摘要： 為什麼“負擔症候群”在資料科學中如此流行， 我個人是如何處理這個問題的？應該如何鼓勵那些正在受影響的人？本文對此進行了詳細的闡述。
“負擔症候群”為何在資料科學中如此盛行？其原因如下：
（1）資料科學是一個全新的領域。
2011年， DJ Patil和Jeff Hammerbacher首次被冠名為“資料科學家”。 從那時起， 我們一直都想弄明白資料科學到底是什麼？“資料科學”的不同定義導致了我們對資料科學家應該是什麼感到困惑。 在此之前， 由於“資料科學”也未曾在大學裡教過， 絕大多數的資料科學家並沒有“資料科學”文憑， 他們中的大部分也都是來自其他領域。
（2）資料科學是一些領域的綜合。
資料科學家可以是分析員/統計師/工程師/機器學習專家/視覺化專家/資料庫專家/業務專家的組合。 他們每個人都在自己的領域具有很資深的地位， 從上述任一領域來到資料科學領域的人跟其他人會有明顯的差距， 這也是完全合理的。
（3）採用新技術， 資料科學的範圍正在不斷的擴大。
隨著電腦記憶體變得越來越便宜， 開原始程式碼也越來越流行， 越來越多的人對學習資料科學及其相關領域感興趣， 和資料科學相關得技術也在健康的發展。 這對於社區和效率來說都是好事， 也為資料科學家們提供了大量的新技術來學習。
具有不同背景的人來到一個新的有許多實際應用的領域時，
應對“負擔症候群”的秘訣
我瞭解的每位元資料科學家都在不斷的學習， 它可能是個很小的東西（一個工具或是快速鍵）或者是更大的東西（一個新演算法或程式設計語言）， 但是我們都在不斷的學習， 這很重要。 對於我來說， 每個人都在學習的這個領域讓我感到興奮的同時， 同樣也產生一種恐懼感（如果我學到的知識是別人已經知道了呢？）， 這種恐懼感就是“負擔症候群”。
我處理“負擔症候群”的方法是：我知道永遠無法學習到資料科學中所有的知識——我永遠不會瞭解每一個演算法， 每一種技術， 每個包， 甚至是每一種語言， 這都沒有關係。 在這個多元化的領域， 最偉大的事情就是沒有人會知道所有的這些事情。
同樣， 我也會知道別人所不瞭解的知識。 我已經為幾十所大學和非盈利組織構建了預測模型， 具有成功創建和分析A/B測試所需要的經驗， 並且正在學習如何在實際生產中使用機器學習模型。 這些並不是每個人都有的技能， 有些人比我更瞭解電腦科學或機器學習， 又或者是Macbook快速鍵。 沒關係， 多樣性是件好事， 我也可以從這些人那學習他們的技能。 強大的Venn圖可以闡述你與其他人的關係，
社區內降低“負擔症候群”
如果我們一致認為資料科學家都在工作中不斷的學習， 那麼我認為， 為了在更大的資料科學社區降低“負擔症候群”影響，
·適應“I don’t know”。
當人們說“我不知道”的時候， 需要很大的勇氣承認， 我很尊敬這樣做的人。 讓人們更加適應“我不知道”， 一種方法就是建立良好的社會規則（當有人不知道時， 不要假裝驚訝， 而是將他當做倖存者之一）。
·不要“假裝成功”
有信心當然是好事， 但是“imposter”實際上就是欺騙， 而且我認為， 想要成為更好的資料科學家， 我們可以做的比“偽裝”更好。 “偽裝”很有壓力， 如果你陷入一個謊言， 可能會造成長期的傷害和失去其他人對你的信任。
·鼓勵提問
勇於提出問題有兩個好處：一是通過圍繞問題的對話獲取知識；二是公開提問可以鼓勵他人提問。 提出問題正是資料科學家應該做的事情， 我們應該鼓勵。
·分享你所學到的知識
當我看到其他人在分享他們正在學習的知識時，這也有助於從自己的角度看待我自己的學習情況——而且我對於該話題是否瞭解的比較多，也激勵著我去瞭解這個對於他們來說是新知識的話題。
以上為譯文。
本文由阿裡云云棲社區組織翻譯。
文章原標題《imposter syndrome in data science》，譯者：Mags，審校：袁虎。
我們應該鼓勵。·分享你所學到的知識
當我看到其他人在分享他們正在學習的知識時，這也有助於從自己的角度看待我自己的學習情況——而且我對於該話題是否瞭解的比較多，也激勵著我去瞭解這個對於他們來說是新知識的話題。
以上為譯文。
本文由阿裡云云棲社區組織翻譯。
文章原標題《imposter syndrome in data science》，譯者：Mags，審校：袁虎。