对于大数据来说，现在是发展的黄金时期。这是个新领域，增长迅速，同时大数据科学家的缺口也很大，据说他们的平均年薪可以达到10万美元。哪里有高薪，哪里就吸引人们，但是数据科学技能的难度意味着许多人需要努力学习。

对于大数据来说，现在是发展的黄金时期。这是个新领域，增长迅速，同时大数据科学家的缺口也很大，据说他们的平均年薪可以达到10万美元。哪里有高薪，哪里就吸引人们，但是数据科学技能的难度意味着许多人需要努力学习。

一、学会爱数据

数据科学是一个广泛而模糊的领域，这使得它很难学习。没有动力，你最终会中途停止，对自己失去信心。

你需要些东西来激励你不断学习，即使是在半夜，公式已经开始变的模糊，你还是想探究关于神经网络的意义。当你在困惑“下一步我该学习什么？”的时候，你需要些动力来让你发现统计、线性代数和神经网络之间的联系。

我学习的入口是用数据来预测股市，尽管当时我完全不熟悉。我编码的第一批项目用于预测股票几乎没有统计，但是我知道它们表现的并不好，所以我日以继夜的工作让它们变的更好。

对于小白学习大数据需要注意的点有很多，但无论如何，既然你选择了进入大数据行业，那么便只顾风雨兼程。正所谓不忘初心、方得始终，学习大数据你最需要的还是一颗持之以恒的心。

并不是每个人都会痴迷于股市预测，但重要的是要发现你想学习的东西。

数据可以计算出关于你的城市很多新鲜有趣的事情，比如所有设备在互联网上的映射、找到真正的NBA球员的位置，今年又哪些地方有难民，或者是其他事情。数据科学的伟大之处是有无限有趣的东西可以发现——那就是问问题然后找到一个方法来得到答案。

二、在实践中学习

学习神经网络、图像识别和其他尖端技术是很重要的，但大多数数据科学工作并不涉及这些：90%的工作都是数据清理。精通几个算法比知道许多算法但都是皮毛要好。

如果你知道线性回归、k-means聚类和逻辑回归,可以解释和诠释他们的研究结果,并可以用这些完成一个项目，那比知道每一个演算法但不使用它们更加优秀。

大多数时候,当你使用一种算法，它将是库中的一个版本(你很少会自己编程支持向量机实现——这需要太长时间)。所有这些意味着好的学习方法是在项目工作中学习，通过项目，你可以获得有用的技能。一种方法是，在一个项目中先找到一个你喜欢的数据集，回答一个有趣的问题。另一种方法是，找到一个深层次的问题，例如预测股票市场，然后分解成小步骤。

我第一次连接到雅虎财经的API,并爬下每日价格数据。然后我创建了一些指标,比如在过去的几天里的平均价格,并用它们来预测未来(这里没有真正的算法,只是技术分析)。这个效果不太好,所以我学会了一些统计知识,然后用线性回归。 然后连接到另一个API,清理每一分钟的数据,并存储在一个SQL数据库，等等操作,直到算法效果很好。

这样做的好处是我在一个学习环境中学习。我不仅仅学习了SQL语法，用它来储存价格数据，还比仅仅学习语法多学习了十倍的东西。学习不应用的知识很难被保留，当你做实际的工作的时候也不会准备好。

三、学会沟通

数据科学家需要不断展示他们的分析结果。这个过程可以区别数据科学家的水平。交流的一部分是对主题的理解和理论， 另一个是理解如何组织你的结果。最后一部分是能够清楚地解释您的分析。我很难找到关于有效沟通的概念，但有些事情你该尝试一下：开始写博客，展示你的数据分析的结果。试着教那些对数据科学技术知识并没有什么概念的人，比如你的朋友和家人这可以可以帮助您理解概念。试着在聚会上演讲；使用github管理你所有的分析；在一些社区中活跃，比如Quora , DataTau , machine arningsubreddit。

四、向同行学习

你根本想象不到你会从同行身上学到多少东西，在数据工作中，团队合作非常重要。在聚会中找一些同伴。开源软件包；给那些写有趣的数据分析博客发消息，看有没有合作的可能；尝试参加Kaggle 比赛看看可不可以找到队友。

五、不断增加学习的难度

你完全熟悉这个项目的工作了? 你最后一次使用一个新概念是在一周前? 那么是时候做些更加困难的挑战了。如果你停止攀登，就会不进则退。如果你发现自己太舒适,这里有一些建议:

处理更大的数据集。

学习使用spark。

看看你能不能让你的算法更快。

你将如何将算法扩展到多个处理器? 你能做到吗?

理解更多的理论算法并使用。这会改变你的假设吗?

试图教一个新手去做你现在正在做同样的事情。