写作比写代码难多了？给数据科学家的写作指南

建议广泛和深入地阅读，在开发和探索之间找到平衡。开发和探索问题是机器学习中的一个经典，特别是在强化学习中：我们有一个代理人需要在全面了解环境中找到平衡，这就需要在探索知识和他认为将带来最高回报的行动之间做出选择。

通过广泛的阅读，探讨数据科学的许多不同的领域，并深入阅读，发展我们的特定领域的专业知识。你可以把这个应用到你的写作和数据科学的实践技能，你已经有-开发-学习新的技术-探索这样一条线路。

对选择项目的最后建议是从小做起。项目只会随着你工作的进展而增长，而且不管你分配给项目多少时间，它都要花更长的时间。承担一个完整的机器学习项目可能是很诱人的，但是如果你仍然试图学习Python，那么只能在同一时间选择一件事情。也就是说，如果你有足够的信心去承担整个项目，那就去做吧!没有比实践更有效的学习方法，尤其是在一个问题中处理这些片段。

结论

与任何长延迟回报的工作一样，写作有时也会很困难。然而，有一些具体的行动使过程更容易，并产生积极的反馈回路。写作没有秘诀，最多就只有减少开始写作时的犹豫，从而开始并帮助你继续前进。当开始或推进数据科学事业时，记住这些小贴士，建立并保持一个富有成效的写作习惯。

相关报道：

https://towardsdatascience.com/practical-advice-for-data-science-writing-cc842795ed52

【本文是51CTO专栏机构大数据文摘的原创文章，微信公众号“大数据文摘（ id: BigDataDigest）”】

戳这里，看该作者更多好文

【编辑推荐】

1. 用Python做数据科学时容易忘记的八个要点！
2. 信息安全人员转变为数据科学家的五个因素
3. ReactJS ：我就是想把代码和HTML混在一起！
4. 别跟风了！你的公司根本不需要数据科学家
5. 这些Python代码技巧，你肯定还不知道

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!