【早く気付け】今すぐやめるべきデータサイエンス学習法TOP5

はやたす | Python・データサイエンスコーチ
28 Oct 202316:07

Summary

TLDRThis video script addresses common pitfalls in learning data science and presents a top 5 list of inefficient methods to avoid. It emphasizes the importance of practical experience over theoretical knowledge, especially for beginners. The speaker shares personal experiences and success stories of his students to illustrate the effectiveness of focusing on real-world data analysis projects. The script promotes a learning roadmap that prioritizes gaining practical skills and building a portfolio through competitions like Kaggle to enhance employability in the field of data science.

Takeaways

  • 📚 Avoid focusing solely on theoretical knowledge early in the learning process, such as deep learning theories, as it may not directly translate to practical skills needed for data science roles.
  • 🔢 It's not necessary to study mathematics in-depth initially, especially for beginners. Instead, focus on gaining practical experience that can be applied in data analysis tasks.
  • 🚀 Skip learning Docker for data science unless it's specifically required for a job you're targeting, as it's not typically a prerequisite for entry-level data science positions.
  • 🛠 Prioritize learning only what is essential for the immediate goal of entering the field, rather than acquiring a broad range of skills that may not be immediately useful.
  • 📈 Start building practical data analysis experience by participating in data analysis competitions like Kaggle, which closely mimic real-world data science tasks.
  • 🏆 Kaggle competitions are an excellent way to gain tangible achievements, such as medals, that can showcase your skills to potential employers.
  • 💡 The speaker emphasizes the importance of learning by doing, rather than memorizing libraries or syntax, which can be looked up as needed.
  • 🚫 Avoid spending excessive time on foundational learning without progressing to practical application; this can lead to inefficiency and wasted time.
  • 🕒 Recognize that time is a limited resource, and focus on learning in a way that minimizes waste and maximizes efficiency.
  • 💼 For those looking to transition into data science, aim to gain practical experience as quickly as possible to make yourself more attractive to employers.
  • 🌟 The speaker shares personal experiences and success stories of individuals who have overcome initial struggles and achieved rapid progress in data science by adopting the right learning methods.

Q & A

  • What is the main focus of the video script?

    -The video script focuses on introducing the top 5 data science learning methods that one should avoid, and then suggests the most effective way to learn data science.

  • What is considered the most important factor when learning data science, according to the script?

    -The script suggests that the most important factor is not the materials or the time spent studying, but rather the learning method itself.

  • Why does the script suggest avoiding the study of machine learning theory at the beginning of data science learning?

    -The script argues that understanding machine learning theory is not the best starting point for beginners because knowing the theory and being able to apply it are separate issues, and practical application is more important initially.

  • What is the script's stance on studying mathematics for data science learning?

    -The script advises against focusing on mathematics at the beginning of data science learning because it's not immediately applicable and can lead to wasted effort without a clear understanding of its use.

  • What is the script's opinion on learning Docker for data science beginners?

    -The script discourages beginners from learning Docker because it is not a high priority skill for most job positions, and there are more urgent and important areas to focus on for someone new to data science.

  • Why does the script warn against memorizing Python libraries and syntax?

    -The script suggests that memorizing Python libraries and syntax is not necessary because programming can be looked up on Google, and it's more important to focus on practical application and problem-solving.

  • What is the script's view on continuous foundational learning in data science?

    -The script criticizes continuous foundational learning because it can be time-consuming and may not lead to practical skills that can be applied immediately in the field of data science.

  • What is the most effective method to learn data science according to the script?

    -The script recommends participating in data analysis competitions like Kaggle as the most effective method because it closely resembles real-world tasks, helps build analytical skills, and allows for tangible achievements.

  • What are the three main reasons why participating in Kaggle competitions is beneficial for learning data science?

    -The three main reasons are: it allows for learning in a format that closely resembles real-world tasks, it helps in building practical analytical skills, and it enables the creation of tangible achievements.

  • What kind of support does the speaker offer for those who wish to learn data science efficiently?

    -The speaker offers a complete roadmap for learning data science in 3 months, available on their official website, which includes slides and other resources to help beginners efficiently learn data science.

Outlines

00:00

📚 Top 5 Data Science Learning Mistakes to Avoid

The speaker introduces the concept that despite using the same learning materials, not everyone successfully acquires data science skills. They emphasize the importance of avoiding certain common mistakes in learning data science. The paragraph discusses the frustration of those who have been studying for a long time without progress and the potential waste of time and resources if one continues with ineffective learning methods. The speaker promises to reveal the top 5 data science learning mistakes to avoid and to introduce the best learning method towards the end of the video.

