اقرأ هذا قبل التحول الوظيفي إلى علوم البيانات - KDnuggets

صورة المؤلف
 

أنت تقرأ هذا لأنك تفكر في الانضمام إلى صفوف علماء البيانات الطموحين. و من بإمكانه لومك؟ يعد علم البيانات مجالًا متناميًا، حتى بعد مرور عقد من الزمن على حصوله على جائزة "الوظيفة الأكثر جاذبية" سيئة السمعة من مجلة هارفارد بيزنس ريفيو. مكتب الولايات المتحدة لإحصاءات العمل حاليا يتوقع سينمو معدل توظيف علماء البيانات بنسبة 35 بالمائة من عام 2022 إلى عام 2032. قارن ذلك بمتوسط ​​معدل نمو الوظائف، والذي يبلغ 5 بالمائة فقط.

لديها أشياء أخرى تسير لذلك:

• إنها مدفوعة الأجر بشكل جيد (مرة أخرى، BLS وجدت متوسط ​​​​الراتب 103 ألف دولار في عام 2022)
• إنه يأتي بجودة حياة عالية (أعلى من متوسط ​​السعادة المرتبطة بالعمل بالنسبة الى إلى المستكشف الوظيفي)
• هناك أمن وظيفي على الرغم من الجولة الأخيرة من تسريح العمال - لأن هناك الكثير من الطلب على هذا الدور

لذلك هناك الكثير من الأسباب التي تجعلك ترغب في اقتحام هذا المجال.

 

المصدر: https://www.bls.gov/ooh/math/data-scientists.html
 

لكن علم البيانات هو مجال واسع جدًا، حيث يحتوي على الكثير من المسميات الوظيفية ومجموعات المهارات المختلفة التي تحتاج إلى معرفتها قبل البدء. ستوجهك هذه المقالة عبر الاتجاهات المختلفة التي يمكنك اتباعها، وما تحتاج إلى معرفته لكل اتجاه للدخول في علم البيانات.

لإجراء انتقال ناجح إلى مهنة علم البيانات، ستحتاج إلى اتباع نهج منظم:

• تقييم الخاص بك مهارات علوم البيانات وتحديد الثغرات.
• احصل على خبرة عملية في المجالات التي تكون فيها ضعيفًا.
• شبكة. انضم إلى مجموعات علوم البيانات، واحضر اللقاءات، وساهم في المنتديات.

دعونا نتعمق أكثر.

تقييم موقف البداية الخاص بك

ما الذي تعرفه بالفعل وكيف يمكن تطبيقه في علم البيانات؟ فكر في: أي معرفة برمجية أو مهارات إحصائية أو خبرة في تحليل البيانات لديك.

بعد ذلك، حدد الفجوات في مهاراتك، وخاصة تلك الضرورية لعلم البيانات. تعد لغة SQL أمرًا ضروريًا، ولكن برمجة Python أو R والإحصائيات المتقدمة والتعلم الآلي وتصور البيانات مفيدة للغاية أيضًا.

بمجرد تحديد هذه الفجوات، ابحث عن التعليم أو التدريب المناسب لسد هذه الفجوات. يمكن أن يكون ذلك من خلال الدورات التدريبية عبر الإنترنت، أو البرامج الجامعية، أو المعسكرات التدريبية، أو الدراسة الذاتية، مع التركيز على التعلم العملي والتدريب العملي.

التدريب العملي على الخبرة

لا يجب عليك فقط مشاهدة مقاطع الفيديو وقراءة منشورات المدونة. الخبرة العملية أمر بالغ الأهمية في علم البيانات. انخرط في المشاريع التي تسمح لك بتطبيق مهاراتك الجديدة في سيناريوهات العالم الحقيقي. يمكن أن يكون ذلك مشاريع شخصية، أو مساهمات في منصات مفتوحة المصدر، أو مشاركة في مسابقات البيانات مثل تلك الموجودة على Kaggle.

إذا كانت لديك بعض مهارات البداية الأساسية، فقد ترغب في التفكير في الحصول على تدريب داخلي أو عمل مستقل لاكتساب الخبرة في مجال الصناعة.

الاكثر اهمية، قم بتوثيق جميع مشاريعك وتجاربك في محفظة، وتسليط الضوء على عملية حل المشكلات، والتقنيات التي استخدمتها، وتأثير عملك.

