źródła „czytane” i „oglądane”
Jeśli lubisz czytać, możesz sięgnąć po dobre, oczywiście angielskojęzyczne, pozycje książkowe. Z ogólnej znajomości Pythona przyda Ci się:
- Python Basics: A Practical Introduction to Python 3
- Automate the Boring Stuff with Python: Practical Programming for Total Beginners
- Python Crash Course: A Hands-On, Project-Based Introduction to Programming
O Pythonie w kontekście data science traktują:
- Python Data Science Handbook: Essential Tools for Working with Data
- Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems
Z kanałów na YouTube warto natomiast wymienić: freeCodeCamp, Data Professor, Coding Professor, CD Dojo, Corey Schafer, Tech with Tim, Python Programmer, Data School, Keith Galli, Kylie Ying czy Programming with Mosh.
Nauka nowych bibliotek
Należy zauważyć, że jeśli znasz już jakąś bibliotekę z nauki o danych, prawdopodobnie będziesz mógł wybrać inne, powiązane biblioteki, których nauka będzie szybsza niż tej pierwszej. Na przykład, jeśli jesteś już zaznajomiony z używaniem matplotlib, nauka seaborn lub plotly powinna być dość łatwa. Podobnie jest z bibliotekami od deep learning (np. tensorflow, torch, fastai czy mxnet).
Googlujemy po pomoc
Gdy tworzysz swoje projekty a Twój kod wyrzuca błędy, ważne jest, abyś nauczył się debugować kod i rozwiązywać problemy. Jeśli jednak błąd wykracza poza Twoje umiejętności poradzenia sobie z nim, bardzo pożądana jest umiejętność proszenia o pomoc. Jeśli pytasz Google, używając nietrafnych słów kluczowych, możesz nie znaleźć żadnych przydatnych odpowiedzi w wynikach wyszukiwania. Najłatwiej jest zawrzeć słowa kluczowe związane z problemem.
Na przykład w zapytaniu możesz użyć następujących słów kluczowych: <nazwa biblioteki Pythona lub R> <skopiuj i wklej komunikat o błędzie>
Ale powiedzmy, że chcesz ograniczyć wyszukiwanie tylko do Stack Overflow. Dodaj więc na końcu: site: stackoverflow.com.
#66daysofdata
Powtarzającym się tematem w każdej przygodzie edukacyjnej programisty jest wyrobienie sobie takiego nawyku uczenia się, który pomoże ci stać się konsekwentnym. Inicjatywa 66 Days of Data zapoczątkowana przez Kena Jee to świetny sposób na budowanie dobrych nawyków uczenia się, utrzymanie spójności i uzyskanie odpowiedzialności za własną naukę. Udział w tej inicjatywie jest dość łatwy:
- Poświęć co najmniej 5 minut dziennie na kodowanie lub analizę danych.
- Podziel się tym czego się nauczyłeś, używając hashtagu #66daysofdata na Twitterze lub Linkedin.