05:01

🚫 Avoiding Common Data Science Learning Pitfalls

This section delves into the specific learning mistakes that the speaker advises against. The first mistake is focusing on the theory of machine learning models, which is not recommended for beginners. The second mistake is studying mathematics without a clear application, which is deemed unnecessary for those new to data science. The third mistake is learning Docker, which the speaker argues is not essential for beginners and not typically required for entry-level positions. The fourth mistake is memorizing the usage of Python libraries, which is considered inefficient and contrary to leveraging AI tools that can generate code. Lastly, the speaker criticizes the approach of continuous foundational learning, suggesting it is impractical and time-consuming.

10:03

🚀 The Most Effective Way to Learn Data Science

The speaker presents the most powerful method to learn data science: participating in data analysis competitions like Kaggle. They argue that this approach is the closest to real-world practice one can achieve through individual learning, allowing for the development of analytical skills and the creation of tangible achievements. The speaker emphasizes three main reasons for this method's effectiveness: it mirrors the steps of actual data analysis tasks, it builds practical skills, and it provides quantifiable results through competition rankings and medals.

15:05

🎯 Transitioning to Effective Data Science Learning

The speaker offers a comprehensive roadmap for transitioning to effective data science learning, available through their official website. They encourage viewers to abandon the idea of slow, continuous learning and instead focus on acquiring practical skills for quick entry into the job market. The speaker also provides resources for beginners to learn data science efficiently, including a 71-page guide, and invites viewers to subscribe for more targeted learning materials and limited offers.

🔄 Recap and Encouragement for Data Science Learners

In the final paragraph, the speaker recaps the top mistakes to avoid in data science learning and reiterates the benefits of participating in data analysis competitions. They provide reassurance and encouragement to those who may feel uncertain about their ability to learn data science, sharing their own experience of overcoming initial struggles and achieving success. The speaker invites viewers to subscribe to the channel for more information on qualifications and to stay updated with future content.

Mindmap

Keywords

💡Data Science

Data Science is a multidisciplinary field that uses scientific methods, processes, algorithms, and systems to extract knowledge and insights from structured and unstructured data. In the video, the theme revolves around effective learning methods for acquiring data science skills. The script mentions the challenges faced by beginners and experienced individuals alike in mastering data science, emphasizing the need for practical approaches over theoretical knowledge.

💡Machine Learning Theory

Machine Learning Theory refers to the underlying principles and mathematical frameworks that drive machine learning algorithms. The video suggests that while understanding theory is beneficial, it should not be the primary focus for beginners in data science. Instead, the script advocates for practical experience and learning theory on an as-needed basis.

💡Mathematics

Mathematics is the study of numbers, shapes, and patterns, and it plays a foundational role in many scientific disciplines, including data science. However, the script argues that for those new to data science, diving deep into mathematics may not be the most efficient use of time. It suggests that practical experience should precede in-depth mathematical study.

💡Docker

Docker is a platform that allows developers to develop, deploy, and run applications in containers. Containers are lightweight, portable, and self-sufficient, making them ideal for software development. The video mentions Docker as a tool that, while useful, may not be a priority for beginners in data science who should focus on more immediately applicable skills.

💡Python Libraries

Python Libraries are pre-written code modules that provide additional functionality to Python programs. In the context of data science, libraries like Pandas, Matplotlib, and Scikit-learn are essential for data manipulation, visualization, and machine learning tasks. The script warns against focusing solely on memorizing library functions, advocating instead for learning through practical application.

💡Data Analysis Competitions

Data Analysis Competitions, such as those on Kaggle, provide a platform for individuals to apply and showcase their data science skills by solving real-world problems. The video highlights these competitions as an effective learning method in data science, as they offer hands-on experience and the opportunity to earn tangible achievements, like winning medals.

💡Practical Experience

Practical Experience in the video refers to the application of data science skills in real-world scenarios or simulated environments. It is emphasized as a critical component of learning data science, as it allows individuals to apply theoretical knowledge and gain a deeper understanding of the field.

💡Learning Efficiency

Learning Efficiency is the concept of acquiring knowledge or skills in the least amount of time with the greatest retention and application. The script discusses various pitfalls in learning data science that can lead to inefficiency, such as focusing on unnecessary theories or tools, and instead promotes strategies that maximize learning efficiency.

💡Career Transition

Career Transition in the context of the video refers to individuals changing their professional field, often to data science. The script addresses the concerns of those looking to transition into data science, emphasizing the importance of gaining practical skills and achievements that can make them more attractive to potential employers.

💡Continuous Learning

Continuous Learning is the ongoing process of acquiring new knowledge and skills throughout one's life. The video encourages continuous learning in data science, suggesting that with the right methods, anyone can achieve proficiency and success in the field, regardless of their starting point.

