كيف تنتقل إلى علم البيانات من خلفية مختلفة؟

منشئ صور بنج
 

إذا كنت من خلفية غير متعلقة بعلوم الكمبيوتر ، فأنت تعرف مقدار العمل المطلوب ، لاختراق وظيفة في عالم علوم البيانات. تستدعي فرص علوم البيانات الكثير من الأشخاص ، ولكن نظرًا لكون علم البيانات جديدًا جدًا على العالم (لم يمر أكثر من عقد من الزمان!) ، فهناك عدد قليل جدًا من الأشخاص المؤهلين عضويًا ليكونوا علماء بيانات وفقًا لمعايير عالم الشركات.

هذه الصناعة تصرخ النمو والفرص وهذا هو أحد الأسباب الرئيسية وراء رغبة شخص ما في الانتقال إلى عالم علوم البيانات على الرغم من أنه يأتي من خلفية مختلفة تمامًا.

ملحوظة: أنا واحد من القلائل الذين يعرفون أن Data Science يمكن أن تعمل لصالح شخص ما ، وليس من خلفية علوم الكمبيوتر وآمل أن تساعدك هذه المقالة في العثور على الإرشادات التي تحتاجها لتعزيز رحلتك.

 

 

في هذه المقالة ، سوف نستعرض كيف يجب أن تتعامل مع "علم البيانات" باعتباره تحولًا وظيفيًا يعتمد على ثلاثة قطاعات مختلفة:

• لمن لديه لم تتطرق أبدًا إلى أي موضوع وثيق الصلة بعلوم البيانات في الكلية
• لشخص من خلفية ليست متعلقة بعلوم الكمبيوتر ولكن مع بعض الموضوعات ذات الصلة المتعلقة بعلوم البيانات ومن يريد أن يصبح عالم بيانات فلماذا لا؟

لشخص كان العمل في صناعة لفترة طويلة ولكن الآن يريد التحول إلى عالم علم البيانات الرائع والمرهق.

ملحوظة: الآراء الواردة في هذه المقالة تخصني بمفردي ، فلا تتردد في إبداء رأيك أو مناهجك تجاه الانتقال. أتمنى لك الأفضل.

 

دعنا ندخله مباشرة.

المرحلة الأولى: أنت لا ترتبط ارتباطًا وثيقًا بعلوم البيانات ولكنك تريد الدخول فيها.

حسنًا ، في هذه الحالة ، أود أن أقول إن الجهد الوحيد الذي ستبذله هو جهد عقلي ويحتاج إلى الكثير من الصبر. ليس هناك شك في أن علم البيانات هو موضوع تقني للغاية ويتضمن الكثير من الأرقام.

PS حاول التحقق من ذلك أولاً ، لتحديد الطريق الذي يجب اتباعه لجعله كبيرًا في علوم البيانات. يمكنك بعد ذلك المضي قدمًا وفهم الأشياء التي تحتاج إلى تدوينها لتسريع رحلتك!

أبدأ هنا:

 

أشياء يجب ملاحظتها في هذه الحالة:

• علم البيانات مثل أي موضوع آخر ، يمكنك دائمًا البدء في تعلمه متى وجدت الوقت.
• إنه دائمًا ما يكون مبكرًا بما فيه الكفاية ، ولم يفت الأوان أبدًا للبدء.
• علم البيانات هو مزيج من علوم الكمبيوتر والإحصاء والرياضيات على مستوى الكلية والكثير من التفكير المنطقي ولغات البرمجة مع أدوات أخرى يمكنك استخدامها.
• قم برسم مهارتك في كل مجال من المجالات (أو بشكل خاص الذي تريد أن تصبح محترفًا فيه) وامض قدمًا في تعلم المزيد عن كل مجال.
• إذا كنت ترغب في الدخول في التحليلات ، فقم بتعزيز معرفتك بالإحصاءات وتنظيف البيانات أيضًا ، وما إلى ذلك. (تعلم Excel بقدر ما تستطيع ، إنها نعمة للتحليلات في مجموعات البيانات الصغيرة وأفضل أداة لتبدأ بها)
• بالنسبة إلى Data Viz ، حاول تعلم Tableau و PowerBI وما إلى ذلك ، ولكن في نفس الوقت ، افهم كيفية عمل المرئيات وكيف يمكنك إنشاء مرئيات ولوحات معلومات أفضل.
• في أول شهرين من التعلم ، ركز على تعلمها بنفس الترتيب - Excel ، SQL ، Tableau ، وإذا سمح الوقت ، أساسيات Python.

