几点评论：

• 没有“数据科学”的科学领域，而是与数据科学相关的多个领域：统计学、机器学习、自然语言处理、计算机视觉、信号处理……以及许多其他重叠和/或关注的领域特定应用，例如生物信息学。所有这些领域都是高度活跃和专业化的，因此不可能监控每一个可能的进展。
• 没有唯一推荐的方法：首先，人们一直不同意做 X 的最佳方法。其次，一种方法完全过时的情况很少见。例如，TFIDF 在许多用例中仍然是有意义的，例如使用低资源语言或存在效率限制时。
• 为了全面了解最新技术，必须遵循研究出版物。充其量它对于特定领域是可行的，例如，通过浏览主要会议可以或多或少地了解 NLP 中发生的事情。更现实的选择是等待主流专业人士取得进展，例如定期浏览 DataScienceSE 和/或CrossValidated。
• 最后的建议：旧书对于完全理解为什么/如何以某种方式完成事情非常有用。我们经常在 DataScienceSE 上看到错误，这是由于人们试图在不理解方法的情况下应用方法。