💡Freelancing

Freelancing is a type of self-employment where individuals offer their services to clients on a flexible and independent basis. The video mentions freelancing as a potential career path for those who have successfully learned data science, highlighting the benefits of independence and the ability to set one's own rates.

Highlights

Introduction of the top 5 data science learning methods to stop immediately.

The importance of learning data science efficiently, regardless of being a beginner or an experienced learner.

The disparity between people who can and cannot master data science, despite using the same study materials.

The presenter's personal experience of achieving freelance independence in 8 months after starting Python from scratch.

Examples of students who quickly mastered data analysis and won medals in competitions, showing the effectiveness of the right learning methods.

The top 5 data science learning methods to avoid, starting with learning the theory of machine learning models.

The misconception that understanding complex theories is necessary for beginners in data science.

The presenter's experiment with learning deep learning theories and the realization that it was not practical for immediate application.

The argument against learning Docker for data science beginners, as it is not a required skill for most job positions.

The presenter's recommendation to focus on practical data analysis experience rather than memorizing Python libraries and syntax.

The presenter's view that continuous foundational learning is not effective and can lead to wasted time.

The importance of starting a career in data science as soon as possible to remain competitive in the job market.

The presenter's success and that of his students, achieved by avoiding the mentioned pitfalls and focusing on practical application.

The introduction of the strongest learning method for mastering data science: participating in data analysis competitions.

Three reasons why participating in competitions like Kaggle is the best way to learn data science: practicality, skill development, and tangible achievements.

The presenter's offer of a complete roadmap for learning data science in 3 months for beginners.

Encouragement for viewers to change their learning methods immediately and avoid wasting time and money.

The presenter's promise to cover more topics such as qualifications and learning maps in future videos.

