如何克服对数学的恐惧，学习数据科学的数学

首先有一件事要关注：数据科学有多少数学。使用这些帖子作为您需要学习的内容的参考：

Josh Ebner夏普纳的一个好博客文章。他解释了初级和高级数据科学家之间的差异，您需要数据科学的基础技能，数据科学理论和实践之间的差异等。

Tim Hopper的博客帖子。他是一个数学专业，也是一个博士学位。数学学生在他成为数据科学家之前一年。这是他的YouTube谈论数据科学需要多少数学。

Rebecca Vickery有一系列您需要学习数据科学的数学主题列表。这就是我使用的参考。

学习统计数据非常令人困惑。我无法连接有话题的不同部分。我从网上（一周）拿走了Stat100，我仍然不记得任何东西。

然后有概率。我度过了日子和夜晚，周末试图抓住贝叶斯的定理，但它就像一个我永远无法解决的神秘面纱。我问自己：

在我个人的生活中，过去几个月我是如何招待自己的？我在哪里找到了快乐？

我喜欢看着卡片，西装，鬼魂，贝壳，数十亿和星球大战。我狂欢观看了许多季节/卷。我决定狂欢，仔细阅读和狂欢练习概率整整一周：周一至周日。我想出了一个新的计划：

我不会读一本数学教科书。我也不会做任何mooc。原因是：这两者都来自专为研究生学习（3年以上）的学术标准。学者人员已经在他们的主题专家上，他们一直在教这些年份，因此在相同的Moocs /书籍中是一个或两个学期，最低限度。关于那些对这些科目的任何人都不了解的人呢？没有学期或两个学习？

如果我没有从一个地方理解某些地方，我退出并去了第二个地方。而不是在同一文章中努力工作，博客文章或视频几个小时，而是专注于为手头的主题努力工作，这让我灵活。我用另一个资源，然后另一个资源，直到我理解这个概念。

我练习了问题。通过阅读和理解，我们无法学习数学。我们需要将其应用于问题。 mathsisfun.com有一个答案的问题列表。

由Michael解释的概率密度函数（PDF）（以代数和图表解释相同）

Mathtutordvd.com的jason gibson的离散概率分布（最佳视频是什么是离散概率分布）

我不是唯一一个了解这一学习原则的人。 Ken Jee在他的YouTube视频中提出了类似的计划：

他的线性回归和线性模型播放列表是我现在正在观看的。这个家伙在解释东西时很棒。他不会随时浪费，他把事情留给了它，并确保他在继续前进之前的评论，几乎没有任何代码。他努力寻求清晰度和基本面，无论如何都是学习的全部。乔希拥有对Logarithms和线性回归的最佳介绍，我到目前为止已经过来。你会爱他的Bams和小bam和三重bams :-)

我建议您从这些地方学习，而不是使用传统的学习方法（拿起书和花费几个月），而且您可以在一周内完成。他们拥有您对数据科学所需的所有线性代数：

来自Pablo Caceres的线性代数（最全面的。我做了70％的人，因为我想学习某些主题。它有很多理论，我认为它甚至在深度学习时含有足够的无论您需要了解更多信息）

有很多恐惧数学的学习者。这种对数学的恐惧不会让我们理解并掌握我们需要学习的任何主题。我们认为我们没有数学思想。作为Georg Cantor的天才，并创建数学实体并能够理解和使用数学作为工具，或者作为解决问题的模型是两个非常不同的东西。前者是来自宇宙（或上帝）的礼物，而后者是技能集。此外，我们都不是天才，也不是我们是优秀的哈佛大学或牛津毕业生。我们无法对此限制做任何事情。我们可以做一些关于态度和能力来获得数学作为技能的能力。检查这些视频，以改变您对数学的信念：

你喜欢的数学巫师（我看过30+）。从这些开始：

一旦他们知道最好的学习技术，任何人都可以成为数学人Po-Shen Loh

如何擅长数学，以及关于学习的其他令人惊讶的事实Jo Boaler.

最后一个视频是关于印度教育系统如何运作的。那就是我研究的地方，所以我有一点偏见将其包含在这里。顺便问一下，这是一个有趣的视频。

拿起你一直想学习的数学主题，去数学很有趣并阅读它，通过所有的练习。通过这样做，你会立即丢失一半的恐惧。无论你的年龄还是背景是什么，你都会看到了这么简单和基本的解释。

当您通过阅读和观察和解决问题时学到以上所有内容时，您将在一周左右忘记80-90％的措施。使学习永久的唯一方法是：每天在您的工作中使用它。

自我研究的诅咒成为数据科学家是你不能使用你学到的一切。所以，这是一种不同的方法：

在本周末，检查您的列表并使用Feynman技术解释列表中的所有主题

你节省了很多时间，因为你没有阅读整本书或做一个需要几个月的MOOC。

你只学习你需要的东西。数据科学不是数学。不要忘记使用数据的业务价值，投资组合准备，利益相关者和讲故事。它们比“全面学习数学”更重要。

你学习如何解释。 在尊重你周围的每个人的同时，能够在你的工作场所放入你的工作场所的一个非常有用的技能。 它也有利于采访。 由于您在某些数学主题背后获得了基本因的想法，您可以在雇用时浏览和学习。 Bio：arnuld是一个工业软件开发商，拥有5年的经验，在C，C ++，Linux和Unix工作。 在向数据科学转换到一年多的数据科学内容作家后，他目前作为自由数据科学家工作。