6种强大的学习技巧可帮助您掌握数据科学中最棘手的主题
从费曼技术到莱特纳系统，本指南提供了一种学习技术，可以帮助每个人学习数据科学。
即使到 2000 年代的第二个十年，数据科学仍然是最受追捧但最难进入和掌握的领域之一。
你所听到的关于大学辍学生在三个月内学习编码，然后在 FAANG 公司作为入门级薪水赚取 100,000 美元的说法并不适用于数据科学领域的工作。
相反，任何有志成为数据科学家的人似乎都是为这份工作而生，拥有编码、分析和数学技能，这些技能似乎可以凭空产生美丽的可视化，完美地描述组织的业务问题和成功，而无需大惊小怪。
然而，这对于我们这些可能在晚年才开始接触数据科学的普通人或那些正在寻找职业转变的人来说意味着什么？
幸运的是，任何人都可以使用许多学习技术来帮助他们掌握数据科学中最棘手的主题，这将有助于在该领域找到第一份工作。从费曼技术到 SQR3 方法，这里有一种学习技术，适合每个想要扩展知识并掌握进入这个诱人领域所需的一切的人。
1. Spaced Repetition
间隔重复是“以逐渐增加的间隔回顾信息”的过程。[0]
举个例子，有人告诉你如何计算统计样本的平均值。很高兴知道这些信息，但如果您不经常使用它，您可能会忘记如何计算平均值。但是，如果您要定期回顾计算平均值的概念，您将更有可能保留这些信息，并能够在将来更有效地使用它。
本质上，大脑包含突触，它们是神经元之间的连接点。简而言之，突触用于在神经元之间传导神经冲动，帮助大脑传递信息。很少使用的突触会变得更弱，甚至可能被大脑“修剪”。这使得更经常使用的突触变得更强大（Kalat, J. W. (2022). Introduction to Psychology. Boston, MA: Cengage Learning）。
因此，间隔重复通过加强大脑中的突触来检索和使用特定信息而起作用。
间隔重复可以通过定期复习材料并从大脑中检索信息来完成。创建时间表可以是确保您定期查看材料的有效方法。或者，数字抽认卡工具 Anki 是一款出色的多合一间隔重复工具，可帮助您制定时间表并确保您每天都能获得适量的练习。[0]
这种技术有什么好处：
增加词汇、方法、方程式和概念的保留。
如何使用它来研究数据科学：
间隔重复是练习使用数据科学中经常使用的算法的好方法。虽然并非所有数据科学项目都使用相同的算法，但在第一次学习练习使用所有这些算法时可能是一个好主意。此外，随着时间的推移练习它们可能是有益的，以确保您不会失去在下一个项目中快速有效地实施它们的能力。此外，算法在不同场景中的间隔重复将帮助您了解它们在不同情况下的应用方式以及您可能获得的结果范围，具体取决于您选择实施的算法。
2. Active Recall
主动回忆是一种涉及“从大脑中检索信息”的学习技术。[0]
大多数人通常认为学习是一种将信息输入大脑的行为（有时称为被动学习方法），而主动回忆通过迫使大脑主动记忆和检索信息而起作用。[0]
根据 2013 年对有效学习技术进行的多机构研究，主动回忆被列为一项非常成功的学习技术，已被证明可以提高学生在教育竞赛中的表现。[0]
主动回忆可以通过创建练习题、练习测试或抽认卡来实现，您必须通过回忆您所知道的内容来尝试回答这些问题。如果某个问题的回答不正确，请返回您的笔记以了解您缺少的答案。然后，再次回顾问题并尝试提高您之前的分数。
这种技术有什么好处：
巩固您对主题的记忆，并提高快速自信地回忆信息以回答问题的能力。
如何使用它来研究数据科学：
主动回忆是一个很好的学习工具，当您刚开始学习数据科学的基础知识时使用，例如使用 Python 或 R 进行编程的基础知识、学习数据分析中涉及的基础数学以及学习哪种类型的可视化效果最好对于哪种情况。通过在每个主题中为自己制定一个问题列表，您可以稍后进行测验，看看您是否真的了解如何在每种情况下使用编程、数学或数据可视化。不仅如此，通过开发你自己的主动回忆测试题，你将学会以创造性的方式使用你所知道的信息，你将开始预测你将如何解决问题。
