一个弱渣的数据进阶规划

记于2019年7月20日

       来我厂已半年（数分近两年），近半年主要提升是在编程能力的方面，算法相关的提升较少，其实心里还是比较着急的。目前知识结构比较散，想学的东西非常多，而且经常坑没开始，新坑就来了，所以打算做个简单的规划，主要把该做该学的记录起来，怕遗忘。

1 ）做：做方面，主要是丰富自己为主，一个技术博客以及Github我觉得必不可少，相当于自身实力的代言了。算法方向方面，考虑了很久还是觉得以：推荐系统、ctr、营销相关算法为主。（目前博客和Github看起来毫无含金量）

1.1、博客搭建：记录学习笔记、算法比赛思路、目前工作开发的一些东东

1.2、Github : 记录算法比赛开源、自研工具代码等

1.3、推荐系统、ctr、营销相关等算法比赛。（旧的新的都行）

2 )  学：想学的坑太多，往后还是想往数据挖掘走，所以感觉有几个要学的还是无法避免。

2.1、深度学习：目前比较浅掌握RNN、LSTM时间序列相关的（工作需要），但深度学习整体还是比较模糊，这块要尽快抓起来，暂时主要以《动手深度学习》：github.com/d2l-ai/d2l-z为主，吴恩达教学视频、《深度学习》为辅。

2.2、 java：本来预计学C++，因为身边同事模型上线时候要写taf服务(C++），但考虑了N久，感觉还是先学一个万金油的一点比较好，担心C++太难，以及入门后应用部分没有学习资源的问题。主要以《java核心技术卷2》，其他资料待补充。

2.3、leetcode medium难度：不多说，不刷找不到工作。

2.4、hadoop深入及mapreduce的运用：主要还是有个数据处理自己用python需要8小时，数据开发的同事写mapreduce只要30分钟被打击到，感觉还是要掌握这块，不过同事吐槽我没写多线程也可能是原因。资料：icourse163.org/course/X

2.5、Spark：这个不多说，目前岗位没用这个，但也是必须的工具，主要以pyspark进行学习，考虑精力在学scalar。资料：icourse163.org/course/X

2.6、框架tensorflow、pytorch：目前只很浅的使用过tensorflow，框架这块还是要好好学。资料：官方文档

2.7、Html、css、js：近期再开发自定义BI工具，深深体会到前端的薄弱，想做点产品，感觉这块还是需要的，虽然ployly.dash真得蛮好用，但这块html, css啥的也要比较懂才好发挥。资料：imooc.com/learn/9

2.8、teableau：我厂的BI工具都是时序相关的，所以这个最主流的BI就我自学时候接触过，比较浅，感觉还是要深入一些。资料：官方文档

2.9、可选项学习elasticsearch、redis：听得太多了，尤其是redis，这种缓存相关的我是完全不懂，感觉用得场景还是非常多的。资料：暂无

       大致就这些，预计1年的时间都入个门在稍微进阶一下，内容确实十分多的，而且难度有，对于能不能完成自己也没底，近期工作、生活上还是比较忙碌的。但身处看天吃饭的行业，不进则退，要好好挤时间学习才行。简单说，就是学习 - 写博客 - 比赛 - 工作数据相关工具研发 - github如此循环。

       ps：有些同学反馈说技能太偏向技术，但数分还是偏业务的好。但我个人觉得，刚工作的几年，最好以技术积累为主，当然不是说抛弃业务，而是用技术更好的服务业务，无论数分、数据挖掘，甚至算法我觉得都是以业务为主导的。自己这么规划，主要也是我这个非科班生对技术的一点点追求吧。