Transcripts

play00:00

はいこんにちははたです今回は早く気付け

play00:02

今すぐやめるべきデータサイエンス学習法

play00:04

トップ5これを紹介していきますあなたは

play00:06

データサイエンスを習得するっていう時

play00:08

1番大事になるのは何か分かりますか初心

play00:11

者であれ経験者であれみんな購入できる

play00:13

書籍は同じ受行できるユデミーも同じ

play00:15

そして主張できるYouTube動画も

play00:17

同じ社会人なる平日の勉強時間は1時間

play00:19

から2時間その条件はみんな同じなのに

play00:22

データサンスを習得できる人とできない人

play00:24

がいるこれっておかしいと思いませんか

play00:26

同じ教材を使って勉強しているならみんな

play00:28

同じ結果になるはずですよねでも現実は

play00:30

そうなってないじゃどこで差が生じるのか

play00:33

そうそれがこの動画で紹介する学習方法

play00:35

です本とか書籍を使って勉強してるけど

play00:38

なかなかスキルアップできてる時間がない

play00:39

どうすれば効率よくデータサイエンスを

play00:41

習得できるんだろう気づいたら勉強開始し

play00:44

て1年も経ってしまってそろそろ学習で

play00:46

行き詰まってる現状を打開したい正直こう

play00:48

いう悩みありますよね中には転職のために

play00:50

データサンスの勉強を始めたんだけど

play00:52

なかなか学習がうまくいかずにすでに挫折

play00:54

した経験がある人もいると思いますもし

play00:56

この動画を見ないでこのまま間違った学習

play00:58

方法で継続してしまうと今以上に不要な

play01:01

教材を買ったり必要のない勉強ばかりして

play01:03

数万の教材費と数ヶ月という時間を無駄に

play01:06

することになります本来なら家族や恋人と

play01:08

過ごしたり自分の趣味を楽しんだりと別の

play01:10

ことに使いていたはずの時間を無駄にする

play01:12

のなんて嫌ですよねそこで今日の動画では

play01:14

今すぐやめるべきデータサイエンス学習法

play01:16

トップ5を紹介していきますそれだけで

play01:18

なく動画の終盤ではデータサイエンスを

play01:20

習得するための最強の学習方法を紹介し

play01:23

ますこの動画で話す間違った勉強法をやめ

play01:25

て最強の学習方法を実践すれば早い人だと

play01:28

2ヶ月遅くとも半年で簡単なデータ分析を

play01:31

1人でこなせるようになります僕も今日

play01:33

紹介する間違った勉強法を避けて学習を

play01:35

進めた結果社会人から未経験で

play01:37

Python学習を開始して8ヶ月で

play01:39

フリーランス独立を達成僕だけでなく僕の

play01:41

受行生も未経験からデータサンスを学び

play01:44

始めた20代後半の方が本来なら1年から

play01:46

1年半かかるデータ分析の基礎とカル入門

play01:49

まずか2ヶ月で完了4ヶ月で会社業務に

play01:51

活用1年半の独学で行き詰まっていた30

play01:54

代の方が5ヶ月でカルドメダルを獲得

play01:56

ディスカッションでは金メダルを獲得

play01:58

パイソン基礎レベルから学習開始した40

play02:00

代の方が5ヶ月でかぐ同メダルを獲得

play02:03

データサイエンス未経験から学習開始した

play02:05

30代後半の方が3ヶ月でカ初心者向け

play02:08

コンペで上位3%を達成するなど脅威の

play02:11

スピードでPythonデータサイエンス

play02:12

を習得していますもしあなたがもうこれ

play02:14

以上貴重な時間を無駄にしたくないただの

play02:16

基礎学習で終えるんじゃなくて実践できる

play02:18

ようになりたいそろそろデータサイエンス

play02:20

を習得して転職活動をしたいそんな風に

play02:22

思っているのであれば今回もとても貴重な

play02:24

話をします是非動画を最後まで見て間違っ

play02:27

た学習法に何個当てはまっていたか

play02:29

コメントで教えてくださいそれでは

play02:30

スタートし

play02:32

ますやってはいけないデータサイエンス

play02:34

学習法第5位は機械学習モデルの理論を

play02:37

学習することですいやいやさすがに理論は

play02:39

知っていた方がいいでしょうそう思った人

play02:41

が大多数だと思います確かに数式を追って

play02:43

しっかり理論を理解できるように越した

play02:45

ことはないですでも理論の理解っていうの

play02:47

はこれからデータサイエンスを学び始める

play02:49

初心者がいきなり取り組むようなことでは

play02:51

ありませんなんでかって言うと理論を知っ

play02:52

ているのと活用できるのは別問題だから

play02:55

ですこれは僕の実態験で僕は学生時代に

play02:57

数学を先行していたので数式をって理論を

play03:00

理解するのが得意でしたそれで機械学習

play03:02

特に当時流行っていたディープラーニング

play03:04

の理論から学習を開始したんですねでも

play03:06

新卒で機械学習系のプロジェクトに携わっ

play03:08

た時全く使いこなすことができませんでし

play03:10

た正確に言うとビジネス課題を特定したり

play03:13

アプリ開発全般のことを把握したりデータ

play03:15

の準備に膨大な時間がかかったりと

play03:17

そもそもディープラーニングを使う機会が

