Læs dette, før du skifter karriere til datavidenskab - KDnuggets

Genudgivet af Platon

Abonnenter: 0

Læs dette, før du skifter karriere til datavidenskab
Billede af forfatter

Du læser dette, fordi du overvejer at slutte dig til rækken af håbefulde dataforskere. Og hvem kan bebrejde dig? Datavidenskab er et voksende felt, selv et årti efter dets nu berygtede "sexede job"-udmærkelse fra Harvard Business Review. Det amerikanske Bureau of Labor Statistics pt forudsiger beskæftigelsesfrekvensen for dataforskere vil vokse med 35 procent fra 2022 til 2032. Sammenlign det med den gennemsnitlige jobvækst, som kun er 5 procent.

Den har andre ting for sig:

Det er godt betalt (igen, BLS fundet en medianløn på $103k i 2022)
Det kommer med en høj livskvalitet (job-relateret lykke højere end gennemsnittet ifølge til karriereudforsker)
Der er jobsikkerhed på trods af den seneste runde af fyringer – fordi der er så stor efterspørgsel efter rollen

Så der er masser af grunde til at ville bryde ind i feltet.

Læs dette, før du skifter karriere til datavidenskab
Kilde: https://www.bls.gov/ooh/math/data-scientists.html

Men datavidenskab er et meget bredt felt, med mange forskellige jobtitler og færdigheder, du skal kende, før du går i gang. Denne artikel vil guide dig gennem de forskellige retninger, du kan gå, og hvad du behøver at vide for hver enkelt at komme ind i datavidenskab.

At lave en vellykket overgang til en data science karriere, you’ll need to follow a structured approach:

Vurder din datavidenskabelige færdigheder og identificere huller.
Få praktisk erfaring på de områder, hvor du er svag.
Netværk. Deltag i datavidenskabsgrupper, deltag i møder og bidrag til fora.

Lad os dykke dybere.

Vurder din startposition

Hvad ved du allerede, og hvordan kan det anvendes i datavidenskab? Tænk på: enhver programmeringsviden, statistiske færdigheder eller erfaring med dataanalyse, du har.

Dernæst skal du identificere hullerne i dine færdigheder, især dem, der er vigtige for datavidenskab. SQL er et rigtigt must, men Python- eller R-programmering, avanceret statistik, maskinlæring og datavisualisering er også yderst gavnlige.

Once you’ve pinpointed these gaps, seek relevant education or training to fill them. This could be through online courses, university programs, bootcamps, or self-study, with a focus on practical, hands-on learning.

Praktisk erfaring

Du skal ikke bare se videoer og læse blogindlæg. Praktisk erfaring er afgørende inden for datavidenskab. Deltag i projekter, der giver dig mulighed for at anvende dine nye færdigheder i virkelige scenarier. Dette kan være personlige projekter, bidrag til open source-platforme eller deltagelse i datakonkurrencer som dem på Kaggle.

Hvis du har nogle grundlæggende startfærdigheder, vil du måske overveje at søge praktikpladser eller freelancearbejde for at få brancheerfaring.

Mest vigtigt, dokumentere alle dine projekter og oplevelser i en portfolio, der fremhæver din problemløsningsproces, de teknikker, du brugte, og virkningen af dit arbejde.

Netværk

At bryde ind i datavidenskab handler ofte om, hvem du kender, ud over hvad du ved. Find mentorer, deltag i møder, konferencer og workshops for at lære om nye trends, og engager dig i online datavidenskabsfællesskaber som Stack Overflow, GitHub eller Reddit. Disse platforme giver dig mulighed for at lære af andre, dele din viden og blive bemærket inden for datavidenskabsfællesskabet.

Hvis du ønsker at blive dataforsker fra bunden, giver det mening at tænke på de færdigheder, du skal bruge for at udvikle dig som et træ. Der er "trunk"-færdigheder, der er fælles for ethvert datavidenskabsjob, og så har hver specialitet "branch"-færdigheder, der fortsætter med at forgrene sig til flere og mere specialiserede roller.

Der er tre hovedfærdigheder, som enhver dataforsker har brug for, uanset hvilken retning de går i:

Datamanipulation/strid ved brug af SQL

Datavidenskab går dybest set ned til at håndtere og organisere store datasæt. For at gøre det skal du kende SQL. det er og vigtigt værktøj til datamanipulation og skænderier.

Læs dette, før du skifter karriere til datavidenskab
Billede af forfatter

Bløde værdier

Datavidenskab sker ikke i et vakuum. Du skal spille godt med andre, hvilket betyder, at du skal pudse dine bløde færdigheder op. At kunne kommunikere komplekse datafund på en klar og forståelig måde til ikke-tekniske interessenter er lige så vigtigt som tekniske færdigheder. Disse omfatter effektiv kommunikation, problemløsning og forretningssans.

Problemløsning hjælper med at tackle komplekse dataudfordringer, mens forretningssans sikrer, at datadrevne løsninger er i overensstemmelse med organisationens mål.

Konstant læringsattitude

Datavidenskab er anderledes end for fem år siden. Se bare på, hvor vi er i dag med AI sammenlignet med 2018. Der dukker hele tiden nye værktøjer, teknikker og teorier op. Derfor har du brug for en kontinuerlig læringstankegang for at holde dig ajour med den seneste udvikling og tilpasse dig nye teknologier og metoder på området.