شبكة

غالبًا ما يعتمد اقتحام علم البيانات على من تعرفه، بالإضافة إلى ما تعرفه. ابحث عن الموجهين وشارك في اللقاءات والمؤتمرات وورش العمل للتعرف على الاتجاهات الجديدة، وشارك في مجتمعات علوم البيانات عبر الإنترنت مثل Stack Overflow أو GitHub أو Reddit. تتيح لك هذه الأنظمة الأساسية التعلم من الآخرين ومشاركة معرفتك وجذب الانتباه داخل مجتمع علوم البيانات.

إذا كنت تريد تصبح عالم بيانات من الصفر، فمن المنطقي أن تفكر في المهارات التي ستحتاج إلى تطويرها كشجرة. هناك مهارات "جذعية" مشتركة بين كل وظيفة في علم البيانات، ومن ثم فإن كل تخصص لديه مهارات "فرعية" تستمر في التفرع إلى المزيد والمزيد من الأدوار المتخصصة.

هناك ثلاث مهارات رئيسية يحتاجها كل عالم بيانات، بغض النظر عن الاتجاه الذي يتجه إليه:

معالجة البيانات/المشاحنات باستخدام SQL

يتلخص علم البيانات بشكل أساسي في التعامل مع مجموعات البيانات الكبيرة وتنظيمها. للقيام بذلك، عليك أن تعرف SQL. إنها ال أداة أساسية لمعالجة البيانات والمشاحنات.

 

صورة المؤلف

المهارات الناعمة

علم البيانات لا يحدث في الفراغ. أنت بحاجة إلى اللعب بلطف مع الآخرين، مما يعني تحسين مهاراتك الناعمة. إن القدرة على توصيل نتائج البيانات المعقدة بطريقة واضحة ومفهومة إلى أصحاب المصلحة غير التقنيين لا تقل أهمية عن المهارات التقنية. وتشمل هذه التواصل الفعال وحل المشكلات والفطنة التجارية.

يساعد حل المشكلات في معالجة تحديات البيانات المعقدة، بينما تضمن الفطنة التجارية أن الحلول المبنية على البيانات تتماشى مع الأهداف التنظيمية.

موقف التعلم المستمر

يختلف علم البيانات عما كان عليه قبل خمس سنوات. ما عليك سوى إلقاء نظرة على ما وصلنا إليه اليوم فيما يتعلق بالذكاء الاصطناعي مقارنة بعام 2018. هناك أدوات وتقنيات ونظريات جديدة تظهر باستمرار. ولهذا السبب تحتاج إلى عقلية التعلم المستمر للبقاء على اطلاع بأحدث التطورات والتكيف مع التقنيات والمنهجيات الجديدة في هذا المجال.

ستحتاج إلى الدافع الذاتي للتعلم والتكيف، بالإضافة إلى اتباع نهج استباقي لاكتساب المعرفة والمهارات الجديدة.

على الرغم من وجود مهارات مشتركة كما ذكرت أعلاه، إلا أن كل دور يتطلب مجموعة مهارات خاصة به. (تذكر؟ الفروع.) على سبيل المثال، التحليل الإحصائي، ومهارات البرمجة في Python/R، وتصور البيانات كلها خاصة بالوظائف الأكثر تخصصًا في علم البيانات.

 

صورة المؤلف
 

دعنا نحلل كل دور مجاور لعلم البيانات حتى تتمكن من رؤية ما تحتاجه.

محلل الأعمال/البيانات

نعم، هذا دور علم البيانات! حتى لو اختلف الرافضون، ما زلت أعتقد أنه يمكنك التعامل مع الأمر كنقطة انطلاق على الأقل إذا كنت تهدف إلى الدخول في المسار الوظيفي لعلم البيانات.

باعتبارك محلل أعمال أو بيانات، فأنت مسؤول عن سد الفجوة بين رؤى البيانات واستراتيجية العمل. إنها مثالية لأولئك الذين لديهم موهبة لفهم احتياجات العمل وترجمتها إلى حلول تعتمد على البيانات.

كمهارات أساسية، سوف تحتاج ذكاء الأعمال - لا توجد مفاجآت هناك - ومهارات تحليلية قوية، وإتقان لغات الاستعلام عن البيانات، ولغة SQL في الغالب. في هذا الدور، يعد Python وR اختياريين لأن المهمة الرئيسية هي تبادل البيانات.

هناك مكون التصور ولكن اعتمادًا على وظيفتك، قد يعني ذلك إنشاء لوحات معلومات في Tableau أو رسوم بيانية في Excel.

تحليلات البيانات

يركز هذا الدور على تفسير البيانات لتقديم رؤى قابلة للتنفيذ. إنها مهمة رائعة بالنسبة لك إذا كنت تستمتع بترجمة الأرقام إلى قصص واستراتيجيات عمل.

