正文
乍看之下，我的经历似乎是十分标准的数据科学教育：高中学习了两年 C ++，大学开始学习计算机科学（数学专业）并获得了与概率相关的博士学位，而后成为了一名「宽客」。但我的计算机科学课程大多是理论的，我的数学论文则完全是理论的（一点计算都没有！）；这些年来，我使用 C++ 越来越少，而使用 MATLAB 愈加频繁（我这是怎么了？！不知为什么，我甚至发现自己使用 MATLAB 编写 web scrapers……）。
我的大学教育教会了我如何证明一个算法是 NP 完成的或是图灵可计算的，但在测试、版本控制、网络应用程序与网络如何运作方面完全空白。我任职的公司主要使用在技术行业不被使用的专有软件/语言。
在能源交易公司做过两年「宽客」后，我意识到我最喜欢的部分是编程和处理数据。我对大公司官僚制度，以及使用过时的专有软件工具这样的现状很不满意;我想有所改变，并决定参加 2012 年 2 月的数据科学会议 Strata，以对湾区的数据科学有更多了解。
我深深地陷进去了——对数据的巨大热情、最令我兴奋的工具（以及我以前从未听说过的其他工具）、那些从学术界或成熟的公司中抽身而退，在初创公司为理想而奋斗的人的故事……它是如此独树一帜，与我曾习惯的一切截然不同。Strata 之后，我在旧金山待了几天，到初创公司面试，并与一些搬到 SF 的浅交一同喝咖啡，他们每个人都对我很有帮助，并对四桶咖啡馆非常痴狂（几乎每个人都建议在那里！）。
我曾很有名，但实际上转换到科技领域让我完全迷失了……当第一次和技术人员进行如此多的对话和采访时，我时常觉得他们在讲另一种语言。我在德克萨斯长大，以不知科技领域工作为何物的状态，在宾夕法尼亚和北卡罗来纳度过了我的 20 多岁。
我从未修过统计课程，只是觉得概率便是测量空间的真实分析；我也并不了解新创公司和科技公司如何工作。第一次到初创公司面试时，一位面试官夸耀了公司在开始快速扩张/招聘之前如何短暂地实现盈利。我震惊地答道「你的意思是这家公司不盈利！！」（是的，我实际上以震惊的语调大声地喊了出来），记忆中场面一度陷入尴尬。在另一次面试中，我对「印象（impression）」（展示网络广告时）的概念感到困惑，仅仅理解它的逻辑就花了我一段时间。
我在这里已经五年了，有些事是当我开始转变职业时理应知道的：我是白人，是美国公民，在研究生学校获得了大笔奖学金，没有学生债务，并且我是单身，没有后代。而没有这些特权的人在决定转变职业时，道路将更加艰难。尽管我的轶事令人将信将疑，但我还是希望其中一些建议能对你有所帮助。
1.
最重要的是：无论你想要在目前的工作中学到什么，都要找到方法。
找到一个涉及更多编码/数据分析且对您的雇主有帮助的项目。尝试使任何无聊的任务自动化。即使这个过程需要 5 倍的时间（即使这样的任务你只做一次！），但你正是通过这样来学习。
2. 分析您拥有的任何数据：比如消费前的研究数据（即决定要购买哪种微波炉），个人健身追踪器的数据，烹饪食谱的营养数据，为孩子调查的学前教育数据。把它变成一个小型的数据分析项目，并写到博客中。例如如果你是研究生，你可以分析所教学生的年级数据。
3. 学习最重要的数据科学软件工具：Python's data science stack（pandas / numpy / scipy）是最有用的技术，紧随其后的是 SQL。在学习其他语言之前我会专注于学习 Python 和 SQL。
Python 被广泛使用且非常灵活
（中国统计网4.8线下培训“
Python与数据分析实战
”，详情请点击文章末尾线下课程）
。如果你决定参与到更多的软件开发工作，或者全面进入机器学习，你会有优势。
4. 使用 Kaggle。做教程，参加论坛，参加比赛（不要担心你处于什么水平，只是专注于每天做得更好一点）。这是学习实用机器技能的最好方法。
