TL; DR DataCamp là một nền tảng tuyệt vời để bắt đầu bước vào thế giới Khoa học dữ liệu có nhịp độ nhanh [và không chỉ. ]. Trong bài đăng này, tôi trình bày quan điểm cá nhân và điểm qua một số khía cạnh chính của Nhà phân tích dữ liệu với Python Career Track. Nếu bạn muốn biết thêm về nền tảng, tại sao tôi quyết định theo dõi Đường đua này và liệu nó có phù hợp với bạn hay không, hãy cuộn xuống để đọc thêm
từ chối trách nhiệm. Tôi không liên kết với DataCamp;
Câu chuyện bối cảnhVào tháng 11 năm 2020, tôi đã đăng ký Visual Studio Dev Essentials [bạn có thể đăng ký bằng email Microsoft của mình]. Trong số nhiều lợi ích khác, họ cũng cung cấp đăng ký DataCamp miễn phí trong 2 tháng. Hồi đó, tôi biết rất ít về DataCamp, chủ yếu từ những cuộc trò chuyện thân mật với đồng nghiệp và bạn bè, những người đã từng sử dụng nền tảng này. Không chần chừ gì nữa, tôi quyết định kích hoạt đăng ký và khám phá những gì nền tảng này cung cấp. Vào thời điểm đó, tôi cũng đang trong quá trình xây dựng các quy trình phân tích cho bằng tiến sĩ của mình. D. dữ liệu và tôi đang tích cực tìm kiếm các nguồn đáng tin cậy để cải thiện [và mở rộng] một số kỹ năng phân tích dữ liệu của mình. Các điểm dưới đây phác thảo trường hợp của tôi và các tiêu chí dựa trên đó tôi bắt đầu cuộc hành trình này
1. Tôi hoàn toàn không phải là một lập trình viên [Python] nâng cao cũng như một nhà phân tích dữ liệu có kinh nghiệm. Tuy nhiên, tôi đã có kinh nghiệm cơ bản/trung cấp về lập trình bằng các ngôn ngữ khác nhau và có nền tảng vững chắc về thống kê và nghiên cứu
2. Tôi đang tìm kiếm một hoạt động phụ linh hoạt để bổ sung cho công việc chính của mình. Nếu nó quá căng thẳng, tôi sẽ khó theo kịp vì tôi đã có một công việc toàn thời gian đòi hỏi khắt khe, đồng nghĩa với việc thời gian rảnh rỗi bị hạn chế
3. Tôi đã có kinh nghiệm với Python từ trước, vì vậy các khóa học Python là con đường duy nhất của tôi. Điều này đã giúp tôi rất nhiều trong việc thu hẹp các tùy chọn khả dụng mà tôi có khi điều hướng trang web DataCamp, nơi cũng cung cấp các khóa học về R
4. Cuối cùng, tôi đang tìm kiếm một khóa học phù hợp với nhu cầu của mình nhưng cũng có thể hoàn thành trong vòng hai tháng tới [hết đăng ký]. Tôi đã sử dụng khoảng thời gian 2 tháng như một thời hạn [nghiêm ngặt] vì điều này sẽ giúp tôi cam kết với mục tiêu [học tập] của mình và hoàn thành công việc nhanh chóng và hiệu quả. Nếu tôi không hoàn thành đúng hạn, tôi sẽ đăng ký một trong các gói trả phí của họ và tiếp tục học
DataCamp như một nền tảng học tập
Với tất cả những điều trên và do tôi không quen thuộc lắm với DataCamp, tôi bắt đầu bằng cách khám phá nền tảng này. Nói chung, rất dễ điều hướng và mọi thứ được tổ chức dựa trên ngôn ngữ lập trình/công cụ phần mềm [e. g. , Python, R/Tableau] và kỹ năng/kỹ thuật bạn muốn học [e. g. , Phân tích dữ liệu, Máy/Học sâu]
Nền tảng học tập trên DataCamp là các khóa học riêng lẻ có thể được truy cập dưới dạng các mô-đun học tập một lần, thường kéo dài khoảng 4–5 giờ và tập trung vào một chủ đề rất cụ thể, chẳng hạn như. g. cách trực quan hóa dữ liệu bằng một thư viện cụ thể. Mỗi khóa học riêng lẻ bao gồm 3–5 chương, chia chủ đề chính thành các đoạn thông tin ngắn hơn, dễ hiểu hơn. Thật thú vị, đối với mỗi chương, người học có quyền truy cập vào một tệp PDF với tất cả các trang trình bày từ các bài giảng. Đây là một công cụ thay đổi cuộc chơi tuyệt vời vì nó giải phóng bạn khỏi việc ghi chú của riêng mình và giúp bạn tập trung hơn vào việc hiểu tài liệu học tập
