Wie ich mein Einkommen mit Data Science in 18 Monaten verdreifacht habe

Photo by Karolina Grabowska
 

Vor etwa 18 Monaten habe ich aufgrund der COVID-19-Pandemie meinen Job verloren. Während meines Studiums arbeitete ich als Teilzeit-Tutor. Das Geld, das ich durch den Nachhilfeunterricht bekam, wurde verwendet, um Ausgaben wie Essen, Benzin und mein Auto zu decken.

Nachdem die Regierung im ganzen Land Ausgangssperren verhängt hatte, konnte ich nicht weiter unterrichten. Ich konnte auch nicht aufs College gehen und musste zu Hause lernen.

Obwohl mir das zunächst schrecklich vorkam, wurde mir klar, dass ich durch den Verzicht auf die Universität und die Arbeit viel Zeit gewinnen konnte.

In dieser Zeit begann ich darüber nachzudenken, meine Fähigkeiten zu erweitern. Nachdem ich einige Recherchen durchgeführt hatte, fand ich einen Online-Kurs zum maschinellen Lernen, der mir ziemlich interessant erschien.

Das war der erste Online-Kurs, den ich jemals abgeschlossen habe.

Danach verbrachte ich die meiste Zeit damit, Projekte aufzubauen, Programmieren zu lernen und Online-Zertifizierungen zu erhalten.

Jetzt – 18 Monate später – habe ich mit meinem Wissen im Bereich Datenwissenschaft und -analyse mehrere Einnahmequellen aufgebaut.

Ich war zunächst für einige Zeit als Data-Science-Praktikant in einem Unternehmen tätig und arbeite dort jetzt Vollzeit.

Anfangs ging ich davon aus, dass meine Arbeit hauptsächlich aus dem Modellbau bestehen würde.

Als ich jedoch beitrat, wurde mir klar, dass meine Arbeit nur zu etwa 10 % aus Modellbau bestand. Den Rest der Zeit suchten mein Team und ich nach neuen Lösungen, die wir zur Lösung geschäftlicher Probleme entwickeln konnten.

Oft war für die Lösung dieser Probleme nicht einmal maschinelles Lernen erforderlich. Die Datenlösung könnte lediglich aus Geschäftslogik bestehen, die in eine einfache SQL-Abfrage übersetzt wird.

Zu meiner täglichen Arbeit gehört die Beantwortung von Fragen wie:

• Wie nutzen wir Daten, um Informationen über die Wettbewerber von Unternehmen A zu finden?
• Wir haben ein Modell zur Vorhersage der Kundenfrequenz entwickelt. Welche geschäftlichen Anwendungsfälle können wir identifizieren, um dieses Modell zu testen? Funktioniert es in einer Produktionsumgebung genauso gut wie in einer Testumgebung?
• Wie können wir die Segmentierung und Leistung für unsere Kunden kontinuierlich verbessern? Können wir aus den verfügbaren Daten auf reale Szenarien schließen?

Dies ist eine sehr abstrakte Beschreibung der Art von Arbeit, die ich täglich mache, aber ich möchte betonen, dass die Erstellung einer Data-Science-Lösung nicht mit der Modellerstellung beginnt und endet.

Wenn Sie ein angehender Datenwissenschaftler sind, empfehle ich Ihnen, sich einige Fachkenntnisse in der Branche anzueignen, in der Sie arbeiten möchten.

 
Ich schreibe über meine Erfahrungen im Bereich Data Science.

Wenn ich bei der Arbeit ein Projekt erstelle, finde ich einen ähnlichen Datensatz auf Kaggle, repliziere die Analyse und erstelle ein Tutorial dazu.

Ich habe zunächst damit begonnen, Tutorials zur Datenwissenschaft zu schreiben und zu veröffentlichen, um mein Portfolio zu erweitern.

Das Schreiben von Artikeln über meine Arbeit war für mich eine Möglichkeit, mit anderen aufstrebenden Datenwissenschaftlern in Kontakt zu treten. Es war für mich auch eine Möglichkeit, meine Fähigkeiten im Programmieren und Erstellen von ML-Modellen unter Beweis zu stellen.

Anfangs hatte ich nie damit gerechnet, für mein Schreiben bezahlt zu werden. Ich dachte einfach, es sei eine großartige Möglichkeit, mein Data-Science-Portfolio zu erweitern.

Doch im Laufe des vergangenen Jahres begann das, was als Hobby begann, Einnahmen zu generieren.

Ich kann jetzt passives Einkommen erzielen, indem ich einfach datenbezogene Tutorials und Projekte erstelle und über meine Erfahrungen schreibe.

Als ich begann, eine Online-Präsenz innerhalb der Data-Science-Community aufzubauen, erhielt ich mehrere Angebote für freiberufliche Mitarbeiter. Ich habe für Kunden einmalig Modelle für maschinelles Lernen erstellt, Berichte zur Wettbewerbsanalyse erstellt und Artikel zur Datenwissenschaft geschrieben.

