自分の脳の季節性を活用した、1年間のデータサイエンスの自己学習プランの作成方法

「1年間のデータサイエンスの自己学習プランの作成方法」

あなたの脳も季節があり、それを活用してデータサイエンスを効率的に学ぶことができます

ソーシャルメディアでは最近、誰かが自分でデータサイエンスを3ヶ月で学び、FAANG企業に採用されるまでの間に「データベース」と言う前に、自分でデータサイエンスを教えたという話があふれているため、自分でデータサイエンスを学ぶことは達成不可能なことのように思えるかもしれません。

自分のシンプルなPythonプログラムですらエラーなしで実行できないとき、このような話は最も失望させられるものです。

こうした時には、自分でデータサイエンスを教えて新しいキャリアを始めるという夢は不可能なものに思えるかもしれません。また、過去に自分が成功するために必要な概念やツールを自分で教えようとして、献身や進歩、楽しみの欠如によって数週間で諦めたことがある場合、無駄な努力に思えるかもしれません。

しかし、私が直近4年間にわたり自己学習を成功させた中で学んだことは、成功は脳と一緒に働く方法を学ぶことであり、それは脳の季節性と一緒に働く方法を学ぶことでもあるということです。

• 探索的データ解析：データセットの中に隠されたストーリーを解き明かす
• NumpyとPandasを超えて：知られざるPythonライブラリの潜在能力の解放
• ロッテン・トマト映画の評価予測のデータサイエンスプロジェクト：2つ目のアプローチ

以下に、脳の季節性を活用して学習のポテンシャルと効果を最大化する1年間のデータサイエンスの自己学習計画を立てる方法を示します。

1年間の季節性のある学習計画

脳の機能は時間帯と同様に季節にも影響を受けます。2016年に行われた脳活動の年間リズムの研究では、季節によって変動することが分かりました。その研究では、脳は夏に持続的な注意力タスクで最大の能力を発揮し、冬には同じタスクで最小の能力を発揮することがわかりました。また、脳は秋には作業記憶（作業記憶とは「計画、理解、推論、問題解決」に必要な記憶のことです）タスクで最大の能力を発揮し、春には同じタスクで最小の能力を発揮します。これらの結果を確定させるためにはさらなる研究が必要ですが、それでもこれらの結果を活用して脳の最大のポテンシャルを活かす1年間のデータサイエンスの学習計画を作成することができます。

冬：プログラミングとデータ構造

上記で議論された研究によると、冬は脳の持続的な注意力タスクにおいてはあまり活性化されない時期です。しかし、それはプログラミングのチュートリアルを進め、データベースやデータ構造に慣れることを始められないということではありません。

経験から言えることは、1日に3時間以上のハードなコーディングやデータベース作業に費やすべきではないということです。コーディングを学ぶ際には、2〜3時間の講義に全力を注いだ後、残りの時間を練習問題に取り組むことが最も効果的です。実際、多くの学びは練習問題で行うものです。

freeCodeCamp.org

無料でコーディングを学びましょう。

www.youtube.com

今は、freeCodeCampの講義を進めてPython（および/またはR）、SQL、そしてJavaScriptの基礎を学ぶ時です。

その後は、自分自身のプロジェクトを進めるか、LeetCodeの練習問題を解くことに時間を費やしましょう。コーディングの応用プロセスこそが最も学ぶ部分です。コードを書き、エラーに遭遇し、StackOverflowを使いこなし、修正を行うことで、一日の早い段階で学んだ概念が定着します。

春：データの可視化

上記の研究によると、春は脳の作業記憶の低点です。つまり、データの可視化の概念に取り組み、できるだけそれを記憶に定着させる時期です。

データの可視化は、データサイエンスの学習の中で「楽な」部分と考えられるかもしれませんが、それは理由があります。正確なデータ表現、可視化の種類、美学について学んでいます。しかし、これらのことが重要ではないと思い込まないでください。むしろ、データの可視化はデータのストーリーを伝える場所であり、将来の予測を行う場所でもあります。

可視化を準備する前に、すべての適切な質問に回答するためのワークフローを確立する必要があります。可視化の目標は何ですか？対象読者は誰ですか？1つの可視化で提供する必要がある情報量はどれくらいですか？色やチャートを効果的に使用する方法はありますか？

まだデータのクリーニングについてはあまり知りません（最初の完全なデータ分析を行う秋にすべてを組み合わせるときに学びます）、しかし、冬に開発したプログラミングスキルを活用して、いくつかの事前準備済みのデータを可視化することができます。以下のリストを確認して、可視化の構築を開始するために使用できるデータセットを見つけてください。

夏：代数、統計、微分積分

上記で議論された研究によると、夏は脳の持続的な注意力タスクの最適な季節です。これは、夏に最も難しいデータサイエンスの概念に取り組みたいということを意味します。多くの人にとって、これは数学を意味します。

次の3か月は、教科書やYoutubeのチュートリアルビデオを開いて、代数、統計、微分積分のトピックを習得する時期です。これらの3つの数学の領域は、ほとんどの一般的なデータサイエンスの仕事に必要なものです（業界固有の要件によっては、多変数微分積分、微分方程式、離散数学などのより高度な数学が必要な場合もあります）。

Professor Leonard

このチャンネルは、質の高い数学教育に専念しています。完全に無料なので、お楽しみください！ビデオは以下のように整理されています…

www.youtube.com

Professor Leonardは、代数、統計、微分積分のためのお気に入りのYoutube講師です。彼は、前計算から微分方程式までの高品質な大学の講義を提供しています。私の唯一の後悔は、彼の講義をもっと早く見始めなかったことです。

秋：すべてを統合してデータ分析する

秋は脳が最大の作業記憶容量で働いている時期であり、過去1年間に学んだすべてを組み合わせて最初の完全なデータ分析を完了する時期です。

データ分析は、分析の目的を決定し、データを収集、クリーニング、分析し、最終的に結果を解釈し、結論を出すというステップに従います。これにより、これまでに学んだすべてが統合され、本物のデータサイエンティストの作業を行う能力が身につきます。

ここでの目標は完璧になることではありません。実際、データ分析の基礎を学ぶために過去9か月間を費やしてきたのですから、それはあまり長い時間ではありません。代わりに、目標は、データ分析に関与する手順を方法論的に考えながら、前年に学んだことを応用することです。すべての答えを持っているわけではなく、最良の分析を行うために必要ないくつかの技術がまだ見えていないかもしれません。ただし、作業中のデータからいくつかの洞察に富んだ結論を引き出すために必要な基本的なスキルを持っているはずです。

最後の考え

この計画の目標は、1年で自己学習でデータサイエンスを身につけることではなく、データサイエンスの学習プログラムを定期的に進めるための一貫したルーティンを開発することです。

データサイエンティストになるための計画は、1年でデータサイエンティストになるための手順が整然と示されているように見えますが、常にそうとは限りません-障害があるかもしれません。

代わりに、この計画は、脳の自然な起伏を最大限に活用するために、必要な科目を最適な時期に学習するのに役立つガイドに過ぎません。各年を通じて、スキルが脳により一層定着していることが確実です。

私のストーリーを直接メールで受け取るために購読してください：ストーリー購読

VoAGIへの無制限アクセスを得るためにメンバーになってください（私の紹介リンクを使用すると、追加費用なしで小さな手数料を受け取ることができます）：VoAGIメンバーシップ

このような記事の作成のための寄付をすることで、私の執筆活動をサポートしてください：寄付

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!