Ngoài các khóa học cá nhân, còn có cái gọi là Lộ trình nghề nghiệp và kỹ năng
Mặc dù cả hai đều là tập hợp các khóa học riêng lẻ được kết nối có ý nghĩa, nhưng điểm khác biệt chính của chúng là mục đích mà chúng phục vụ [và điều này mang lại điều gì]. Các bài học kỹ năng, thường bao gồm khoảng 4–6 khóa học riêng lẻ, tập trung nhiều hơn vào một chủ đề cụ thể [đoán đây là lý do tại sao chúng được đặt tên như thế này]. Các bài kỹ năng mất ít thời gian hơn để hoàn thành và phù hợp hơn với những người muốn xây dựng nền tảng về một chủ đề hoặc phát triển các kỹ năng mới nhanh chóng. Mặt khác, Lộ trình nghề nghiệp bao gồm nhiều khóa học cá nhân hơn [khoảng 20–25] so với Lộ trình kỹ năng và do đó cần nhiều thời gian hơn [và cam kết] để hoàn thành. Theo DataCamp, Career Tracks ¨…giúp bạn tìm hiểu tất cả những gì bạn cần để bắt đầu sự nghiệp mới trong lĩnh vực khoa học dữ liệu¨. Mặc dù, đề xuất giá trị của họ đầy hứa hẹn [nhưng quá lạc quan], Career Tracks thực sự bao gồm nhiều công cụ mà người học cần để thực hiện những bước đầu tiên trong lĩnh vực khoa học dữ liệu
Ngoài những điều trên, DataCamp còn cung cấp Thực hành, Đánh giá và Dự án
Trong phần Thực hành, người học hoàn thành các thử thách bằng cách trả lời 5 câu hỏi thường liên quan đến một khóa học cụ thể. Tôi thấy các buổi thực hành [có thể hoàn thành bằng ứng dụng dành cho thiết bị di động] thực sự hữu ích, đặc biệt là trong những ngày bận rộn khi tôi không có nhiều thời gian để đạt được tiến bộ trong Đường đua chính mà tôi đã đăng ký. Và vì sự lặp đi lặp lại là mẹ của việc học, các câu hỏi thực hành cho tôi ấn tượng rằng tôi vẫn cam kết với mục tiêu của mình và giúp tôi làm mới các khái niệm mà tôi đã học trong các khóa học trước
Đánh giá, như ngụ ý của từ này, đánh giá trình độ kỹ năng của bạn dựa trên 15 câu hỏi trắc nghiệm liên quan đến một khóa học cá nhân cụ thể. Các câu hỏi yêu cầu chọn câu trả lời đúng trong số nhiều câu hỏi hoặc, hầu hết thời gian, viết một số mã để có được đầu ra cần thiết. Điều này đặc biệt hữu ích không chỉ cho những người học mới muốn biết cách họ tăng điểm sau khi kết thúc khóa học mà còn cho những người học đã có một số kiến thức trước đó, những người có thể bỏ qua toàn bộ khóa học nếu họ đạt điểm cao hơn một ngưỡng nhất định. Hơn nữa, điều này cũng có thể hữu ích để đánh giá kiến thức và kỹ năng của bạn trong một chủ đề, trước và sau khi tham gia một khóa học cá nhân. Cuối cùng, các bài đánh giá cung cấp cho bạn ước lượng định lượng về các kỹ năng của bạn [e. g. bạn đã thể hiện tốt hơn 80% đồng nghiệp của mình] và điểm tổng thể, dựa trên đó bạn được phân loại là người học mới, trung cấp hoặc cao cấp. Thật thú vị, họ cũng vạch ra những điểm mạnh và lỗ hổng kỹ năng của bạn, đồng thời đưa ra các đề xuất được cá nhân hóa cho bạn bằng cách chỉ cho bạn các khóa học cụ thể trong nền tảng [cách tiếp cận tốt nhất dựa trên dữ liệu]
Cuối cùng, Dự án mang đến cho người học cơ hội để bắt tay vào thực hiện các dự án trong thế giới thực. Các dự án có thể là một cách hay để áp dụng các kỹ năng mới học được sau khi hoàn thành một Lộ trình Kỹ năng hoặc Nghề nghiệp và giúp người học làm quen với sự phát triển từ đầu đến cuối của một dự án bằng cách sử dụng dữ liệu
Nhà phân tích dữ liệu với Python Career Track. Nó nói về cái gì?