play03:19

しばらくなかったんですねそうつまり机の

play03:21

上で勉強していたことと実務で使う知識に

play03:24

は大きな帰りがあったということです確か

play03:26

に数学や情報系の収支家庭あるいは白紙

play03:28

家庭を出た人がはデータサイエンティスト

play03:30

になったり研究開発したりするなら分かり

play03:32

ますでもこれからデータサイエンスを学習

play03:34

する初心者がそういう人たちを差し置いて

play03:36

いきなり機械学習の理論を求められる可能

play03:38

性は極めて低いです例えるなら有名な

play03:41

シェフの元で修行せず家でパスタを茹で

play03:43

たってだけで東京銀座にイタリアンを

play03:45

オープンするようなものですそう考えると

play03:47

いかに難しいことをしようとしているか

play03:49

分かると思いますそれにデータサイエンス

play03:51

を学ぶ多くの人は転職したいって考えて

play03:53

ますよねそういう時あなたが採用担当者だ

play03:56

としたら機械学習の勉強をしていますって

play03:58

いう人と隠れアシグネで同メダルを獲得し

play04:00

ましたっていう人だったらどちらの方が

play04:02

魅力的に映りますかもし両方とも同じよう

play04:04

なバックグラウンドを持っていたら明らか

play04:06

に校舎のかれるメダルを取った人に興味を

play04:08

持ちますよねそう基本的に人は実績にしか

play04:11

惹かれないんですだから未経験から転職を

play04:13

目指しているなら機械学習の理論を勉強

play04:15

するのはやめましょうその代わりにやる

play04:17

べきことはただ1つデータ分析の実践経験

play04:19

を積むことです機械学習の理論は実践する

play04:22

上で必要になったタイミングで勉強する

play04:24

ようにしましょうそうすれば無駄な学習を

play04:26

避けて最短最速でデータサイエンスを習得

play04:28

できるようになります

play04:31

やってはいけないデータサイエンス学習法

play04:32

第4位は数学を勉強することですいやいや

play04:35

これはさすがに必要でしょうこの動画を見

play04:37

ている8割ぐらいの人はそう思いましたよ

play04:39

ねそんなあなたに質問があります実際に

play04:42

数学を勉強したとしてどのタイミングで

play04:44

どんな風に数学を使うと思いますか

play04:46

おそらくほとんどの人はこの質問に答え

play04:48

られなかったと思いますじゃあもう1つ

play04:50

質問ですあなたはなぜ数学を勉強した方が

play04:52

いいと思ったんですかなんとなく必要そう

play04:54

だからネットに必要って書いてあったから

play04:56

みたいに自分で必要性を感じていないのに

play04:58

雰囲気で学を勉強しようとしていませんか

play05:01

そんな風に使い方が分からないあるいは

play05:03

使わないことを勉強するのは完全にNG

play05:05

ですなんでかて言うと使い道が分からない

play05:07

ことや使わないことを勉強しても忘れる

play05:09

だけだからです実際に高校時代に勉強した

play05:12

顧問とか物理って正直もう忘れていますよ

play05:14

ね他にもA単語を勉強していて単語だけだ

play05:17

と意味を覚えられないんだけど例文を

play05:18

合わせたら覚えられたって経験はないです

play05:20

かそう人は必要に感じたり繰り返し使っ

play05:23

たりすることしか記憶できないんですね

play05:25

それにこれからデータサイエンスを学び

play05:26

始める初心者がいきなり実務で数学を使う

play05:29

機会なんてそうそうないですもちろん数学

play05:31

を理解できるに越したことはありませんで

play05:33

もこれはデータサンス初心者にとって必要

play05:35

なのかという優先度の問題なんですねまだ

play05:37

実務でデータに触れていないのであれば別

play05:39

でもっとてやるべきことがたくさんあり

play05:40

ます機械学習の理論も数学も実務経験を

play05:43

積み始めたりある程度の分析をできるよう

play05:45

になったりした人が初めて必要に応じて

play05:47

学習すべきものなんですねだから

play05:49

とりあえず数学を勉強すればいいんだ機械

play05:51

学習の理論もしっかり理解しておかないと

play05:53

いけないんだこのように思考停止でネット

play05:55

上の情報を鵜呑みにするのは今日から読め

play05:58

ましょうやってはいけないデータサス学習

play06:00

法第3位はドッカを勉強することですこれ

play06:03

もネット上の情報を鵜呑みにして勉強して

play06:05

いる人はいませんか僕の感覚なんですけど

play06:07

Xを見ていると2割ぐらいの人は勉強して

play06:09

いるイメージです確かにドッカーを使うと

play06:12

ローカルの関係を汚さなくて済むから便利

play06:14

なものではありますだから知っているに

play06:15

こしたことはないんですけどやはりデータ

play06:17

サイエンスの初心者であれば他に優先す

play06:19

べくことが山ほどあるんですねそもそも

play06:21

あなたがデータサイエンスを学ぶ目的は何

play06:23

ですかおそらく多くの人は今の会社で車内

play06:26

転職したいすぐの転職は考えてないけど

play06:28

今後のためにの力から勉強しておきたい他

play06:30

の会社や業界でも活躍できるようにデータ

play06:33

