有志或专业的数据科学家，你很清楚大量的 SQL 命令，算法，Excel 函数和谷歌进入你的工作。虽然你每天使用的那些都致力于内存，但有时可能需要跳转到需要新工具的项目，或者选择的不同编程语言应用程序。
输入：数据科学备忘单的最终汇编。这是你的常用资源，允许你在一个地方查看最常见的公式和算法，而不是筛选 Google 结果的页面以查找所需的答案。
这些链接将有助于加快你的编程和计算，以便你继续解决更大的问题。请继续阅读，找到 Python、SQL、机器学习甚至线性代数的最有用的参考指南。当你需要复制/粘贴 Python 行或查找矩阵乘法规则时，我们找到了你。
机器学习
机器学习正在改变我们的世界，数据科学家正在推动这一变化。我们的虚拟助手、Instagram 算法和 Google 结果都依赖于机器学习。但是，创建机器学习模型时需要进行大量的编程，消费者最终每天都要与之交互。它从巨大的数据集和大量的智能编程开始。
对于专注于机器学习的数据科学家或正在研究进入这一增长领域的分析师来说，这些快速参考工具是必不可少的。
· 机器学习词汇表
ml-cheatsheet.readthedocs/en/latest/
· 机器学习公式
drive.google/file/d/0B0RLknmL54khQlhGUzFUWEtncTA/view
· 机器学习算法=Python 和 R
analyticsvidhya/blog/2022/09/full-cheatsheet-machine-learning-algorithms/
· 深度学习
github/afshinea/stanford-cs-230-deep-learning/blob/master/en/super-cheatsheet-deep-learning.pdf
· 监督学习
stanford/~shervine/teaching/cs-229/cheatsheet-supervised-learning
· 无监督学习
towardsdatascience/machine-learning-cheat-sheet-unsupervised-learning-d954a9247fbe
人工智能
借助人工智能，数据科学家正在实现我们以前认为不可能实现的壮举。就在几年前，计算机做决策、从数据中学习、准确预测未来的想法听起来比科学更具有科幻效果。时代变了：医疗保健、教育、金融和其他行业的公司现在依靠人工智能来改进其产品并更好地了解客户。
AI 的功能正在快速发展，但基础将保持不变。我们收集了人工智能世界中使用的一些最常见的术语和算法。快速提醒不同神经网络如何比较，或研究最常见的 AI 模型。
· AI 的 4 种类型
govtech/computing/Understanding-the-Four-Types-of-Artificial-Intelligence.html
. AI 词汇表
aitrends/ai-glossary/
· 自然语言处理
cheatography/murenei/cheat-sheets/natural-language-processing-with-python-and-nltk/
· 神经网络插图
becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
· 最受欢迎的人工智能模型
dzone/articles/top-10-most-popular-ai-models
· 顶级人工智能研究人员和组织
medium/machine-learning-in-practice/my-curated-list-of-ai-and-machine-learning-resources-from-around-the-web-9a97823b8524
SQL
世界各地的数据科学家使用 SQL 在表中组织数据或使用多个数据集。SQL 通常用于提取给定分析所需的数据，而 Python 及其许多专用库则被输入以执行繁重的工作（后续将详细讨论）。
以下是您将用作数据科学家的所有基本 SQL 命令和函数。对于 Microsoft Azure 的粉丝，我们包含一个日志查询备忘单，用于 Azure SQL 数据库。将列表四舍五入的是 MySQL（Web 数据库的专用系统和 PostgreSQL）的一些备忘单，这些备忘单有时用于其他语言（如 C++ 和 Java）。
· SQL kdnuggets/2022/07/sql-cheat-sheet.html
· SQL 命令
educba/cheat-sheet-sql/
· Azure 监视器的 SQL
docs.microsoft/en-us/azure/azure-monitor/log-query/sql-cheatsheet
· MySQL s3-us-west-2.amazonaws/dbshostedfiles/dbs/sql_cheat_sheet_mysql.pdf
· PostgresQL s3-us-west-2.amazonaws/dbshostedfiles/dbs/sql_cheat_sheet_pgsql.pdf
Python
Python 是最容易学习的编程语言之一，但它也是数据分析最有用的语言之一。它加快了清理和操作大型数据集的过程，使 Excel 函数成为尘埃落定。
由于 Python 对大数据领域至关重要，因此现在有一大堆专为数据分析而构建的补充工具。像NumPy、SciPy和熊猫这样的图书馆加速了Python的处理能力，使得它们对于数据科学家来说是无价的，也是我们列表的一个"尖顶"。Sci-kit 学习特定于机器学习，而 Bokey 和 Matplotlib 可用于可视化数据。每个功能的基本功能都在下面的备忘单中。
· Python elitedatascience/python-cheat-sheet
· Python ： 导入数据
datacamp-community-prod.s3.amazonaws/50d31142-3de0-4159-89b9-18b718a728ef
· Python ： 数据清理
dataoptimal/data-cleaning-with-python-2022/
