Διαβάστε αυτό πριν κάνετε μια αλλαγή σταδιοδρομίας στην επιστήμη δεδομένων - KDnuggets

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Διαβάστε αυτό πριν κάνετε μια αλλαγή καριέρας στην επιστήμη δεδομένων
Εικόνα από συγγραφέα

Το διαβάζετε αυτό γιατί σκέφτεστε να ενταχθείτε στις τάξεις των επίδοξων επιστημόνων δεδομένων. Και ποιος μπορεί να σε κατηγορήσει; Η επιστήμη των δεδομένων είναι ένας αναπτυσσόμενος τομέας, ακόμη και μια δεκαετία μετά την περίφημη πλέον διάκριση της «πιο σέξι δουλειά» από το Harvard Business Review. Το Γραφείο Στατιστικών Εργασίας των ΗΠΑ επί του παρόντος προβλέπει το ποσοστό απασχόλησης για τους επιστήμονες δεδομένων θα αυξηθεί κατά 35 τοις εκατό από το 2022 έως το 2032. Συγκρίνετε το με το μέσο ποσοστό αύξησης της απασχόλησης, που είναι μόλις 5 τοις εκατό.

Έχει και άλλα πράγματα:

Είναι καλοπληρωμένο (και πάλι, το BLS Βρέθηκαν ένας μέσος μισθός 103 $ το 2022)
Έρχεται με υψηλή ποιότητα ζωής (μεγαλύτερη από το μέσο όρο ευτυχία που σχετίζεται με την εργασία σύμφωνα με στον εξερευνητή καριέρας)
Υπάρχει εργασιακή ασφάλεια παρά τον πρόσφατο γύρο απολύσεις – γιατί υπάρχει μεγάλη ζήτηση για τον ρόλο

Υπάρχουν λοιπόν πολλοί λόγοι για να θέλεις να μπεις στο γήπεδο.

Διαβάστε αυτό πριν κάνετε μια αλλαγή καριέρας στην επιστήμη δεδομένων
Πηγή: https://www.bls.gov/ooh/math/data-scientists.html

Αλλά η επιστήμη δεδομένων είναι ένας πολύ ευρύς τομέας, με πολλούς διαφορετικούς τίτλους εργασίας και σύνολα δεξιοτήτων που πρέπει να γνωρίζετε προτού ξεκινήσετε. Αυτό το άρθρο θα σας καθοδηγήσει στις διάφορες κατευθύνσεις που μπορείτε να ακολουθήσετε και τι πρέπει να γνωρίζετε για καθεμία για να μπείτε στην επιστήμη δεδομένων.

Για να γίνει μια επιτυχημένη μετάβαση σε α σταδιοδρομία επιστήμης δεδομένων, θα πρέπει να ακολουθήσετε μια δομημένη προσέγγιση:

Αξιολογήστε το δικό σας δεξιότητες επιστήμης δεδομένων και να εντοπίσει τα κενά.
Αποκτήστε πρακτική εμπειρία στους τομείς όπου είστε αδύναμοι.
Δίκτυο. Γίνετε μέλος σε ομάδες επιστήμης δεδομένων, παρακολουθήστε συναντήσεις και συνεισφέρετε σε φόρουμ.

Ας βουτήξουμε βαθύτερα.

Αξιολογήστε την αρχική σας θέση

Τι γνωρίζετε ήδη και πώς μπορεί να εφαρμοστεί στην επιστήμη των δεδομένων; Σκεφτείτε: οποιαδήποτε γνώση προγραμματισμού, στατιστικές δεξιότητες ή εμπειρία ανάλυσης δεδομένων έχετε.

Στη συνέχεια, εντοπίστε τα κενά στις δεξιότητές σας, ιδιαίτερα εκείνα που είναι απαραίτητα για την επιστήμη των δεδομένων. Η SQL είναι πραγματικά απαραίτητη, αλλά ο προγραμματισμός Python ή R, τα προηγμένα στατιστικά στοιχεία, η μηχανική μάθηση και η οπτικοποίηση δεδομένων είναι επίσης εξαιρετικά ωφέλιμα.

Αφού εντοπίσετε αυτά τα κενά, αναζητήστε σχετική εκπαίδευση ή κατάρτιση για να τα καλύψετε. Αυτό θα μπορούσε να γίνει μέσω διαδικτυακών μαθημάτων, πανεπιστημιακών προγραμμάτων, bootcamps ή αυτο-μελέτης, με έμφαση στην πρακτική, πρακτική μάθηση.