人材に転職したいそう思ってデータ

play06:34

サイエンスを学んでいるはずですじゃあ

play06:36

転職を目指して学習している人に質問なん

play06:38

ですけどちゃんと求人の募集要綱を見て

play06:40

いるでしょうか本当に未経験からの転職で

play06:43

ドッカーのスキルを要求している会社は

play06:45

ありますか僕が調べた範囲だとそんな企業

play06:47

は1つもありませんそう未経験からの転職

play06:49

でいきなりドッカーを使うことになる

play06:51

ケースなんてほぼないんですね確かに

play06:53

ドッカーを知っているとかっこいいとか

play06:54

スキルレベルが高いっていうイメージが

play06:56

あるのは分かりますでもかっこよさを

play06:58

求めるのは転職して実務経験を詰めるよう

play07:00

になった後のフェーズです未経験の時に

play07:02

格好良さを求めてもただの自己満足で

play07:04

終わってしまいますだから転職を目指して

play07:06

いるならまずは実務経験を詰めるように

play07:08

なるそして今はそのために必要な勉強だけ

play07:10

する要は緊急かつ重要な分野だけ勉強す

play07:13

べきだということです研究ではない分野は

play07:15

転職した後に勉強するようにし

play07:18

ましょうやってはいけないデータ

play07:20

サイエンス学習法第2位はPython

play07:22

ライブラリーの使い方を覚えることです

play07:24

これは正直やってしまっている人も多いと

play07:26

思います例えばデータ分析でよく登場する

play07:28

パンスとかマトプロリブの使い方を完璧に

play07:30

理解したり覚えたりしないといけないん

play07:32

じゃないかって思いますよねこれは僕自身

play07:34

も初心者の時にやってしまっていたので

play07:36

めちゃくちゃ気持ちが分かりますでも

play07:38

ライブラリーの使い方とか文法を覚え

play07:39

るっていうのはNGなんですえでもA単語

play07:42

みたいに覚えないと使いこなせないんじゃ

play07:44

ないそう思われるかもしれないんですけど

play07:45

プログラミングはGoogle検索すれば

play07:47

いつでもカンニングできますだから文法を

play07:49

1つ1つ暗記しなくても問題なく

play07:51

Pythonを使ってデータ分析できるん

play07:52

ですそれに今ならチッGPTや

play07:54

Googleのバードを使えばプロンプト

play07:56

を入力して簡単にコードを生成してくれ

play07:58

ますよねつまりわざわざ時間をかけて暗記

play08:00

する必要が全くないんですむしろ

play08:02

ライブラリーの使い方や文法を暗記するっ

play08:04

ていうのはAIが得意なことに一生懸命

play08:06

取り組んで自分からAIに代替されに行っ

play08:09

ているようなものですこれじゃ本末転倒

play08:11

ですよねだから今日この動画を閉じた瞬間

play08:13

からPythonライブラリーの使い方と

play08:14

か文法を覚えようとするのはやめて

play08:16

くださいそして暗記する代わりに実践を

play08:18

通してデータ分析の練習をするそこで

play08:20

グラフを可視化したり制度控除につながる

play08:22

特徴量を作成したりするそのためにパンダ

play08:25

スアマトプロットリブを使うこのように

play08:27

目的のための初段としてPython

play08:28

ライブラリを使えるようになりましょう

play08:30

それではいよいよ最後の発表になり

play08:33

ますやってはいけないデータサイエンス

play08:35

学習法第1位は基礎学習の次に基礎学習

play08:38

することですこれはどういうことかと言と

play08:40

Pythonの入門書をやるそして次に

play08:41

データサイエンスの方を学習するさらに

play08:43

ユーデミーでデータサイエンスの講座を

play08:45

受行するみたいにずっと基礎学習するのが

play08:47

NGだということですでもこうやって聞く

play08:49

とえそれの何がいけないのとかじゃあどう

play08:52

すればいいのて思いますよねまず基礎学習

play08:54

し続けるのがいけない理由を話していくん

play08:56

ですけどそれはたくさん基礎を学習した

play08:58

ところで今すぐに全ての知識を使うはずが

play09:00

ないからですもちろんPython統計学

play09:02

線形台数微分積分SQL機械学習ディープ

play09:05

ラーニングギットドッカビジネス力

play09:07

クラウドリナックスなどなどデータ

play09:09

サイエンスに関連する全ての知識を知って

play09:11

いた方がいいに決まっていますでもこれら

play09:13

全てを学習するのにどれだけの時間が必要

play09:15

になると思いますかおそらく少なくとも3

play09:17

年しっかり勉強しようと思うと5年以上が

play09:19

必要ですそう考えるとどうですかコナン君

play09:22

みたいに見た目が小学生になるわけでも年

play09:24

を取らないわけでもないんだから明らかに

play09:26

全て着手するのは無理ですよねそれに

play09:28

あなたには毎日仕事がありますそして仕事

play09:30

以外の時間は家族と過ごしたり趣味を

play09:32

楽しんだりしたいはずですそう考えた時

play09:34

基礎を順番に勉強していたらいくら時間が

play09:37

あっても足りないと思いませんかそう時間

play09:39

は有限な資産なんですだからいかに無駄を

play09:41

