本文翻译自一篇博客文章，作者是一名软件工程师，他描述了在五年时间内学习数据科学的经历和心得，他的学习途径包括了自学（书籍、博客、小项目），课程学习，教学讨论，会议交流和工作实践。
一、入门
1）自学（2 - 4个月）
自学是起步的关键。两年前，我和几个同事组成了一个研究小组，讨论统计202课程的学习材料。这让我感觉很兴奋，并由此开始数据分析的学习研究。研究小组有5名成员，但最后只有2个人选择去更深入地研究这个领域（数据科学并不适合每一个人）。
- 学习基本的统计知识：统计202课程是非常合适的入门资料
- 学习一种统计工具：作为一个菜鸟，我用了3个月的时间埋头学习R语言，R学起来非常有趣。（为什么要学习R？）
- 解决一些好玩的小问题：好奇心是数据科学的关键。如果你对国家的经济问题，犯罪统计，体育成绩等感兴趣的话，去收集数据并开始回答你的问题吧。
- 学习Unix工具：我选择了O'Reilly出版的数据之魅作为学习材料。
- 学习SQL和脚本语言：我了解的有Java，Ruby和SQL。 Python也在我的名单上。
有很多的培训材料可以在网上找到：
- 统计202
- 加州理工学院的数据科学课程
- Coursera：数据科学，机器学习，数据分析，数据分析计算
- 加州大学伯克利分校 - 数据科学
- 骑士新闻中心的课程：资讯图像和数据可视化
- 统计101：Udacity（统计入门），可汗学院，卡耐基梅隆大学的统计课程
- Learn R
2）课堂训练（9 - 12个月）
如果你想认真提高这项技能，那就选择一门课程，严肃的对待它。斯坦福大学提供了很优秀的课程。
二、聚焦
1）集中所有精力
- 当我迷上了数据科学时，我发现只花20％的时间是不够的，这需要花100％的时间，所以我会去发现并解决工作中出现的所有和数据相关的问题（大数据分析，医疗保健，零售分析，优化问题）。
2）着手有趣的问题
- 把学习目标和个人兴趣放在一起。解决有趣的问题，同时学习新的技术是很有用的。例如我对零售，医疗保健和体育数据分析很有兴趣。
3）加速学习：
- 教学相长：我会给同事和朋友教一些R语言和数据挖掘的入门知识。这使我在这方面的知识更为扎实，也使得周围的人对这个主题更有兴趣。这对我来说也是一种回馈开源社区的方式。博客写作也是另一种学习和贡献的方式。
- 关注业内领袖：网络中有很多厉害的数据科学家，关注这些人可以得到很好的启发。例如： DJ Patil, Hillary Mason, Jeff Hammerbacher, Carla Gentry, Monica Rogati, Cathy O'Neil。
- 阅读有趣的博客：http://datascience101.wordpress.com，http://columbiadatascience.com/blog，http://www.r-bloggers.com，http://www.datawrangling.com，http:// flowingdata.com（Quora的最好的的数据博客列表）
- 定期参加聚会：本地的数据科学/ R聚会，这一领域的发展非常迅速，我至少每隔一年去那里。看看有什么好玩的新东西。
- 了解大数据技术：MapReduce / Hadoop，云计算。我尽量不使用任何商业技术供应商，现在回想起来，这是一个很好的决定。
4）了解业务领域知识
我很幸运，有机会接触到内部和外部的数据科学家，他们帮助我理解他们处理数据问题的方法。我从他们身上学到的“假设驱动的数据分析”，而不是“盲目加蛮力数据分析”的重要性。重点是理解的业务领域问题，然后再尝试从数据中提取有意义的见解。这使我了解一些运营，零售，旅游及物流收入管理和医疗行业。 “纽约时报”近日发表文章，强调有必要为直觉。
3、有用的数据科学读物
4、对我感觉没多大用的东西
- 学习多个统计工具：一年前，我开始有一些SAS编程的工作要求，我学了一个月左右的SAS，但没什么效果。主要的原因是学习惯性，而且我喜欢用R.我真的没有需要去学习另一种统计工具。R虽然不是完美的，但将R和其他我熟悉的软件工具结合，我可以解决所有数据的科学问题。因此，我的建议是，如果你已经知道了SAS，STATA，MATLAB，SPSS，STATISTICA，非常好，坚持下去。但是，如果你正在学习一种新的统计工具，那就选择R吧。
- 公开课程：我试图用Coursera来自定进度学习，但对我来说，这不是有效的。我需要有压力，有学分的正式课程。
- 过多的学习量：需要注意工作与生活的平衡。今年早些时候，我试图同时学习多门困难的课程，我很快就意识到这么干没什么好处。