سوف تحتاج إلى مقبض حازم التحليل الإحصائي وتصور البيانات - على الرغم من ذلك مرة أخرى، يمكن أن تكون هذه لوحات معلومات و/أو رسوم بيانية في Excel). ستحتاج أيضًا إلى إتقان أدوات التحليل مثل إكسل، تابلوه، و SQL. تعد Python/R اختيارية مرة أخرى، ولكن تذكر أنها يمكن أن تساعد حقًا في تنفيذ الإحصائيات والأتمتة.

تعلم آلة

يقوم علماء التعلم الآلي بتطوير نماذج وخوارزميات تنبؤية لإجراء تنبؤات أو قرارات تعتمد على البيانات. هذه الأدوار مناسبة لأولئك الذين لديهم اهتمام قوي بالذكاء الاصطناعي وبناء النماذج.

لا توجد مفاجآت فيما يتعلق بالمهارات الأساسية: ستحتاج إلى فهم عميق للخوارزميات، وخبرة في أطر التعلم الآلي مثل TensorFlow وPyTorch، ومهارات برمجة قوية. لم تعد Python و/أو R اختيارية، بل أصبحت ضرورية.

هندسة البيانات

يجعلك هذا الدور تركز على هندسة خطوط أنابيب البيانات وإدارتها وصيانتها. إنه مناسب جدًا للأفراد الذين يستمتعون بالتحديات التقنية لإدارة وتحسين تدفق البيانات وتخزينها.

للوصول إلى هذه الوظيفة، ستحتاج إلى eالخبرة في إدارة قواعد البيانات وعمليات ETL والكفاءة في تقنيات البيانات الضخمة مثل Hadoop وSpark. سوف تحتاج أيضا الكفاءة في أتمتة خطوط أنابيب البيانات باستخدام تقنيات مثل Airflow.

ذكاء الأعمال

في ذكاء الأعمال، الأمر كله يتعلق ببناء التصورات. إنه أمر رائع لرواة القصص والأشخاص ذوي الحس التجاري القوي.

ستحتاج إلى أن تكون محترفًا في استخدام تقنيات لوحة المعلومات مثل Tableau وQlik نظرًا لأن هذه هي الأدوات التي ستستخدمها لإنشاء تصوراتك. ستحتاج أيضًا إلى مهارات معالجة البيانات (اقرأ: مهارات SQL) للمساعدة في تحسين استعلامات البيانات التي تجعل أداء لوحة المعلومات سريعًا.

كما ذكرت سابقًا في المقالة، يعد علم البيانات مجالًا سريع التطور. يتم فتح وظائف وأدوار جديدة طوال الوقت. وبالعودة إلى تشبيهي بالشجرة، أحب أن أفكر في الأمر على أنه فروع جديدة تتم إضافتها إلى جذع علم البيانات الرئيسي. يوجد الآن مهندسون سحابيون، ومتخصصون في SQL، وأدوار DevOps، والمزيد - كلهم ​​ما زالوا متصلين بمسار علوم البيانات هذا. لذلك توفر هذه المقالة مجموعة بسيطة من الاتجاهات التي يمكنك اتباعها في علم البيانات.

علاوة على ذلك، يجب أن تتذكر أيضًا أن علم البيانات يأتي مصحوبًا بالتحديات المرتبطة بهذا الراتب المكون من ستة أرقام. هناك منحنى تعليمي شديد الانحدار، والتعلم لا ينتهي أبدًا. تأتي التقنيات والاتجاهات والأدوات الجديدة بسرعة وصعوبة - وإذا كنت تريد الاحتفاظ بوظيفتك، عليك أن تستمر في ذلك.

كل ما يقال، إنه خيار مهني رائع. مع الكفاءات الثلاث الرئيسية التي ذكرتها تحت حزامك، ستكون مجهزًا جيدًا لتولي أي منها دور علم البيانات الذي يروق لك.
 
 

نيت روزيدي هو عالم بيانات وفي استراتيجية المنتج. وهو أيضًا أستاذ مساعد يقوم بتدريس التحليلات ، وهو مؤسس ستراتا سكراتش، وهي منصة تساعد علماء البيانات على الاستعداد لمقابلاتهم مع أسئلة مقابلة حقيقية من الشركات الكبرى. تواصل معه تويتر: StrataScratch or لينكدين:.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://www.kdnuggets.com/read-this-before-making-a-career-switch-to-data-science?utm_source=rss&utm_medium=rss&utm_campaign=read-this-before-making-a-career-switch-to-data-science