省いて効率よく学習するのかが大事になっ

play09:43

てきますそしてそれだけじゃなくて転職を

play09:45

考えていうのならもう1つ意識しておか

play09:47

ないといけない重要なことがありますそれ

play09:49

は何かと言うと転職したいならできるだけ

play09:51

早く転職するべきだということです

play09:53

やっぱり企業側からすると未経験の求人

play09:55

なら体力があるキャッチアップ能力がある

play09:58

将来性が高いポテンシャルがある給与の

play10:00

調整が聞きやすいそんな理由からできる

play10:02

だけ若い人材を採用したいと思っています

play10:05

そう考えた時23年かけてのんびり勉強し

play10:07

ているとどんどん転職で不利になって

play10:09

しまいますせっかく勉強しているのにいざ

play10:11

転職しようと思ったらできなかったなんて

play10:13

悲しすぎますよねそれに今だとデータ

play10:15

サイス学部を新設する大学化が増えていて

play10:17

若くて優秀な人材がどんどん業界に参入し

play10:20

てきますそう未経験採用のハードルが

play10:22

どんどん上がってきているんですだから

play10:23

今日からコツコツ勉強しようて思ってる人

play10:25

は今日からその考えを捨ててくださいそう

play10:27

じゃなくてできるだけ早く転職して実務

play10:29

経験を積むそのために必要なことだけ勉強

play10:32

するようにしてくださいそれでここまでの

play10:34

話を聞くと機械学習の理論や数学を負うの

play10:36

もだめドカを勉強するのもダメpyon

play10:39

ライブラリーの使い方を覚えるのもダメ

play10:41

ひたすら基礎学習するのもダめって結局

play10:43

データサイエンスを習得したいなら何を

play10:45

勉強すればいいのもうこの動画を見てる

play10:47

99%の人はそう思ってますよねここまで

play10:50

動画を見てくれた人に特別に何をすれば

play10:52

いいのか教え

play10:53

ます結論から言うとカレアシグネのデータ

play10:57

分析コンペに着手するこれがデータ

play10:59

サイエンスにおける最強の学習方法です

play11:01

なんでかと言うと個人学習の範囲で実務に

play11:03

最も近い形式で勉強できるから分析スキル

play11:06

が身につくから定量的な実績を作れるから

play11:08

という3つの理由があるからですまず1つ

play11:10

目の理由なんですけどそもそも前提として

play11:12

実際の分析業務は1ビジネス課題の特定2

play11:16

データの準備3データの加工4モデル作成

play11:19

5モデル評価6意思決定や業務への

play11:21

組み込みというざっくり6ステップで行わ

play11:23

れます個人学習だとビジネスではないので

play11:25

1は着手できないし2に関しても実もと

play11:28

同じようなを準備するのは無理ですよね6

play11:30

に関しても業務ではないので着手するのが

play11:32

難しいですそうなった時に個人学習で

play11:35

できるのは3から5になるんですけどこの

play11:37

全ての工程をカバーできるのがカグルや

play11:39

シグネになりますつまり個人学習の範囲で

play11:41

最も実務に近い形で学習できるということ

play11:43

ですそして2つ目の理由なんですけど

play11:45

先ほどの3から5までの工程を実践形式で

play11:48

学べるので分析スキルが身につきます実際

play11:50

にDNAやリストなど業務時間を使って

play11:52

隠れに参入することを推奨している企業が

play11:54

あるぐらいですもし分析旅が身につかない

play11:57

術もで役に立たないならわざわざ給料を

play11:59

払ったまで隠れをやらせようなんて思わ

play12:01

ないですよねそれぐらい隠れに着手するの

play12:03

は効果的だということです最後に3つ目の

play12:05

理由なんですけどかぐでは機械学習モデル

play12:07

の制度を競い合うコンペに参加することが

play12:09

できますそこで予測制度に応じて順位が

play12:11

出るのはもちろんなんですけど上位10%

play12:14

以内に入るとメダルを獲得することが

play12:16

できるんですねだからかぐコンペに参加

play12:18

すれば順位とかメダルみたいに定量的な

play12:20

実績を残すことができますやっぱり機械

play12:22

学習を勉強していましたっていう人より

play12:24

かぐで同メダルを獲得しましたっていう人

play12:26

の方が採用する企業側にとっても魅力的に

play12:29

移ります以上の理由からかぐアシグレート

play12:31

に着手するのがデータサイスを受ける最強

play12:33

の学習方法ということになりますそれで

play12:35

おそらくここまでの話を聞くとじゃあその

play12:37

かぐとかシグネイトに着手するのはどう

play12:39

やって勉強していけばいいのて思いますよ

play12:41

ねそんな人向きに僕の公式ライでは未経験

play12:44

から3ヶ月でかれ入門データサンス学習

play12:46

完全ロードマップというスライド全71

play12:49

ページの特典をお渡せしていますもし今日

play12:51

の話を聞いて早速かるとかシグネイトに

play12:53

向けた学習に切り替えていきたいそう思っ

play12:55

たら是非この動画下の概要欄から友達に

play12:57

なってくださいそそして多分今日の動画を

play12:59

見て今まで間違った方法で勉強してお金と

play13:02

