写作比写代码难多了？给数据科学家的写作指南
|
保持开放的态度也很重要：只要当我不完全确定我使用的方法是正确的时候，我都会在我的文章中说明这一点，并且欢迎任何人的指正。还没有标准的方法来研究数据科学，但仍然可以从其他有经验解决类似问题的人那里学到很多东西。 学习数据科学应该有这样的意识：学习任何必要的东西来使自己有承担任何数据科学项目的能力，并且保持一个谦虚的心态愿意接受建议。 能完成工作的工具就是最好的工具
Windows操作系统vs MacOS操作系统;R语言vs Python;Sublime vs Atom vs PyCharm;媒体vs自己的博客。这些对比都是没有意义的，有意义的是使用能解决问题的工具。 虽然更多功能听起来很棒，但它们通常会妨碍工作。一般来说，尽量让事情变得简单。建议是使用Medium，有限的功能，让你专注于内容，而不是花时间按照我的想法尝试去给内容排版。 所以，更多的选项意味着投入更多的时间来定制这些选项，而只有更少的时间来完成应该做的事情。 我之前陷入了工具优化的循环：我被说服转向新的技术并花时间学习这些功能，然而最后只是被告知这项技术已经过时。不管怎样，又会出现新的技术或工具声称会让效率提高。我不久前停止在IDE(集成开发环境)之间切换，最后决定使用Jupyter + Sublime Text，因为额外的东西几乎没有多大的用处，因为只用来编写代码。 当有足够的理由切换工具时，不反对切换工具，但仅仅为了新颖性而切换工具并不是提高效率的方法。如果你真的想要开始，请选择一个工具并坚持下去。如果启动项目并发现工具中缺少某些内容，那么可以开始寻找所需内容。在自己知道需要这些功能之前，不要选择拥有更多功能的华丽新工具(这也适用于购买汽车)。换句话说，不要让工作例程的优化妨碍工作。
选择一个策略并坚持下去! 哪里可以找到你的灵感：广泛而深入地阅读
在与他人隔绝的情况下，伟大的想法不会自己出现。相反，它们是通过将旧概念应用于新问题、混合两个现有想法或改进经过验证的设计而产生的。找出写什么的最好方法是阅读其他数据科学家们正在研究的方向。当我困在一个问题中或需要一些新的写作想法，我不可避免地开始阅读。 此外，如果你对自己的写作风格不自信，那么先模仿你最喜欢的作家。查看他们的文章的结构，以及他们如何处理问题，并尝试将相同的框架应用于项目和文章。每个人都必须从某个地方开始，借鉴别人的技术上写文章是没有必要有羞耻感的。最终，你会发展出自己的写作风格，其他人也就可以学习你的写作风格。 建议广泛和深入地阅读，在开发和探索之间找到平衡。开发和探索问题是机器学习中的一个经典，特别是在强化学习中：我们有一个代理人需要在全面了解环境中找到平衡，这就需要在探索知识和他认为将带来最高回报的行动之间做出选择。 通过广泛的阅读，探讨数据科学的许多不同的领域，并深入阅读，发展我们的特定领域的专业知识。你可以把这个应用到你的写作和数据科学的实践技能，你已经有-开发-学习新的技术-探索这样一条线路。 对选择项目的最后建议是从小做起。项目只会随着你工作的进展而增长，而且不管你分配给项目多少时间，它都要花更长的时间。承担一个完整的机器学习项目可能是很诱人的，但是如果你仍然试图学习Python，那么只能在同一时间选择一件事情。也就是说，如果你有足够的信心去承担整个项目，那就去做吧!没有比实践更有效的学习方法，尤其是在一个问题中处理这些片段。 结论 与任何长延迟回报的工作一样，写作有时也会很困难。然而，有一些具体的行动使过程更容易，并产生积极的反馈回路。写作没有秘诀，最多就只有减少开始写作时的犹豫，从而开始并帮助你继续前进。当开始或推进数据科学事业时，记住这些小贴士，建立并保持一个富有成效的写作习惯。 相关报道： https://towardsdatascience.com/practical-advice-for-data-science-writing-cc842795ed52 【本文是51CTO专栏机构大数据文摘的原创文章，微信公众号“大数据文摘（ id: BigDataDigest）”】 戳这里，看该作者更多好文 【编辑推荐】
点赞 0 （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! |