Πρακτική εμπειρία

Δεν πρέπει απλώς να παρακολουθείτε βίντεο και να διαβάζετε αναρτήσεις ιστολογίου. Η πρακτική εμπειρία είναι ζωτικής σημασίας στην επιστήμη των δεδομένων. Ασχοληθείτε με έργα που σας επιτρέπουν να εφαρμόσετε τις νέες δεξιότητές σας σε σενάρια πραγματικού κόσμου. Αυτό μπορεί να είναι προσωπικά έργα, συνεισφορές σε πλατφόρμες ανοιχτού κώδικα ή συμμετοχή σε διαγωνισμούς δεδομένων όπως εκείνοι στο Kaggle.

Εάν έχετε κάποιες βασικές δεξιότητες εκκίνησης, ίσως θελήσετε να εξετάσετε το ενδεχόμενο να αναζητήσετε πρακτική άσκηση ή ανεξάρτητη εργασία για να αποκτήσετε εμπειρία στον κλάδο.

Το πιο σημαντικό, τεκμηριώστε όλα τα έργα και τις εμπειρίες σας σε ένα χαρτοφυλάκιο, τονίζοντας τη διαδικασία επίλυσης προβλημάτων, τις τεχνικές που χρησιμοποιήσατε και τον αντίκτυπο της εργασίας σας.

Δίκτυο

Η διάρρηξη στην επιστήμη των δεδομένων συχνά καταλήγει σε ποιους γνωρίζετε, εκτός από αυτά που γνωρίζετε. Βρείτε μέντορες, συμμετάσχετε σε συναντήσεις, συνέδρια και εργαστήρια για να μάθετε για τις νέες τάσεις και συμμετάσχετε σε διαδικτυακές κοινότητες επιστήμης δεδομένων όπως το Stack Overflow, το GitHub ή το Reddit. Αυτές οι πλατφόρμες σάς επιτρέπουν να μαθαίνετε από άλλους, να μοιράζεστε τις γνώσεις σας και να γίνετε προσηλωμένοι στην κοινότητα της επιστήμης δεδομένων.

Αν θέλεις γίνετε επιστήμονας δεδομένων από την αρχή, είναι λογικό να σκέφτεστε τις δεξιότητες που θα χρειαστείτε για να αναπτύξετε ως δέντρο. Υπάρχουν δεξιότητες "κορμού" που είναι κοινές σε κάθε εργασία επιστήμης δεδομένων και, στη συνέχεια, κάθε ειδικότητα έχει δεξιότητες "κλάδου" που συνεχίζουν να διακλαδίζονται σε όλο και πιο εξειδικευμένους ρόλους.

Υπάρχουν τρεις βασικές δεξιότητες που χρειάζεται κάθε επιστήμονας δεδομένων, ανεξάρτητα από την κατεύθυνση προς την οποία κινείται:

Χειρισμός δεδομένων/Παραγματοποίηση με χρήση SQL

Η επιστήμη δεδομένων βασικά συνοψίζεται στον χειρισμό και την οργάνωση μεγάλων συνόλων δεδομένων. Για να το κάνετε αυτό, πρέπει να γνωρίζετε SQL. είναι ο απαραίτητο εργαλείο για τη χειραγώγηση και τη διαμάχη δεδομένων.

Διαβάστε αυτό πριν κάνετε μια αλλαγή καριέρας στην επιστήμη δεδομένων
Εικόνα από συγγραφέα

Δεξιότητες

Η επιστήμη των δεδομένων δεν συμβαίνει στο κενό. Πρέπει να παίζεις καλά με τους άλλους, πράγμα που σημαίνει να δυναμώνεις τις μαλακές σου ικανότητες. Η δυνατότητα επικοινωνίας σύνθετων ευρημάτων δεδομένων με σαφή και κατανοητό τρόπο σε μη τεχνικούς ενδιαφερόμενους είναι εξίσου σημαντική με τις τεχνικές δεξιότητες. Αυτά περιλαμβάνουν αποτελεσματική επικοινωνία, επίλυση προβλημάτων και επιχειρηματική οξυδέρκεια.

Η επίλυση προβλημάτων βοηθά στην αντιμετώπιση πολύπλοκων προκλήσεων δεδομένων, ενώ η επιχειρηματική οξυδέρκεια διασφαλίζει ότι οι λύσεις που βασίζονται σε δεδομένα ευθυγραμμίζονται με τους οργανωτικούς στόχους.

Συνεχής Μαθησιακή Στάση

Η επιστήμη των δεδομένων είναι διαφορετική από εκεί που ήταν πριν από πέντε χρόνια. Απλώς κοιτάξτε πού βρισκόμαστε σήμερα με την τεχνητή νοημοσύνη σε σύγκριση με το 2018. Υπάρχουν συνεχώς νέα εργαλεία, τεχνικές και θεωρίες που αναδύονται. Αυτός είναι ο λόγος για τον οποίο χρειάζεστε μια νοοτροπία συνεχούς μάθησης για να είστε ενημερωμένοι με τις τελευταίες εξελίξεις και να προσαρμοστείτε στις νέες τεχνολογίες και μεθοδολογίες στον τομέα.

