京公网安备 11010802034615号
经营许可证编号:京B2-20210330
我只想在前言中说,这篇文章更多地反映了我是如何走到今天的。我并不是说你会通过遵循同样的步骤来实现同样的事情,但我认为这可能会为你提供一个独特的视角,这是你以前可能没有想过的。
说到这里,让我们深入研究一下吧!
为了让我的收入翻一番,我主要做了三件事:
今天,许多人倾向于像比特币这样的高风险、高回报投资,试图“快速致富”,但正如沃伦·巴菲特所说,你能做的最好的投资是在自己身上。对于那些没有钱投资但又想改善财务状况的人来说尤其如此。
通过简单地提高自己的技能,学习数据科学和机器学习,我在一年内将工资提高了40%。
在过去的一年里,我主要关注三个领域:
数据操作(SQL/Pandas)
在我看来,使用SQL和Pandas进行数据操作是最重要的领域,给我带来了最大的好处。从我的经验来看,最多的时间花在查询数据、探索数据和争论数据上,所有这些都需要SQL和Pandas。在我所有与数据相关的工作中(增长营销分析师、数据分析师、数据科学家),SQL一直是一个共同的标准,可以说是数据专业人员最重要的技能。
以下是我用来自学SQL和Pandas的资源:
脚本(Python)
我开始使用Python是因为学校的原因,我可能会在我的余生中坚持使用Python。它在开源贡献方面遥遥领先,而且学习起来很简单。
我强烈推荐以下两个主要资源来开发您的Python技能(除了做辅助项目之外):
但是当然,不学习机器学习,做一个数据科学家是多么有趣啊!下面是我在职业生涯开始时使用的两个最重要的资源。
如果你想了解各种机器学习算法,请查看我在这里的文章。
我实际上写了一个为期52周的课程,包括SQL、Pandas、Python和机器学习,你可以在这里查看。
既然我已经介绍了我在哪些方面提高了自己的技能,您可能想知道我是如何做到这一点的,这就是我接下来要讨论的内容。
你们中的一些人可能知道,我发起了一个名为“数据科学和机器学习52周”的个人倡议,在那里,我每周学习、编码和写一些与数据科学和机器学习有关的东西,持续了整整一年。这主要是为了让我能够在持续的基础上保持自己学习新东西的责任感。
在写了100多篇文章,建立了2万多名读者的追随者基础后,写作现在占了我总收入的25%左右。
以下是三个让我获得成功的秘诀:
提示#1:找到你擅长写的东西、你喜欢写的东西和人们喜欢读的东西之间的交集。
这是我总是给有抱负的作家的第一个提示。理想情况下,你想找到一个利基,满足所有这三个东西。
如果你发现了一些你擅长写的东西,你也喜欢写它,但人们不喜欢读它,那么你就不会建立一个追随者基础(假设你关心这一点)。
如果你发现了一个你擅长写的话题,人们喜欢读它,但你不喜欢写它,那么你就不会持续太久,因为你会失去兴趣。
最后,如果你发现了一个你喜欢写的话题,人们也喜欢读它,但你不擅长写它(例如,因为你没有足够的专业知识),那么你可能不会得到任何吸引力。
所以,在你旅程的开始,找出你的利基。我将在技巧3中详细说明这一点。
技巧#2:理解您正在编写的平台的机制。
无论您是使用Medium、Substack、Patreon还是其他博客平台,请确保您花时间了解该平台是如何工作的。
我不能说太多细节,但理解收入是计算出来的,平台如何帮助你自己做广告,诸如此类的事情是需要考虑的重要事情。
通过了解媒体的机制和它是如何工作的,我能够最大限度地扩大我的外联,最终更快地增长我的追随者基础。
下一个技巧将帮助您实现技巧1和2:
提示#3:在创建内容时考虑“利用vs.探索”的概念。
为了找到技巧1中这三个方面的交叉点,并理解您正在编写的平台的机制,请考虑开发vs.探索的概念。
这个想法来自一个名为“多臂强盗问题”的统计问题。我不想太详细,但“探索和利用”背后的主要思想是决定是探索并发现新的潜在想法,还是利用您已经知道的有效想法。
在你写作/写博客生涯的开始,探索和尝试尽可能多的想法,看看什么最适合你,这是你最感兴趣的。这意味着写不同的主题,在不同的出版物上发表,并可能尝试新的写作风格。
随着你在写作风格和偏好上的发展,你可能会偶然发现一个“食谱”,让你在写作中取得持续的成功。这时你可以开始利用这个突破,在你的秘密公式上加倍努力。
总而言之,在你的旅程的早期尽可能多地探索,当你开始定义自己并找到成功时,开始利用那些让你成功的洞察力和想法。
我剩下的一点收入来自与数据科学和机器学习相关的自由职业项目。我从事的项目包括撰写技术论文、撰写营销内容和建立模型。
当我刚开始工作时,我只从自由职业项目中获得最低工资。这是有道理的,因为我没有太多的经验,我也不知道我值多少钱。然而,到了年底,我可以每小时收取50美元以上的费用。
我的大部分收入来自科技行业的老客户。事实上,我也不必接触其他人--我可以通过我的数据科学和机器学习博客来吸引客户的注意力,我认为这是本文的重点。
我的数据科学和机器学习博客不仅帮助我在一致的基础上学习,还帮助我建立了自己的追随者基础,并帮助我获得了几个自由职业客户。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17