Với các tiêu chí quyết định được mô tả ở trên, tôi có hai lựa chọn
A. Nhà khoa học dữ liệu với Python Career Track,
B. Nhà phân tích dữ liệu với Python Career Track
Không đi vào quá nhiều chi tiết, tôi đã chọn cái sau vì ba lý do
1. Lộ trình Nhà phân tích dữ liệu bao gồm 16 khóa học riêng lẻ so với 23 của Lộ trình nhà khoa học dữ liệu. Ít khóa học hơn có nghĩa là ít thời gian hơn để hoàn thành Đường đua, đó là điều tôi muốn với thời hạn 2 tháng
2. Theo dõi phân tích dữ liệu cung cấp các khóa học về cơ sở dữ liệu [SQL], đó là điều tôi thực sự muốn biết thêm về. Theo dõi nhà khoa học dữ liệu không có tùy chọn như vậy
3. Đường đua nhà khoa học dữ liệu có các khóa học về học máy và yêu cầu hoàn thành sáu dự án. Tôi muốn tránh cả hai, cái trước vì tôi đã có kinh nghiệm với ML và cái sau vì tôi muốn tập trung vào phân tích bằng Tiến sĩ của mình. D. dữ liệu và không chỉ áp dụng các kỹ năng của tôi vào các dự án ngẫu nhiên
Như đã nói, cuối cùng tôi đã theo dõi và hoàn thành xuất sắc Chuyên viên phân tích dữ liệu với Python Career Track trong 2 tháng [hoặc trong 59 ngày]. Chính thức, Đường đua mất 62 giờ để hoàn thành nhưng thật không may, tôi đã không theo dõi được mình đã dành bao nhiêu thời gian cho đến khi vượt qua vạch đích. Trong trường hợp của tôi, điều này không mang tính đại diện, vì tôi cũng đã bỏ qua hai trong số các khóa học, bằng cách tham gia và vượt qua các bài kiểm tra Đánh giá. Bảng phân tích các mô-đun giảng dạy được cung cấp như một phần của Lộ trình nghề nghiệp này như sau [được phân loại dựa trên mức độ phù hợp về khái niệm chứ không phải cách chúng được cung cấp trên DataCamp]
A. Giới thiệu về Khoa học dữ liệu và Python [2 khóa học]. Giới thiệu nhẹ nhàng về thế giới khoa học dữ liệu với Python. Trong các khóa học này, người học sẽ biết mô-đun là gì, “giải phẫu” của một hàm và các loại dữ liệu khác nhau có sẵn trong Python
B. Nhập dữ liệu [3 khóa học]. Các khóa học này thể hiện nhiều nguồn sẵn có mà từ đó bạn có thể đưa dữ liệu vào để phân tích thêm. Nếu bạn chỉ muốn phân tích dữ liệu từ một. csv nằm trên màn hình của bạn, truy cập và truy vấn cơ sở dữ liệu hoặc thậm chí nhận xu hướng twitter bằng API riêng, mô-đun này sẽ hướng dẫn bạn tất cả những gì bạn cần để thực hiện điều đó một cách hiệu quả. Tôi đã rất ngạc nhiên khi thấy sự phong phú của các nguồn nhập khẩu được đề cập trong các khóa học này [HDF5, thực sự?]