Du har brug for selvmotivation til at lære og tilpasse dig, samt en proaktiv tilgang til at tilegne dig ny viden og færdigheder.

Selvom der er fælles færdigheder, som jeg skitserede ovenfor, kræver hver rolle sit eget specifikke færdighedssæt. (Husk? Filialer.) For eksempel er statistisk analyse, programmeringsfærdigheder i Python/R og datavisualisering alle specifikke for mere specialiserede job inden for datavidenskab.

Læs dette, før du skifter karriere til datavidenskab
Billede af forfatter

Lad os nedbryde hver datavidenskabs-tilstødende rolle, så du kan se, hvad du har brug for.

Forretnings-/dataanalytiker

Ja, dette er en datavidenskabsrolle! Selvom nej-sagerne er uenige, tror jeg stadig, at du i det mindste kan behandle det som et springbræt, hvis du sigter mod at komme ind på det datavidenskabelige karrierespor.

Som virksomheds- eller dataanalytiker er du ansvarlig for at bygge bro mellem dataindsigt og forretningsstrategi. Det er perfekt til dem, der har en evne til at forstå forretningsbehov og omsætte dem til datadrevne løsninger.

Som kernefærdigheder har du brug for business intelligence – ingen overraskelser der –, stærke analytiske færdigheder, færdigheder i dataforespørgselssprog, overvejende SQL. I denne rolle er Python og R valgfrie, fordi hovedopgaven er at skændes med data.

Der er en visualiseringskomponent men afhængigt af dit job kan det betyde at oprette dashboards i Tableau eller grafer i Excel.

Dataanalyse

Denne rolle fokuserer på at fortolke data for at give handlebar indsigt. Det er et godt job for dig, hvis du kan lide at oversætte tal til historier og forretningsstrategier.

Du skal have et fast greb om statistisk analyse og datavisualisering – dog igen, disse kan være tableau-dashboards og/eller Excel-grafer). Du skal også have kendskab til analytics værktøjer ligesom Excel, Tableau og SQL. Python/R er endnu en gang valgfrie, men husk at de virkelig kan hjælpe med implementering af statistik og automatisering.

Maskinelæring

Maskinlæringsforskere udvikler prædiktive modeller og algoritmer til at foretage datadrevne forudsigelser eller beslutninger. Disse roller er velegnede til dem, der har en stærk interesse for kunstig intelligens og modelbygning.

Ingen overraskelser med hensyn til kernefærdigheder: du skal bruge en dyb forståelse af algoritmer, erfaring med maskinlæringsrammer som TensorFlow og PyTorch og stærke programmeringsevner. Python og/eller R er ikke længere valgfrie, men et must-have.

Datateknik

Denne rolle har du fokus på arkitektur, styring og vedligeholdelse af datapipelines. Det passer godt til personer, der nyder de tekniske udfordringer ved at administrere og optimere dataflow og lagring.

For at komme ind i dette job skal du bruge f.eksekspertise inden for databasestyring, ETL-processer og færdigheder i big data-teknologier som Hadoop og Spark. Du skal også bruge færdigheder i datapipeline automatisering ved hjælp af teknologier som Airflow.

Business Intelligence

I business intelligence handler det om at bygge visualiseringer. Det er fantastisk til historiefortællere og folk med en stærk forretningssans.

Du skal være en professionel med dashboarding-teknologier såsom Tableau og Qlik, da det er de værktøjer, du skal bruge til at opbygge dine visualiseringer. Du har også brug for datamanipulationsfærdigheder (læs: SQL-færdigheder) for at hjælpe med at optimere dataforespørgsler, der gør dashboardets ydeevne hurtig.

Som jeg nævnte tidligere i artiklen, er datavidenskab et felt i hurtig udvikling. Nye jobs og roller åbner sig hele tiden. For at gå tilbage til min træanalogi kan jeg godt lide at tænke på det som nye grene, der bliver tilføjet til den vigtigste datavidenskabelige stamme. Der er nu cloud-ingeniører, SQL-specialister, DevOps-roller og mere – alt sammen stadig forbundet med det datavidenskabelige spor. Så denne artikel giver kun et kort udsnit af de retninger, du kan gå med datavidenskab.

Mere end det, bør du også huske, at datavidenskab kommer med udfordringer knyttet til den sekscifrede lønseddel. Der er en meget stejl indlæringskurve, og indlæringen slutter aldrig rigtig. Nye teknologier, trends og værktøjer kommer alle hurtigt og hårdt – og hvis du vil beholde dit job, skal du følge med.

Når det er sagt, er det en fantastisk karrieremulighed. Med de tre hovedkompetencer, jeg nævnte under dit bælte, vil du være godt rustet til at påtage dig ethvert datavidenskabsrolle der tiltaler dig.

Nate Rosidi er data scientist og i produktstrategi. Han er også adjungeret professor, der underviser i analytics og er grundlæggeren af StrataScratch, en platform, der hjælper dataforskere med at forberede sig til deres interviews med rigtige interviewspørgsmål fra topvirksomheder. Forbind med ham Twitter: StrataScratch or LinkedIn.