一个学经济学的本科生，在第二学期给自己塞了17周的额外课表。不是选修课，是Python、机器学习、数据可视化——全部自学。这不是卷，是认清了一件事：课堂上教的供需曲线和基础统计，离真实的商业数据分析还差着三个技术断层。
这位印尼学生叫Rizki（化名），在Medium上公开了自己的学习路线图。他的目标很明确：把经济学直觉和现代数据处理能力焊在一起。这篇文章拆解了他的自学策略，以及为什么他认为"课堂不够"的判断可能是对的。
缺口一：Python——从"听说过"到"能跑通"
Rizki的课表里有统计基础，但没有编程。他给自己定的第一阶段目标是：用8周掌握Python数据分析核心栈。
具体路径是Pandas做数据清洗、NumPy做数值计算、Matplotlib和Seaborn做可视化。他没选R，尽管统计学界更认R。理由是Python的库生态更贴近商业场景，招聘启事里出现频率更高。
一个细节：他刻意避开了"学完语法再做题"的传统路线，直接拿Kaggle的Titanic数据集开练。数据清洗、特征工程、模型调参——全在真实数据里摸爬滚打。这种"脏手优先"的策略，和MIT媒体实验室提倡的"constructionism"学习理论暗合：知识在建构中固化，而非被动接收。
8周后他的验收标准是：能独立完成一个端到端的数据分析项目，从原始CSV到可视化报告。
缺口二：机器学习——不止于"知道存在"
第二阶段的8周全部砸向机器学习。这里有个认知纠偏：他没急着碰深度学习，而是死磕传统监督学习。
线性回归、逻辑回归、决策树、随机森林、SVM——这五个算法被他称为"商业数据分析的瑞士军刀"。他的判断是：90%的业界问题用这些足够解决，神经网络是过度杀伤。
学习资源上，他选了Andrew Ng的机器学习课程（Coursera经典版，非深度学习专项）配合《Hands-On Machine Learning》。理论课和代码实现交替进行，每周至少刷完一个算法的完整案例。
一个反直觉的选择：他坚持手写部分算法的核心逻辑，而不是全程调包。用他的话，「scikit-learn一行代码能搞定的事，我自己写要花两小时，但这两小时让我知道黑盒子里在发生什么」。这种"不必要"的深入，恰恰是课堂教育最缺的一层——对假设和边界的体感。
缺口三：SQL——被低估的数据基础设施
第三阶段只有1周，但Rizki把它称为"最容易被学生忽视的生存技能"。
SQL的学习目标很具体：能写复杂查询、理解JOIN的几种模式、会做基础的数据聚合。他没碰数据库管理（DBA方向），只聚焦"分析师视角的SQL"——从已有数据库里把数据捞出来，喂给Python做后续处理。
他的练习方式是模拟电商场景：用户表、订单表、商品表，写查询回答"过去30天复购率最高的品类是什么"这类业务问题。这种场景化练习和课堂上的"找出所有成绩大于90的学生"式例题，难度不在一个维度。
为什么只给1周？Rizki的解释是：SQL的语法门槛不高，难点在于理解业务逻辑如何映射成查询语句。这个转化能力，需要在真实项目中浸泡，不是堆学习时长能解决的。
17周之后：一个待验证的假设
整个路线图的核心假设是：经济学训练给的"问题意识"（知道什么值得分析）加上自学的"技术工具箱"（知道怎么分析），组合起来的竞争力会大于纯技术背景或纯商科背景。
这个假设能否成立，取决于两个变量。一是自学深度——8周Python、8周机器学习、1周SQL，时间分配是否过度乐观？二是项目质量——没有学分压力，能否坚持产出可展示的成品？
Rizki在文章末尾留了一个开放节点：学期结束前，他计划用这套技术栈完成一个经济学研究的小型复现——用机器学习预测某类商品的价格弹性，和传统计量方法做对比。
如果结果有趣，这会成为他简历上的第一个数据项目；如果搞砸了，至少他知道了17周的投入边界在哪里。这种"用项目验收学习"的思路，本身可能比具体学了什么更有价值。
你现在的工作或专业，和实际需要的技能之间，隔着几个Rizki式的"自学缺口"？
热门跟贴