C. Thao tác dữ liệu [2 khóa học]. Bạn có quyền truy cập vào dữ liệu của mình. Giờ thì sao? . ]. Các khóa học này dạy bạn cách làm BẤT CỨ điều gì bạn thích với tập dữ liệu của mình. Bạn có muốn biết ý nghĩa của cột X không? . Các khái niệm và kỹ thuật được thảo luận trong mô-đun giảng dạy này là một phần thiết yếu trong công việc hàng ngày của nhà phân tích dữ liệu
D. Dọn dẹp dữ liệu [1 khóa]. Ai đó đã từng nói rằng dữ liệu phản ánh sự lộn xộn của thế giới. Hầu hết thời gian, dữ liệu [không may] không sẵn sàng để phân tích. Khóa học này cung cấp một cái nhìn tổng quan tốt về cách tìm "dị thường" trong dữ liệu của bạn, xử lý chúng và đưa chúng vào một biểu mẫu để xử lý thêm. Các ràng buộc về loại/phạm vi dữ liệu, phát hiện và xử lý các giá trị bị thiếu, phát hiện trùng lặp, làm sạch dữ liệu phân loại, v.v. là một số chủ đề được thảo luận trong khóa học này
E. Phân tích dữ liệu khám phá [2 khóa học]. Bây giờ dữ liệu của bạn gọn gàng và sẵn sàng để phân tích. Cái gì tiếp theo? . Mô-đun này hướng dẫn bạn nghệ thuật phân tích dữ liệu, đó là đặt câu hỏi và sử dụng dữ liệu có sẵn để đưa ra câu trả lời
F. Trực quan hóa dữ liệu [2 khóa học]. Tôi chắc rằng bạn biết trích dẫn. "Một bưc tranh đang gia ngan lơi noi". Các khóa học này giới thiệu kỹ lưỡng về cách truyền đạt kết quả của bạn, sử dụng hai thư viện Python trực quan hóa dữ liệu phổ biến là Matplotlib và Seaborn. Trong mô-đun giảng dạy này, bạn sẽ học cách kể một câu chuyện bằng cách trực quan hóa dữ liệu của mình bằng cách sử dụng biểu đồ đường thẳng, biểu đồ thanh, biểu đồ vĩ cầm, v.v. Điều này thực sự đã giúp tôi rất nhiều để cải thiện kỹ năng data-viz của mình
G. Cơ sở dữ liệu SQL [4 khóa học]. Trước khi bắt đầu Bản nhạc này, khi tôi hỏi những người mới trong ngành dữ liệu kỹ năng có giá trị nhất cần học là gì, TẤT CẢ họ đều giống như. “Tìm hiểu cơ sở dữ liệu [SQL]”. Và có một lý do cho điều đó. Dữ liệu của toàn thế giới thực sự sống trong cơ sở dữ liệu. Mô-đun này là một khởi đầu tuyệt vời cho những người mới làm quen với cơ sở dữ liệu [như tôi]. Mặc dù các mô-đun khác [đánh dấu B. Nhập dữ liệu] chạm một chút vào cơ sở dữ liệu, 4 khóa học riêng lẻ này chỉ sống và hít thở cơ sở dữ liệu. Bạn sẽ học cách thiết lập cơ sở dữ liệu, gửi truy vấn [sử dụng cú pháp SQL hoặc Python thuần túy] để truy xuất dữ liệu bạn cần, cũng như chèn, thả hoặc nối các bảng để sửa đổi lược đồ của nó. Rất khuyến khích cho những ai muốn khám phá thế giới cơ sở dữ liệu [tuyệt vời] nhưng họ không có kinh nghiệm trước đó
Ưu và nhược điểm của Nhà phân tích dữ liệu với Python Career Track
Điều tôi thích về Track và DataCamp [hay còn gọi là Ưu điểm]
1. Toàn bộ nền tảng được game hóa. Điều đó không có nghĩa là bạn đang chơi một loại game nhập vai nào đó trong khi viết mã. Nói một cách đơn giản, bạn càng học được nhiều thì bạn càng kiếm được nhiều XP [từ điểm kinh nghiệm?]. Hàng tuần, DataCamp gửi email kèm theo XP của bạn và so sánh điểm đó với những học viên còn lại [e. g. bạn đã lọt vào top 5% người học hàng đầu của nền tảng dựa trên XP của bạn]. Mặc dù tôi đã hoàn thành Đường đua mà không kiếm được bất kỳ điểm nào, nhưng tôi đưa điều này vào những lợi thế của nền tảng nói chung, theo tôi nghĩ, nó tạo ra trải nghiệm học tập suôn sẻ và có động lực
2. Ngoài phần trò chơi hóa, trải nghiệm học tập cũng được nâng cao nhờ sử dụng chương trình học kết hợp. Điều tôi muốn nói ở đây là các khóa học không chỉ là một số video được quay trước cho thấy mọi người trình bày một chủ đề. Sau mỗi chương, người học sẽ được làm quen với các bài tập lập trình tương tác, dựa trên tài liệu được trình bày trong các video/bài giảng [dựa trên câu trả lời cho các bài tập này, bạn sẽ nhận được nhiều XP hơn]. Điều này cho tôi cơ hội để suy ngẫm về những gì tôi đã học [hoặc không], tìm kiếm câu trả lời đúng nếu tôi không nhớ/biết về nó và làm cho toàn bộ trải nghiệm học tập trở nên thú vị hơn
