Я писала где-то ответ по тому, как научиться работать с базами данных. Копирую еще сюда:
Есть работа с базами данных, есть визуализация баз данных, есть получение информации из баз данных.
Следовательно, начинаем с изучения SQL, чтобы можно было поковыряться в самой базе. Мне больше всего понравился учебник из серии "для чайников".
Для того, чтобы то, что мы вытащили из базы данных, можно было оформить, изучаем визуализацию. Очень круто и просто все рассказывается в учебнике Robert Spence "Information Visualization".
Теперь можно идти к чему-то более крутому - это data mining. Для этого нужно прокачать знание теории вероятности, статистики и выбрать себе язык программирования, которым вы будете пользоваться при работе с базами данных. Очень важно (!) разобраться в machine learning. Учебников и пособий тут миллиард. Я бы не стала брать что-то серьезное, если у вас нет бэкграунда, а совмещала бы этот этап с предыдущими, чтобы можно было делать крутые штуки уже с самого начала - это очень вдохновляет.
Изучение Data Science стоит начать с построения фундамента, а в фундаменте чего только нет, математика, статистика, алгоритмы, языки программирования. Собрал список курсов которые помогут заложить качественный фундамент под... Читать далее
Я бы начал с курса, где анализ данных разбирается на визуальном языке программирования - где код рисуют, а не пишут. На таких курсах порог вхождения минимальный - с первого урока.
Сделал бы такой курс посмотрел бы и решил как... Читать далее
Основатель небольшой компании аналитического прогр... · 14 мар 2016
На сегодня основная проблема Data Science - недостаток людей, которые могут её грамотно применить с прибылью для компании.
Поэтому начинать лучше с эконометрики, статистики, экономики, правовых основ работы с данными... Читать далее
Если вы хотите начать изучение Data Science, рекомендуется следовать следующим шагам:
- Основы математики и статистики: Чтобы стать хорошим специалистом по Data Science, необходимо хорошо понимать математические и статистические... Читать далее
Для начала нужно постигнуть азы математики( математическая статистика и теория вероятности) , аналитике и программирования. Так же можно походить на курсы и почитать книги для углубления знаний в этой области. Ну и далее... Читать далее
Я бы посоветовал заглядывать на сайт R-bloggers.com Так можно составить представление о том, чем люди вообще занимаются - и не только в какой-нибудь компании, но и в академической среде, в здравоохранении, в госуправлении и... Читать далее
Начать предлагаю с основ теории вероятности, статистики, машинного обучения и программирования. Первое и второе позволят манипулировать данными и информацией о них. Второе и третье дадут инструмент для нахождения закономерностей... Читать далее
С математики, статистики и python. Это три столпа на которых держится Data Science. Есть очень правильное выражение Data Scientist это специалист который разбирается в статистике лучше программиста и разбирается в программирован... Читать далее
Руководитель направления моделирования банка. · 1 нояб 2021
Добрый день
Начните с того, что задайте себе вопрос, для чего вам это надо?
Если вас привлекают высокие зарплаты в первую очередь, а потом уже все остальное, то есть смысл найти себя в другом.
DS - это многогранная специализация, которая включает в себя понимание бизнес-процессов, работу с базами данных (хранение, обработка, обновление и удаление), статистические тесты, математический функционал и программирование. И еще одно главное умение - собрать все вышеописанное в один продукт.
Если же все-таки желание развиваться в DS есть, то рекомендую начать с продуктовой аналитики. Там вы приобретете базовые понятия анализа данных, знания доменных процессов. По ходу уже поймете как и где применять статтесты, соответственно, как и с каким ЯП их делать. Ну а дальше как снежный ком понесется и не остановить.
Ну а если вы поймете, что аналитика это не для вас, то вы не потратите много усилий, в отличие от ситуации , если вы начнете свой путь в DS с изучения python или R.
Ключевое во всей этой истории ответить самому себе на вопрос: зачем мне это надо?
# get titanic & test csv files as a DataFrame
titanic_df = pd.read_csv("../input/train.csv")
test_df = pd.read_csv("../input/test.csv")
# preview the data
titanic_df.head()
titanic_df.info()
# drop unnecessary columns, these columns won't be useful in analysis and prediction
titanic_df = titanic_df.drop(['PassengerId','Name','Ticket'], axis=1)
test_df = test_df.drop(['Name','Ticket'], axis=1)
Python(лучше последнюю актуальную версию(3+) и особенно детально библиотеки numpy, pandas, sklearn и др.), Jupyter и наборы данных для тренировки, поставить и научится делать notebooks
Математический анализ, теория вероятностей, статистика, теория алгоритмов и графов.
Возможно, эконометрика. Но тут зависит от курсов. Нам преподавали углубленную эконометрику, которая действительно используется и в работе. Те же регрессии, временные ряды и тп.
преподавание математики, высшей математики, data... · 29 сент 2021
Вме5сто того, чтобы посоветовать вам абстрактное чтиво, могу порекомендовать свою книгу, = Математика для DATA SCIENTIST
Анализ данных и математическое моделирование (путеводитель) - так вы хоть сможете чего-то спросить.
Представлен курс математики для специализации DATA SCIENTIST, включающий в себя такие разделы как Алгебра, Математический анализ бесконечно малых переменных величин, Комбинаторика, Теория вероятностей и математическая статистика, а также Дифференциальные уравнения и Анализ данных. Когда спрашивают — зачем DATA SCIENTIST’у дифференциальные уравнения, можно вспомнить графики Курта Воннегута в координатах (время по оси Х, уровень счастья-несчастья по оси Y, есть на youtube).