· NumPy ： 基础知识
intellipaat/mediaFiles/2022/12/Python-NumPy-Cheat-Sheet-1.png
· NumPy ： 高级
s3.amazonaws/assets.datacamp/blog_assets/Numpy_Python_Cheat_Sheet.pdf
· SciPy s3.amazonaws/assets.datacamp/blog_assets/Python_SciPy_Cheat_Sheet_Linear_Algebra.pdf
· Pandas 基础知识
intellipaat/mediaFiles/2022/12/Python-Pandas-Cheat-Sheet.png
· Pandas 高级
pandas.pydata/Pandas_Cheat_Sheet.pdf
· Bokeh datacamp-community-prod.s3.amazonaws/f9511cf4-abb9-4f52-9663-ea93b29ee4b7
· Matplotlib s3.amazonaws/assets.datacamp/blog_assets/Python_Matplotlib_Cheat_Sheet.pdf
· Scikit Learn s3.amazonaws/assets.datacamp/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf
R
此编程语言的设计有一个目标：清理、分析和直观地表示数据。当科学家需要绘制出从数千甚至数百万用户中拔出的数据时，R 允许他们只需几行强大的购物代码，从而节省了数小时繁琐的电子表格人工。虽然这是计算机编程领域鲜为人知的语言之一，但数据科学家对此非常喜欢它，原因显而易见。
使用以下备忘单快速生成适当的 R 代码，以迎接下一个数据分析挑战。对于那些仍在学习 R 基础知识以及许多相关工具（如 RStudio 和tidy evaluation）来说，这些也是很好的起点。
· R cran.r-project/doc/contrib/Short-refcard.pdf
. R 基础数据管理
sites.ualberta.ca/~ahamann/teaching/renr690/R_Cheat_Data.pdf
· R 命令
sites.calvin/scofield/courses/m143/materials/RcmdsFromClass.pdf
· R markdown rstudio/wp-content/uploads/2022/03/rmarkdown-cheatsheet-2.0.pdf
· Caret Package analyticsvidhya/infographics/Caret-Package-Infographic.pdf
· R 中的数据可视化
analyticsvidhya/blog/2022/08/cheat-sheet-data-visualization-r/
数学
显而易见的是：数据科学是一个非常复杂的领域，需要一些相当先进的数学运算。根据您的专业领域，您可能需要定期使用微积分、线性代数和统计学。为了在该领域取得真正的进展，数据科学家需要全面了解工作中的概念，以及它们如何应用于不同的场景。
如果你首先决定追求数据科学，你可能有很强的数学基础。这些工具不是用来从零开始教授微积分或代数，或为初学者传授这些概念的任何真实理解。它们是数据科学学生和专业人士的资源，可帮助您快速找到特定的等式或检查您的工作。
即使对于有经验的数据科学家来说，其中一些公式也可能会变得有点模糊，尤其是如果你不每天使用它们的话。这些是您一目了然的参考工具，包含数据科学家可能遇到的所有方程和定义。
· 概率 ： 基础知识
stanford/~shervine/teaching/cme-106/cheatsheet-probability
· 概率 ： 高级
stanford/~shervine/teaching/cme-106/cheatsheet-probability
· 数据挖掘
cheatography/hockeyplay21/cheat-sheets/data-mining/
· 微积分
tutorial.math.lamar/pdf/calculus_cheat_sheet_all.pdf
· 线性代数 基础知识
laurentlessard/teaching/ece532/cheat_sheet.pdf
· 线性代数 深度学习
towardsdatascience/linear-algebra-cheat-sheet-for-deep-learning-cd67aba4526c
数据科学资源
如果您的职业生涯早期或仍在学习成为数据科学家，有时可能需要刷新关键定义和 Excel 函数的记忆。通过提供直接答案、简短定义和可粘贴公式的在线指南，您可以节省时间。
以下资源将作为有用的工具，帮助您为首次数据科学访谈做好准备、准备数据分析测试或在 Excel 中执行 V 查找。
· 数据科学词汇表
datascienceglossary/
· 大数据概述
dummies/programming/big-data/big-data-for-dummies-cheat-sheet/
· Excel 公式和函数
techonthenet/excel/formulas/index.php
· 基本编程指南
cheatography/tegdsd12/cheat-sheets/basic-programming/
· Hadoop jesse-anderson/2022/03/hadoop-cheat-sheet/
在数据方面发展您的事业
无论您身在数据科学的道路上，跟上这一快速变化的技术领域的新发展至关重要。工作的每一个要素都须随着岁月的发展而发展。塑造数据分析的编程语言、软件和方法不断改进并变得更加强大。这是让这条职业道路如此令人激动的事情之一。
因此，继续学习和专业成长。寻找您城市中的本地聚会。如果您有兴趣更深入地了解数据科学的一个特定领域，那么现在是尝试关于大数据、深度学习或 AI 的虚拟会议或网络研讨会的年头机。
随时随地看视频