Als ich zum ersten Mal darüber nachdachte, freiberuflich tätig zu werden, stellte ich mir vor, dass ich auf einer Online-Plattform an Projekten teilnehmen und Angebote abgeben müsste.

Alle meine freiberuflichen Kunden haben sich jedoch an mich gewandt, nachdem sie meine Artikel gelesen oder einen Blick auf meine Portfolio-Projekte geworfen hatten.

Vor ein paar Monaten habe ich einen Clustering-Algorithmus erstellt und ein Tutorial dazu online gestellt. Am nächsten Tag kontaktierte mich jemand und fragte, ob ich daran interessiert wäre, ein Clustering-Modell für seinen Kunden zu erstellen.

Durch meine freiberufliche Tätigkeit habe ich viele Fähigkeiten erworben, die über den Bereich hinausgehen, in dem ich normalerweise arbeite.

In meinem Unternehmen liegen die Daten, mit denen ich arbeite, normalerweise in einem bestimmten vorverarbeiteten Format vor, und ich frage die Daten mit SQL und Python ab, um sie zu nutzen.

Bei freiberuflichen Tätigkeiten liegen die Kundendaten jedoch in sehr unterschiedlichen Formaten vor. Das meiste davon ist weder verarbeitet noch strukturiert, und ich habe viel Zeit damit verbracht, die Beziehungen zwischen den Datensätzen herauszufinden und ihnen einen Sinn zu geben.

Außerdem muss ich externe Daten sammeln, um eine Analyse zu erstellen. Dazu gehört in der Regel das Scrapen von Websites Dritter und der Einsatz von Open-Source-Tools.

Ich habe das Gefühl, dass ich durch die freiberufliche Tätigkeit Kenntnisse erlangt habe, über die ich derzeit in meinem Job nicht verfüge, und dass ich bei jedem Projekt, das ich übernehme, neue Dinge lernen kann.

Ich habe oben erwähnt, dass ich einen Online-Kurs über Datenwissenschaft belegt habe und sich die Dinge von da an geändert haben. Sie fragen sich vielleicht, wie.

Um ganz ehrlich zu sein, fühlte ich mich nach meinem ersten Online-Kurs zum Thema Datenwissenschaft verloren. Ich habe etwa einen Monat damit verbracht, die verschiedenen Algorithmen und Trainingsmodelle mit Scikit-Learn zu erlernen.

Ich wusste einfach nicht, wohin ich von da an gehen sollte.

Ich fing an, Artikel über Leute zu lesen, die es geschafft haben, einen Job im Bereich Datenwissenschaft zu bekommen, ohne einen Master-Abschluss oder eine berufliche Qualifikation zu haben. Mir wurde klar, wie wichtig Domänenwissen und die Lösung von Problemen mithilfe der verfügbaren Daten sind.

Es war für mich nicht notwendig, die genauesten Modelle zu erstellen oder den zugrunde liegenden Algorithmus hinter dem Modell zu verstehen.

Mir wurde klar, dass die Fähigkeit, Probleme mithilfe von Daten zu lösen, für mich die wichtigste Fähigkeit war. Das bedeutete, dass ich über maschinelle Lernalgorithmen hinausgehen musste.

Ich habe Kurse in Business Analytics und ML Engineering belegt. Ich habe mehr Zeit damit verbracht, das Programmieren zu lernen, als ich mit der Theorie verbracht habe. Ich habe Zeit damit verbracht, SQL und Datenmanipulation zu lernen.

Dann habe ich mithilfe von Web Scraping meine eigenen Daten von Online-Sites gesammelt. Ich habe die Daten zur Lösung eines Problems verwendet und damit eine einfache Web-App für maschinelles Lernen erstellt.

Auf diese Weise erlangte ich langsam die Fähigkeiten, die ich brauchte, um ein End-to-End-Datenwissenschaftler zu werden.

Selbst innerhalb des Datenanalyseteams an meinem Arbeitsplatz bin ich in der Regel derjenige, der mir Projekte zuweist, die über den Rahmen unserer täglichen Arbeit hinausgehen (Projekte, die eine externe Datenerfassung oder einen neuen Algorithmus erfordern).

Als angehender Datenwissenschaftler stehen Ihnen online zahlreiche Ressourcen zur Verfügung. Tatsächlich sind es zu viele, sodass Sie nicht wissen, woraus Sie wählen sollen.

Der Schwerpunkt liegt jedoch auf dem Modellbau.

Während es wichtig ist, die Grundlagen des Aufbaus und der Ausbildung eines Modells zu kennen, erfordern die meisten verfügbaren Jobs, dass Sie darüber hinausgehen.

Der eigentliche Bedarf besteht nach Menschen, die mithilfe verfügbarer Daten Probleme lösen können.

 
 
Natascha Selvaraj ist ein autodidaktischer Datenwissenschaftler mit einer Leidenschaft für das Schreiben. Du kannst dich mit ihr verbinden LinkedIn.
 

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
• Quelle: https://www.kdnuggets.com/2021/10/tripled-my-income-data-science-18-months.html?utm_source=rss&utm_medium=rss&utm_campaign=how-i-tripled-my-income-with-data-science-in-18-months