3. The Feynman Technique
注意：我有一篇详尽的文章详细介绍了如何使用费曼技术，可以在这里完整阅读：如何使用费曼技术成为数据科学中最复杂概念的专家。[0]
费曼技术是由诺贝尔奖获得者物理学家理查德费曼开发的，他是量子计算和纳米技术领域的先驱，因在康奈尔和加州理工学院的精彩演讲而被称为“伟大的解释者”。[0]
费曼技巧是理解任何主题的四步过程，通过主动学习发展对主题的真正理解。[0]
费曼技术可以分为四个步骤，针对给定主题按顺序完成：[0]
- 选择一个概念来学习：用你自己的语言和脑力写下你已经知道的关于一个主题的一切。记下必须使用长而复杂的词来解释某事的任何一点，并确定您是否理解该词的含义。如果你能用简单的术语解释这个词的含义，那就太好了！如果没有，请研究这个词及其用法以更深入地了解它的含义，然后尝试找出一种使用简单语言来描述这个词的方法。[0]
- 教给自己或别人：教给别人一个概念真正决定了你自己是否理解这个概念。当您无法连贯地教给别人时，很难欺骗自己相信自己是某个主题的专家！关键是以 10 岁的孩子可以理解的方式教授这个概念。[0]
- 确定您的知识差距并返回源材料：在尝试将概念传授给其他人之后，您将能够根据您能够解释该主题的难易程度以及您是否能够回答任何后续问题。一旦您确定并填补了任何空白，就该回去再次向某人教授这个概念了。此步骤是与步骤 2 的迭代循环的一部分。此循环应根据需要完成多次，直到您向前和向后了解主题。[0][1]
- 简化您的解释：该过程的最后一步涉及重新解释您的解释，以便它排除行话并使用易于回忆和解释的简单类比。此步骤迫使您简化概念，直到任何人都可以完全理解它。[0]
这种技术有什么好处：
理解理论、技术和数学概念之间的联系。
如何使用它来研究数据科学：
费曼技术是深入学习最棘手的数据科学概念的好方法，因为它迫使你理解它们，以至于你可以向任何人解释它们。例如，无监督学习或描述性模型是机器学习的概念，由于没有确切的目标，因此理解起来可能很复杂。但是，学习如何解释无监督学习的工作原理以及了解描述性模型在哪些场景下可能对基础水平有益，可以帮助您以简单的方式更好地理解它们。然后，如果有时间让您实现描述性模型，您将以最简单的方式了解它应该如何工作以及应该产生的结果。
4. The SQR3 Method
SQR3方法是一种“阅读理解方法，因其五个步骤而得名：调查、提问、阅读、背诵和复习”。[0]
SQR3 方法的目的是从您阅读的内容中收集和记住尽可能多的信息。在学习数据科学中更困难的概念时，您可能会做很多事情。因此，你不妨确保你得到你想要的。[0]
SQR3方法的五个步骤要按顺序完成：
- 调查：收集信息，为您将要阅读的内容做好准备，包括标题、简介或摘要、标题、表格或图表、章节目标、章节结尾问题以及任何其他关键特征。这些信息将为您将要阅读的内容打下基础，并让您了解您应该关注什么，以及阅读该项目的目标应该是什么。[0]
- 问题：使用调查期间收集的关键信息提出问题。这可以让您在阅读时挑选出关键细节来回答这些问题。[0]
- 阅读：回答您通过阅读提出的问题。现在也是时候看看你的答案在哪里可以提供更多信息，或者你应该在哪里提出更多问题。[0]
- 背诵：读完一节或章节后，试着回答你凭记忆写的问题。这里的关键是不要继续阅读下一部分，直到您可以轻松地背诵问题的答案。[0]
- 复习：读完整个阅读后，回顾你写过的问题，看看你是否还能凭记忆回答。如果没有，请检查您的问题和答案，以确保您巩固您的理解。[0]
这种技术有什么好处：
升级您的阅读理解，以确保您理解并保留您所阅读的内容。
如何使用它来研究数据科学：