3. MỌI THỨ bạn làm, diễn ra trong nền tảng. Điều đó có nghĩa?
4. Tài liệu/bài giảng có chất lượng rất tốt và trình tự của các khóa học riêng lẻ được cân nhắc rất kỹ lưỡng. Mặc dù người học có thể tham gia các khóa học theo bất kỳ thứ tự nào họ thích, nhưng thứ tự được đề xuất rất có ý nghĩa và khiến tôi có ấn tượng rằng mỗi khóa học đều được xây dựng dựa trên những khóa học trước đó. Hơn nữa, có một chút chồng chéo giữa các khóa học. Ít nhất đối với tôi, sự chồng chéo này có lợi [nhưng hãy xem thêm phần Nhược điểm bên dưới], đặc biệt đối với các khái niệm mà tôi chưa từng tiếp xúc trước đây, như cơ sở dữ liệu SQL. Sự lặp lại là mẹ của việc học. Đừng quên điều đó
5. Đường đua bao gồm một loạt các kỹ năng, kỹ thuật và phương pháp cần thiết để phân tích dữ liệu. Như tôi đã đề cập trước đây, tôi đã áp dụng trực tiếp nhiều điều học được trong Bản nhạc này vào việc phân tích bằng tiến sĩ của mình. D. dữ liệu. Điều này đã giúp tôi rất nhiều không chỉ để hiểu/củng cố tài liệu tốt hơn mà còn để nhận ra rằng những gì tôi đã học được, mang lại giá trị to lớn cho công việc của tôi. Tôi coi đây là một lợi thế của Đường đua, vì nó đã dạy tôi các kỹ năng trong thế giới thực [nhưng đối với mặt khác của đồng xu, hãy xem điểm 1 bên dưới]
Điều tôi không thích ở Track và DataCamp [hay còn gọi là Nhược điểm]
1. Mặc dù điểm 3 rất tuyệt, nhưng đây không phải là cách bạn thường làm trong cuộc sống thực. Trong thực tế hàng ngày, có lẽ bạn sẽ có IDE của mình [Cá nhân tôi thích Spyder hơn. ] và bởi vì đôi khi mọi thứ có thể trở nên tồi tệ, bạn cần phải có một số “kỹ năng kỹ thuật”, e. g. , biết cách tạo môi trường ảo và cài đặt tất cả các thư viện liên quan trong đó. DataCamp cung cấp một nền tảng an toàn để học và phát triển các kỹ năng mới nhưng nó không chuẩn bị đầy đủ cho bạn để phân tích dữ liệu “trong tự nhiên” [thế giới thực]
2. Sự trùng lặp về nội dung hơi mệt mỏi, đặc biệt là khi nó nói về những điều tôi đã biết [ừm]. Tôi hiểu rằng điều này là chủ quan và có thể không áp dụng cho những người khác
3. Trong một số trường hợp, các bài tập tương tác chỉ là sự lặp lại [cùng ví dụ, cùng số, cùng mã] của những gì đã được trình bày trong các video/bài giảng… nhưng có khoảng trống để bạn điền vào. Cá nhân tôi thích các bài tập khó hơn hoặc độ khó tăng dần
4. Mặc dù Đường đua bao gồm hầu hết mọi thứ tôi muốn, nhưng tôi cảm thấy thiếu một cái gì đó. Đây có thể là một khóa học về các phương pháp hay nhất trong phân tích dữ liệu/công nghệ phần mềm và một khóa học khác về cách viết mã hiệu quả. Tôi coi những kỹ năng này có tầm quan trọng lớn đối với các nhà khoa học/nhà phân tích dữ liệu đầy tham vọng. Để giải quyết khoảng cách này, tôi khuyên bạn nên theo dõi kỹ năng lập trình Python [trên DataCamp]
Đóng nhận xétNói chung, tôi thực sự thích Đường đua và tất cả những gì nó cung cấp. DataCamp mang lại trải nghiệm tích cực và bổ ích trên hành trình phân tích dữ liệu của tôi. Tôi đã học được rất nhiều và phát triển các kỹ năng mới có thể áp dụng vào thế giới thực, những kỹ năng mà tôi sẽ sử dụng trong công việc chính của mình để có được những hiểu biết mới về nhận thức của con người