 

 

مع هذا ، يمكنك الانتقال إلى المرحلة الثانية ومواصلة التعلم من هناك.

ملاحظة: سوف يستغرق الأمر بعض الوقت إذا كنت جديدًا في Data Science ، لذلك عليك فقط التحلي بالصبر والثقة في العملية. سوف تنجح!

المرحلة الثانية: لقد ارتبطت ببعض الموضوعات في علوم البيانات ولكنك لم تدخلها بالكامل.

كانت هذه مرحلة مماثلة لمرحلتي ويمكنني أن أخبرك أن دراسة علوم البيانات تتطلب مجهودًا كبيرًا. يعتمد الأمر على الكثير من العوامل كما سترى في النهاية ، لكن الأمر ليس صعبًا للغاية بالطريقة التي فتح بها العالم الأبواب للتعلم مفتوح المصدر وتقديم المعرفة لأي شخص يرغب في ذلك (حتى لو جاءوا من غير علوم الكمبيوتر. خلفية).

أشياء يجب ملاحظتها في هذه الحالة:

• يعد علم البيانات مجالًا صعبًا إذا حاولت النظر إليه ككل. فقط ابدأ في رؤية كل مكون تريد التركيز عليه كأجزاء من الأحجية الكبيرة ، وستكون على ما يرام.
• إذا كنت تريد التركيز على جانب Data Viz في Data Science ، فركز على فهم كيفية عمل لوحات المعلومات واتصالات البيانات وتعلم سرد البيانات.
• بالنسبة لشخص يريد الدخول في التعلم الآلي ، حاول فهم كيفية العمل مع Python أو R ، إذا ذهبت مع Python - تعلم مكتبات مثل NumPy و Pandas و Scikit Learn و SciPy و Matplotlib و Seaborn.
• افهم المفهوم النظري وراء ML لتكوين المزيد من المعنى لخوارزمياتك. يجب أن يستغرق الأمر وقتًا ولكن فهم العملية أكثر أهمية من ترميز خوارزمية ML عالية الجودة.
• إذا كنت ترغب في دفع جانب التحليلات الخاص بك - تعلم الإحصائيات الاستدلالية ، وفهم كيف يمكن استخدام البيانات لإنشاء حلول تعتمد على البيانات. تعرف على كيفية التعامل مع البيانات غير المنظمة وتنظيف أكبر عدد ممكن من مجموعات البيانات.
• تجاوز أوامر CRUD العادية في SQL لفهم كيفية عمل JOINS بشكل مثالي وكيفية العمل مع MySQL / PostgreSQL. إذا كنت تريد الدفع باستخدام Excel ، فتعرف على كيفية استخدام Data Analysis Toolpak وكيفية إنشاء وحدات الماكرو.
• افهم كيف تعمل بيانات السلاسل الزمنية وتعرف على كيفية سحب البيانات من المصادر وعمل تنبؤات السلاسل الزمنية لدفع تعلمك.

 

 

في كثير من الأحيان ، ستكون واحدًا من الجماهير التي ستتعلم الكثير من الأدوات وتتعلم كل شيء في المستوى المتوسط.

أوصي بشدة بالعثور على مكانتك والمضي قدمًا فيها. مع مقدار المعرفة والمنافسة الموجودة في عالم علوم البيانات ، حاول إيجاد مكانك المناسب وتأكد من أنك تجد علامتك في المنافسة بمهاراتك الفريدة.

المرحلة الثالثة: أنت محترف في صناعة بالفعل ولكنك تريد أن تبدأ في Data Science الآن!

