全文共1903字，预计学习时长7分钟
图源：unsplash
笔者曾经觉得当一个数据科学家实在是太容易了，注册一个在线课程，按部就班地学习基础知识，学完就可以获得证书，只要多拿几个证书就能去找工作。整个过程十分顺利，笔者很快就拿到了这些证书。
你猜接下来怎么着？我遭到了现实世界的毒打！
提供证书的课程能让你掌握基础知识，熟悉数据科学领域。然而，它们并不能给你带来颠覆性的改变。当然，这里说的证书是指通过完成MOOC课程，而不是通过像AWS之类的综合考试获取的证书。
1.证书很难让人“主动学习”
获取证书的过程没有挑战性。只要上课认真听讲，通读材料，就能轻松通过考试。它也不会逼着你去真正消化吸收知识，如果自己不愿意费心思考，不舍得逼自己一把，那学到的知识只能在短期记忆里暂时停留，很快就会还给老师。
正如尼克·达姆所言：“神经连接发生变化对学习来说至关重要，然而当学习活动不够主动时，神经连接就不会发生变化。许多研究表明，主动参与是大脑神经连接发生变化的先决条件。因此，仅仅依靠演讲或讲座是学不到东西的。”
别把大部分时间都花在MOOC的课程上，做项目是主动学习的一个很好的方法，它们逼着你主动参与到整个过程中来。
图源：unsplash
2.数据不是现成的
课程中，我们接触到的大部分数据都是现成的，它们排版清爽干净。有时会缺少一些值，但这些值的结构易于处理。某些情况只要求进行基本的预处理。
然而大部分数据科学家不会碰到这样的情况，他们在处理数据的过程中无时无刻不在思考，数据科学家通常要弄清楚以下问题：
· 怎么收集？
· 需要哪种数据？
· 怎么整理和预处理数据？
做项目的主要任务之一就是准备数据，你会从中获得数据收集与准备的实践经验，这对是一项特别有价值的技能，单纯靠收集证书是无法提高这项技能的。
3.不会带来创造性思考
图源：unsplash
想要获得证书，你得严格遵循课程安排，这样一来，你可以从基础到高级逐步积累知识。但是它也为你规划好了路线，你不用逼着自己去做创新性思考。
然而数据科学领域的项目没有既定路线，也没有任何限制，你可以自己定义问题、设计解决方案。这是做数据科学家最有挑战性的工作，数据科学家用数据来解决问题，在现实生活中，问题和数据都不是现成的。
当然，在获取证书的过程中可以学会使用工具和技术，但如果你不能用这些工具和技术来创造价值，那么掌握它们的意义何在呢？
为了创造价值，你需要跳出固有思维。为项目设计想法并加以实施，能帮助你用数据科学来创造价值。课堂上讨论的案例都受到特定条件的限制，而数据科学项目却具有更大的潜在价值，只想着拿证书就很难做到创新性思考。
4.现实处处有意外
课堂上学到的都是可预测的情况，然而现实生活却充满了意外。想通过拿一个证书学会解决所有可能存在的问题是不可能的，详细列举出所有可能的解决办法和用到的技术，那么学习过程又会变得冗长。过长的课程安排会挫败你的积极性，降低成就感。
我在MOOC上学完几门课后自以为已经是pandas大师了，用pandas做数据分析的所有必要知识我都掌握了。然而当开始做第一个项目的时候，笔者发觉万里长征才刚刚踏出第一步。尽管只是一个入门级的简单项目，笔者却在下面的过程中反复花费了许多时间：
· 遇到问题
· 找解决办法
· 在找解决办法的过程中学到了很多东西
项目能教你学会许多东西。更重要的是，完成项目的喜悦激励你立刻开启下一个新项目。
5.可行性问题
证书课程将引导你完成从数据收集到模型评估一个典型的数据科学项目流程，你可以为示例创建模型。然而，证书课程不会深入讨论模型的可行性问题。
可行性与项目其他过程同样重要。如果你的解决方案特别复杂难以实施，那么这个方案就毫无价值。通过做项目你才会考虑可行性问题。你不仅要设计一个模型，还要想办法部署模型，让模型创造出价值。
你听说过Netflix在kaggle平台举办的有奖竞赛吗？奖金有一百万美元。Netflix最终没有使用获奖模型，因为它们可行性太低。执行独立项目不需要你去实际部署模型或将其投入生产，但至少要考虑一下可行性问题。
图源：unsplash
实践是进步最直接的道路。学习任何东西都是这样，我们从简单项目入手，通过做更多的项目实现进阶，最终可以让项目具有投入生产的潜力。学习课程，收集证书，你学会的只是基础知识和纸上谈兵的能力，做项目才是真正的落地过程。勤于动手做大量项目是学习数据科学最好的练习。
一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）
1970
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
