原文：
www.kdnuggets.com/2021/05/guide-become-data-scientist.html
有很多资源和链接，但我们经常会困惑选择哪个资源。别担心，我已经为你准备好了。我附上了几个我认为适合初学者的 YouTube 频道、博客、课程和其他网站的链接。
你也可以使用像 Analytics Vidhya 和 Kaggle 这样的数据科学社区网站来实施你的学习，并获得数据科学的实践经验。
1. Google 网络安全证书 - 快速进入网络安全职业。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT 工作
数据科学路线图
在开始数据科学之旅时，第一步是熟悉一种编程语言。在两者之间，Python 是最受欢迎的编程语言，大多数数据科学家都采用它。它易于理解、多功能，并支持各种内置库，如 Numpy、Pandas、Matplotlib、Seaborn、Scipy 等。
注意： 在学习 Python 时，应了解基本的 Python 变量、数据类型、面向对象的概念、Numpy、Pandas、Matplotlib 和 Seaborn。
对于成为数据科学家来说，了解统计学和概率学就像食物中需要盐一样重要。了解这些知识将帮助数据科学家解读大量数据集，从中获得洞察，并更好地分析数据。
注意： 统计学提供了关于均值、中位数、众数、范围、方差、标准差、图表或绘图、总体和样本的概念。
结构化查询语言（SQL）用于从大型数据库中提取和沟通。应专注于理解不同类型的规范化、编写嵌套查询、使用相关查询、分组、执行连接操作等，并以原始格式提取数据。然后，这些数据将在 Microsoft Excel 中或使用 Python 库进一步清理。
注意： 在 SQL 中，应了解创建表、插入数据、更新数据、删除数据以及执行一些基本查询操作。
当数据科学家接到一个项目时，大多数时间花在清理数据集、删除不必要的值、处理缺失值上。可以通过使用一些内置的 Python 库，如 Pandas 和 Numpy，来实现这一点。
还应了解如何使用 Microsoft Excel 操作数据。
注意： 在 Microsoft Excel 中，你应该了解基本的数据筛选或排序、函数或公式、Vlookup、数据透视表和图表以及表格等。
探索性数据分析是谈论数据科学时的关键部分。数据科学家有许多任务，包括发现数据模式、分析数据、寻找数据中的适当趋势并获得有价值的见解等，使用各种图形和统计方法，包括：
A) 使用 Pandas 和 Numpy 进行数据分析
B) 数据操作
C) 数据可视化
Seaborn Python 库中的图表类型。
根据 Google 的说法，“机器学习是一种数据分析方法，它自动化了分析模型的构建。它是基于人工智能的一个分支，其思想是系统可以从数据中学习、识别模式，并在最少的人为干预下做出决策。”
这是数据科学家生命周期中最关键的一步，在这一步中，必须使用机器学习算法构建各种模型，并能够预测并提出最优化的解决方案来解决任何问题。
机器学习领域。
在掌握数据科学基础知识后，现在是时候获得实践经验了。有许多在线平台，如 Kaggle 和 Analytics Vidhya，可以提供初级和高级数据集的实践经验。它们可以帮助你理解各种机器学习算法、不同的分析技术等。
你可以按照以下方法了解如何有效地使用这些平台。
-
你可以先下载数据集并分析数据，然后实施你所学的各种技术。
-
接下来，你可以查看其他人的笔记本，了解他们是如何解决特定问题或从数据中获取见解的。（这种方法将使你更加自信，并帮助你提升知识。）
-
当你足够自信时，你可以参加 Kaggle 和 Analytics Vidhya 组织的竞赛。这不仅会帮助你提升数据科学技能，还能更好地学习数据科学。
阿迪提亚·阿格瓦尔 是东北大学的研究生。
原文。已获许可转载。