هناك أشخاص أعرفهم كانوا في مناصب مذهلة في حياتهم قبل أن يقرروا أنهم يريدون أن يكونوا جزءًا من علوم البيانات. من الطبيعي أن ترغب في تغيير مهنتك بعد فترة طويلة من العمل في صناعة معينة ، وهناك بعض الأشياء التي حصلت عليها من أشخاص أعرفهم كانوا في وضع مماثل ويمكنهم مساعدتك في هذه الحالة.

أشياء يجب ملاحظتها في هذه الحالة:

• بمجرد أن تصبح محترفًا في صناعة معينة ، فقد يكون ذلك بسبب التحول في خيارات الحياة أو الحاجة إلى تحسين المهارات ، وهو ما يقودك إلى علوم البيانات
• على أي حال ، فإن الأدوار الإدارية في علوم البيانات ستكون أكثر سعادة أن يكون لديك شخص لديه خبرة كبيرة في الشركة في الصناعة
• يمكن أن يكون الارتقاء بالمهارات في علم البيانات من خلال معرفتك الحالية في صناعة ما أحد أفضل الأشياء التي يمكن أن تحدث مع انتقالك الوظيفي. يعتمد علم البيانات ، أثناء اللعب على علوم الكمبيوتر وأيضًا على الأدوات والتقنيات ، بشكل كبير على معرفة المجال.
• مع معرفة كافية بالمجال ، يمكنك أن تكون عالم بيانات في مجالك من خلال تسخير قوة البيانات لأكثر مما تم القيام به بالفعل
• يمكن تطوير مؤشرات الأداء الرئيسية والمقاييس الخاصة بالصناعة بشكل أكبر وأتمتتها باستخدام Data Science ويمكن أن تفتح لك أبوابًا جديدة أيضًا.
• من خلال المعرفة الإضافية بأدوات علوم البيانات الموجودة في ترسانتك ، يمكنك أن تصبح مدربين في مجالك وتساعد علماء البيانات الناشئين. الاحتمالات غير محدودة.
• الأدوات والمهارات التي يجب تعلمها في هذه المرحلة هي نفسها التي تم القيام بها في المرحلة الأولى والمرحلة الثانية المذكورة سابقًا في هذه المقالة.

على أي حال ، من الأفضل تعلم علم البيانات والالتزام بمجال عملك بسبب الطريقة التي ينتقل بها العالم إلى علم البيانات اليوم. كل ما تفعله ، ويمكنه ، ويحتوي على بيانات ، واستخدامه في اتخاذ القرار ، سيجعل قراراتك أفضل كثيرًا.

من الصعب الانتقال إلى عالم علم البيانات ليس لأنه من الصعب الحصول على وظيفة ، ولكن لأن هناك الكثير من الأشخاص الذين يتنافسون على ذلك. يرى الجميع الفرص ويعرف الناس أن -البيانات هي المستقبل- وكذلك علم البيانات.

بالنسبة لأي شخص لديه مهارة في علوم البيانات بالفعل ، ترقبوا ، سأحصل على جزء آخر من هذه المقالة حيث نناقش كيف يمكنك الانتقال من محترف إلى خبير في علوم البيانات.

 
 
ياش غوبتا هو متحمس لعلوم البيانات ومحلل أعمال ، وكاتب تقني مستقل ، ومدون في Medium.com. إنه مهتم بمشاركة المعرفة بعلوم البيانات مع جمهور أكبر بطريقة سهلة الاستهلاك. إنه يرغب في مشاركة معرفته مع كل من يتمتع بالبيانات بقدر ما يتمتع به. يحاول أن يتعلم شيئًا جديدًا كل يوم ويحب توجيه عشاق البيانات الناشئين في رحلتهم.

 
أصلي. تم إعادة النشر بإذن.
 

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• أفلاطونايستريم. ذكاء بيانات Web3. تضخيم المعرفة. الوصول هنا.
• سك المستقبل مع أدرين أشلي. الوصول هنا.
• شراء وبيع الأسهم في شركات ما قبل الاكتتاب مع PREIPO®. الوصول هنا.
• المصدر https://www.kdnuggets.com/2023/05/transition-data-science-different-background.html?utm_source=rss&utm_medium=rss&utm_campaign=how-to-transition-into-data-science-from-a-different-background