写作比写代码难多了？给数据科学家的写作指南
|
副标题[/!--empirenews.page--]
【新品产上线啦】51CTO播客，随时随地，碎片化学习
大数据文摘出品 编译：罗然、瓜瓜、蒋宝尚 写作是每个人都想多做一些的事情，但是常常不知道从哪里开始。 数据科学家有好的写作技巧能够提高沟通效率。但我们常常会因为写作能力不足感到困扰。 下面一套体系可以突破这些障碍，可以帮你掌握一些数据科学写作的通用准则。虽然写作没有秘诀，但是有一些实用性的小技巧可以帮助我们更好地养成高效写作的习惯：
完美是一种高估：以90%为目标
我克服过最大的心理障碍，和我从别人那里听到过最多的困难就是“我的写作、数据科学能力不够好”。这可能是妄自菲薄：当你思考一个项目的时候，人们往往会觉得自己没有办法达到完美，所以他们连头都不会开。换句话说，他们让完美变成了优秀的敌人。 错误的观点在于：只有完美无瑕的项目才是值得被分享的。然而，一个完成了但有瑕疵的项目远比永远完不成的完美项目要好。 虽然在很多领域大家都期待一个完美的表现，但撰写博文跟别的事情不一样。 写作的时候，为了文章更加可读多做几次修改，但是不要追求完全没有错误。在实践中，90%为目标，超过了就是额外的成就。发表一篇有些错误的文章总比完全不发表要好。另外如果你担心语法/文风，我推荐免费软件Grammarly。 Grammarly：https://www.grammarly.com/ 在某些时候，工作的回报会低于你投入的时间。知道如何止损是最重要的技能。不然让完美成为你半途而废的借口，不要为了取得不可能的100%而感到压力。如果你已经犯了一些错误了，那么你将有机会通过发表并获得反馈来进一步学习。 尝试去发表不完美的工作，然后积极地回应建设性的意见，这样你下次就不会再犯同样的错误。 只做一次不会让你变得更好：坚持很重要
当10000小时工作法被证伪了以后(事实证明专注于练习，所谓的“刻意练习”，没有你练习的数量来得重要)，人们开始强调积累更多的经验。写作不是需要特殊技能的工作，但是需要重复练习来取得进步。 写作不是一件简单的事情，但是随着你练习得越来越多，会变得越来越简单。而且，写作是一个正反馈的循环：你写得越多，技能就会更好，从而鼓励你写更多。 只要开始了，你就过了最难的那一关。 如果你坚持写作，你会改变自己的意识形态，从“我需要从其他事情中找时间来写作”变成了“现在我完成了项目，是时候像往常一样写作了。”对你所做的每个项目进行记录，强化了一个概念：写作不是一个多余的事务，而是数据科学的核心。 写作通常不是为了分享文章。当你进行一个分析时，尝试在你的Jupyter Notebook中增加更多文本来解释你的思路。这是我开始写博客的方式：我开始从头到尾标注我的笔记本，然后意识只需要再增加一点工作量就可以把它变成文章。再者就是，当你开始为你的代码增加更多解释的时候，以后的你自己或是阅读你作品的同事会感谢现在的你。 写最开始的几篇文章像是额外的任务，但是习惯了以后这件事就不多余了，当它变成我工作中被接受的一部分以后就变得很容易了。习惯的力量很强大，写作也跟其他习惯一样。 头衔在数据科学里是没有意义的：不要担心资历
回忆你上次安装python工具包或者是从Github上拷贝一个路径的时候，你搜索了有卓越学历的作者吗?你只看由专业软件工程师撰写的代码吗?当然不是：在看作者履历(如果你真的在意)之前你会先看路径里的内容。 这样的概念同样运用在数据科学文章之中：文章是以质量来评判的不是作者资历。在网上没有发表的门槛。不需要特定的证书，没有象牙塔供你攀登，没有考试来让你通过，没有门卫把你阻拦在学习和写作数据科学之外。虽然一个学位可以很有用，但在为数据科学做贡献的时候它一定不是必要的。 在这篇很棒的文章里，Rachel Thomas，一个专业的机器学习研究员对于为什么高级学位在深度学习中不是必要的阐述了他的观点。这个名单是一部分在深度学习领域有贡献的非PHD：
一部分在深度学习领域有贡献的非PHD：http://www.fast.ai/2018/08/27/grad-school/ 在数据科学中，获得新知识的能力比教育背景更重要。如果你对某个学科的学习没有信心，那么有大量的学习资源供你选择。个人推荐Udacity，Coursera，以及使用Scikit-Learn和TensorFlow这两个工具手把手教你机器学习等。当然还有很多其他资源可供选择。 （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