TowardsDataScience 是数据科学文章和操作方法的最佳在线资源之一。但是，您是否可以肯定地说，您在阅读他们发表的文章后保留了所学的一切？此外，如果一篇文章特别复杂，涉及错综复杂的数学或人工智能，你能自信地用简单的语言解释你刚刚读到的内容吗？ SQR3 方法的好处在于，它将帮助您提高对您阅读的每篇 TowardsDataScience 文章的理解。不仅如此，您还可以将学到的知识应用到自己的项目中，因为您清楚地了解所呈现的内容。通过帮助您专注于重要信息并填补您的知识空白，此技术在用于阅读和理解科学期刊文章时也很有用。[0]
5. Leitner System
Leitner 系统由德国科学记者 Sebastian Leitner 于 1972 年开发。[0]
莱特纳系统是一种“使用抽认卡、卡片盒和间隔重复计划系统”的学习方法，已被证明可以改善学习和记忆。这种方法是最早使用间隔重复的学习系统之一，并且随着许多研究证明其有效性而越来越受欢迎。这种方法还涉及主动回忆，因此可以被认为是两种研究方法的混合体（上面分别讨论过）。[0][1]
该系统使用三个抽认卡盒来促进间隔重复：[0]
- 方框 1：包含新添加的新抽认卡和方框 2 中回答错误的抽认卡。方框 1 中的抽认卡每天都会审核。[0]
- 框 2：包含框 1 中回答正确的抽认卡和框 3 中回答错误的抽认卡。方框 2 中的抽认卡每隔一天审查一次。[0]
- 方框 3：包含方框 2 中回答正确的抽认卡和方框 3 中回答正确的抽认卡（无变化）。方框 3 中的抽认卡每周审查一次。[0]
如您所见，该方法与前面描述的间隔重复相同，并且还使用主动回忆的方面来确定是否需要更频繁地或更少地重新访问一个概念。
虽然手工编写抽认卡可能很耗时，但 Anki 等数字抽认卡工具已经现代化并大大加快了这一过程。[0]
这种技术有什么好处：
定期自我测试对主题的理解。
如何使用它来研究数据科学：
Leitner System 最适合用于学习数据科学中的概念。例如，您可以创建一套涵盖不同统计分析方法的抽认卡。该套牌将包括来自描述性和分析性统计的概念，一侧是概念的名称，另一侧是概念的描述和示例。通过使用间隔重复和主动回忆来浏览这些卡片，您可以放心，您将理解这个概念并能够在未来保留这些知识。
6. Mindmapping
思维导图是与单个主题相关的想法和概念的视觉表示。[0]
思维导图是将以前的知识与新主题联系起来，以及将新信息和概念与您当前正在学习的主题联系起来的绝佳工具。这些有意义的视觉表现可以帮助你直观地掌握信息之间的联系。此外，创建思维导图是一种更具吸引力的学习形式，可以帮助您创造性地和批判性地利用信息。[0][1]
Barts 和伦敦医学和牙科学院的研究人员在 2002 年进行的一项研究发现，思维导图可以将保留率提高 10-15%。[0]
要创建思维导图，请在页面中心写下主题的名称。围绕中心主题编写关键字和概念以创建信息分支。然后，为关键字和概念绘制额外的分支，以提供更多细节或链接额外的支持信息。
这种技术有什么好处：
将概念相互关联。
如何使用它来研究数据科学：
思维导图是在关联数据科学中的不同概念时使用的出色工具。数据科学是复杂的，分支到编程、数学、数据分析和数据可视化。思维导图可以帮助您将不同的区域联系在一起并了解它们之间的相互作用。例如，您可以发现所使用的统计方法如何改变不同的数据可视化，或者机器学习和人工智能如何影响数据分析。数据科学中的一切都是相互关联的，思维导图提供了创建内部关系的图形表示的能力。
Final thoughts.
数据科学是一门复杂的学科，但并不一定是艰苦的。
通过开发智能学习方法来帮助您有效地处理材料，可以学习数据科学中最棘手的概念。诀窍是使用正确的方法组合，从而对一个概念产生最全面的理解。
Key takeaways:
- 大脑只能保留这么多信息，因此定期重新访问您计划未来需要的信息以确保其保留至关重要。
- 迫使您以新的创造性方式回忆信息和使用信息的主动学习方法有助于提高记忆力和概念理解。
- 发展强大的阅读理解能力将确保您充分利用阅读时间并保留所吸收的内容。
文章出处登录后可见！