時間を無駄にしてたなそう後悔してる人も

play13:04

いると思います中には本当に自分はデータ

play13:07

サイエンスを習得できるのかなって不安に

play13:09

感じた人もいますよねでもそんなあなたに

play13:11

言いたいのは全然大丈夫だから自信を持っ

play13:13

て欲しいってことなんでかて言うと僕自身

play13:15

pyonを始めたばかりの時今日紹介した

play13:17

間違った勉強法をやっていたんです機械

play13:19

学習を勉強しないといけないのにどかを

play13:21

勉強したり今必要ないのにジャンゴを使っ

play13:24

たアプリ開発を学んだりもうやっている

play13:26

ことがめちゃくちゃでしたそんなポンコツ

play13:28

の僕でもパイエンジニアに機動修正して

play13:30

もらって正しい学習法を見につけた結果未

play13:32

経験でプログラミングを開始して実務経験

play13:35

8ヶ月でフリーランス独立とを達成できた

play13:37

んですプログラミングとかデータ分析は

play13:39

正しい学習方法で継続学習すれば必ず習得

play13:42

できますだから諦めないで僕の動画を何度

play13:44

も見て起動修正しながら継続学習していき

play13:47

ましょうそしてデータ人材に転職して年収

play13:50

400万円から年収600万円になる実務

play13:52

経験をしっかり積んでフリーランスで月

play13:54

80万円の単価の案件を受けるリモート

play13:57

中心で働いて通勤電車から解放される

play13:59

そんな風に1度きりの人生を充実させて

play14:02

いきましょう現在こちらの公式ラには未

play14:04

経験から3ヶ月でかりに入門データ

play14:06

サイエンス学習完全ロードマップ完全初心

play14:08

者から3ヶ月で01達成スクレイピング

play14:10

案件獲得完全ロードマップ作業効率が10

play14:13

倍になるジュピター必須ショートカット

play14:14

厳選28cmチートシートvsコード必須

play14:17

ショートカット厳選38000チート

play14:19

シート知らないと損するジュピターvs

play14:21

コードおすめ拡張機能合計38戦初心者

play14:23

なら絶対抑えておきたいPython必須

play14:25

ライブラリーフレームワーク39戦そして

play14:27

YouTube教材のソスコードを含む

play14:29

最短最速でPythonを収得するために

play14:31

必要な豪華特典を合計9個プレゼントして

play14:33

います学習効率が悪い時間がない継続でき

play14:35

ないと悩んでいて短期間でPython

play14:37

データ分析データサイエンスのあなたの

play14:39

求めるITスキルを手に入れてなりたい

play14:41

自分を実現したいのであれば是非この動画

play14:43

下の概要欄から登録しておいてください

play14:45

また不定期でLine6者限定動画講座

play14:47

Python学習の極意4本限定特典5つ

play14:49

も配信していて最短最速でPython

play14:51

習得する方法初心者が学ぶべき

play14:53

PythonジャンルとPython学習

play14:55

の始め方文系未経験でも180日でDX内

play14:58

に転進できる学習ロードマップ5ステップ

play15:00

これらの内容を学べますこの無料動画講座

play15:02

を受行したい人は配信終了する前に今の

play15:04

うちに下の概要欄から登録しておいて

play15:06

くださいそれでは最後に復習をしますやっ

play15:08

てはいけないデータサイス学習法第5位は

play15:11

機械学習モデルの理論を学習すること第4

play15:13

位は数学を勉強することで第3位はドッカ

play15:16

を勉強することそして第2位は

play15:18

Pythonライブラリーの使い方を

play15:19

覚えることで最もやってはいけないのが

play15:21

基礎学習の次に基礎学習をすることでした

play15:24

じゃあその代わりに何をやればよかったの

play15:26

かというとハレアシグネートなどのデータ

play15:28

分析コペになりますそれはなぜだか覚えて

play15:30

ますかそう個人学習の範囲で実務に最も

play15:33

近い形式で勉強できるから分析スキルが身

play15:35

につくから軽量的な実績を作れるからと

play15:38

いう3つの理由があるからですそして

play15:40

カレアシグネに着手さるための具体的な

play15:42

学習ロードマップは僕の公式ライで

play15:44

スライド全71ページの特典でお渡せして

play15:47

います今日から時間を無駄にせず効率よく

play15:49

データサイエンスを習得したいそう思っ

play15:51

たら是非この動画下の概要欄から友達に

play15:53

なってくださいということで今回も最後

play15:55

まで動画を見てくれてありがとうござい

play15:56

ましたまた動画でもデータサイエンスの学

play15:58

修道のマップ取得した方がいい資格取得し

play16:01

ない方がいい資格などを紹介していくので

play16:03

是非チャンネル登録よろしくお願いします

play16:05

それではまた次回の動画でお会いし

play16:06

ましょう

Rate This

5.0 / 5 (0 votes)

Related Tags
Data ScienceStudy MethodsAvoid MistakesSkill MasteryData AnalysisLearning EfficiencyCareer ChangeFreelancingCompetitive EdgePractical Learning