京公网安备 11010802034615号
经营许可证编号:京B2-20210330
想做数据分析师,上大学和在线自学哪个更好
互联网连接你我,改变生活。身处互联网时代,学习资料获取更加容易,学习方式也更加丰富。是要继续上大学获取知识和技能还是在家自学在线课程?本文将阐述两者各自的优缺点,并帮你作出决策。
2012年刚开始的时候,关于数据科学的线上课程只有不到20个。2013年,CDA数据分析师推出数据分析课程。到了2017年,线上已经有数不清的课程可以选择,许多人都在纠结:到底是上传统的学校去学习,还是通过在线培训获取知识?
这也难怪,如今我们的选择确实丰富得太多,更多元的选择为我们的专业学习提供了很好的平台,但是选择丰富之余,也出现了一个新问题
选择太多也容易让人挑花眼。今天我就来给大家分析分析,是要选择传统的大学学术项目还是一系列独立的在线课程。
培养数据专家的正式学术学位计划
对于想成为数据科学家或者数据工程师或者分析专家的人来说,如果你看重的是学术声望,那么你有很多高校的专业可以选择。但是选择追求学校的声望可是要付出一定的成本哦。我接下来简要分析一下在传统学术机构学习的优缺点,然后再深入研究。(可参考CDA数据分析课程和CDA证书)
优点
毕业之后会获得正式的证书,可以写进简历
在校期间在专业上的学习可以由浅入深,一步一步,全面建立对该学科的知识框架
在这样的教育体系下,你需要对自己的教育追求负责
通过努力学习和辛苦付出,会受益颇丰
全面参与各种高级项目或者独立研究
缺点
费用不菲(2年平均费用在18000美元到144000美元之间)
专业学习更需要坚持和毅力(比如,没有了平实、简洁易懂的解释,取而代之的可能是充满理论的探讨)
课堂之外,你需要发展全面的自学能力(上大学充电,就是要自学与数据打交道的能力)
必须严格遵循课程(甚至是上课地点)安排
到大学上课一定更好吗?
答案是因人而异
如果你还没有拿到STEM学位(STEM分别代表science(科学), technology(技术), engineering(工程),mathematics(数学),译者注 ),那你最好先拿一个。这种情况下最好的选择应该是选一个数据科学或者数据工程的学术项目。我的建议是,在选择具体专业或者项目事还要注意几个前提条件。
如果你想为来自工业国家的客户工作或者与他们共事,而且你的STEM学位是在一个发展中国家的学术机构拿到的,那么你可以考虑就读一个工业国家学校提供的正式学术项目。但值得注意的是,如果你已经有很多和世界级客户共事的经验,那么其实你也不必再继续追求学历以证明你的能力(但是,你肯定已经知道了能力的重要性。)
最后,如果你自己很清楚一定要有一个传统的教室学习环境才能让你学到真知,那你就要不惜一切代价去追求自己的梦想了。
成为数据专家所需的在线培训
我们实事求是地说,在线培训是专门为想自己动手学习知识的人群设计的。我们有上千种提高技术的选择,帮助实现职业向着预期发展。但是很多人被林林总总的选择搞得晕头转向,眼花缭乱。有关数据专家的在线培训课程数量总是很多,指导却很少。以下是在线课程的主要优缺点:
优点
事实上,所有的课程都是免费的。顶多只需花不到500美元就能了解到比在传统学术项目中更多的话题
选择网络培训课程说明你是一个专心致志,积极向上,充满热情的技术专家(自学是证明一个人不断追求进步的表现之一)
你可以按照自己的节奏,随时随地开始学习
你有很大的自由,用自己最感兴趣的方式磨练技艺,很有灵活性
你可以用简单的方式学习(这取决于你选了哪位老师。大多数线上培训讲师都会直白的语言,实用的手段进行讲解,但有些老师会故作高深,把内容搞得很难。)
缺点
除了在培训视频上学到的东西以外,其他东西都要自己学(不过,选择一个会用很实用的方法培训你的老师可以帮助解决这一问题。好好想想,你是在为你自己学习)
你必须得对自己负责,或者和别人一起学习,相互监督
你要自己设计学习方案,或者请人帮你设计一个学习方案
你拿不到正式的大学认证,但是培训结束后会有一个认证。
通过在线培训成为数据专家是否适合你?
决定是否通过在线学习成为数据专家需要考虑许多因素。如果你已经获得名校的STEM学科学位,我认为你没必要因为要锻炼数据处理技术而去大学继续学习,你只需再听一些在线课程,读一些相关书籍,由小到大,由少到多,循序渐进。如果你非常确定自己不沉浸在学术气氛中就无法学好知识,那么培养数据专家的在线培训课程就不适合你了。
很多人问我要如何在在线培训课程上学习才更有效果。我知道这个领域范围很广,更新换代日新月异。如果你初涉该领域,想一下子找到适合的方法会比较困难。但是想想自己报了网络课程相比上大学所省下来的一大笔钱,找出合适的在线学习方法似乎就不算个事儿了。如果你已经在数学和分析并解决问题上学到了足够的知识,为什么还要牺牲钱包、时间,甚至你的生活方式去坐在教室里学习呢?
但是我还是要说一下,我是有偏见的。我在大学获得环境工程专业学位和专业证书,然后我才开始自学数据科学。我从没有上大学去学习数据科学这一专业,我觉得没必要。我在大学期间修了20多个数学的学分,自己可以自学代码,为什么还要去上大学再专门学习这个专业呢?我可不想再白花两年时间和6万美元。怎么样,有道理吧!
说得有点多,有点离题了。总之,我不太赞成为了学习如何与数据打交道而专门回大学充电。但是如果你没拿过STEM学科专业学位,那可能就另当别论了。
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在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16