Θα χρειαστείτε αυτο-κίνητρο για να μάθετε και να προσαρμοστείτε, καθώς και μια προληπτική προσέγγιση για την απόκτηση νέων γνώσεων και δεξιοτήτων.

Ενώ υπάρχουν κοινές δεξιότητες όπως ανέφερα παραπάνω, κάθε ρόλος απαιτεί το δικό του συγκεκριμένο σύνολο δεξιοτήτων. (Θυμάστε; Υποκαταστήματα.) Για παράδειγμα, η στατιστική ανάλυση, οι δεξιότητες προγραμματισμού σε Python/R και η οπτικοποίηση δεδομένων είναι όλα ειδικά για πιο εξειδικευμένες εργασίες στην επιστήμη δεδομένων.

Διαβάστε αυτό πριν κάνετε μια αλλαγή καριέρας στην επιστήμη δεδομένων
Εικόνα από συγγραφέα

Ας αναλύσουμε κάθε ρόλο που συνδέεται με την επιστήμη δεδομένων, ώστε να μπορείτε να δείτε τι χρειάζεστε.

Business/Data Analyst

Ναι, αυτός είναι ένας ρόλος της επιστήμης δεδομένων! Ακόμα κι αν οι αρνητές διαφωνούν, εξακολουθώ να πιστεύω ότι μπορείτε να το αντιμετωπίσετε ως σκαλοπάτι τουλάχιστον εάν σκοπεύετε να μπείτε στην πορεία σταδιοδρομίας της επιστήμης δεδομένων.

Ως επιχείρηση ή αναλυτής δεδομένων, είστε υπεύθυνος για τη γεφύρωση του χάσματος μεταξύ των πληροφοριών δεδομένων και της επιχειρηματικής στρατηγικής. Είναι ιδανικό για όσους έχουν την ικανότητα να κατανοούν τις επιχειρηματικές ανάγκες και να τις μεταφράζουν σε λύσεις που βασίζονται σε δεδομένα.

Ως βασικές δεξιότητες, θα χρειαστείτε επιχειρηματική ευφυΐα – χωρίς εκπλήξεις –, ισχυρές αναλυτικές δεξιότητες, επάρκεια σε γλώσσες αναζήτησης δεδομένων, κυρίως SQL. Σε αυτόν τον ρόλο, η Python και η R είναι προαιρετικά, επειδή η κύρια εργασία είναι η διαμάχη δεδομένων.

Υπάρχει ένα στοιχείο οπτικοποίησης αλλά ανάλογα με τη δουλειά σας, μπορεί να σημαίνει τη δημιουργία πινάκων εργαλείων στο Tableau ή γραφημάτων στο Excel.

Δεδομένα Analytics

Αυτός ο ρόλος επικεντρώνεται στην ερμηνεία δεδομένων για την παροχή δυνατών πληροφοριών. Είναι μια εξαιρετική δουλειά για εσάς αν σας αρέσει να μεταφράζετε αριθμούς σε ιστορίες και επιχειρηματικές στρατηγικές.

Θα χρειαστείτε μια σταθερή λαβή στατιστική ανάλυση και οπτικοποίηση δεδομένων – αν και πάλι, αυτά μπορεί να είναι πίνακες εργαλείων ή/και γραφήματα Excel). Θα χρειαστείτε επίσης επάρκεια εργαλεία ανάλυσης Μου αρέσει Excel, Tableau και SQL. Τα Python/R είναι και πάλι προαιρετικά, αλλά να θυμάστε ότι μπορούν πραγματικά να βοηθήσουν στην εφαρμογή στατιστικών και αυτοματισμού.

Μηχανική μάθηση

Οι επιστήμονες της Μηχανικής Μάθησης αναπτύσσουν προγνωστικά μοντέλα και αλγόριθμους για να κάνουν προβλέψεις ή αποφάσεις βάσει δεδομένων. Αυτοί οι ρόλοι είναι κατάλληλοι για όσους έχουν έντονο ενδιαφέρον για την τεχνητή νοημοσύνη και την κατασκευή μοντέλων.

Δεν υπάρχουν εκπλήξεις ως προς τις βασικές δεξιότητες: θα χρειαστείτε α βαθιά κατανόηση των αλγορίθμων, εμπειρία με πλαίσια μηχανικής μάθησης όπως το TensorFlow και το PyTorch και ισχυρές δεξιότητες προγραμματισμού. Το Python και/ή το R δεν είναι πλέον προαιρετικά, αλλά απαραίτητα.

Μηχανική δεδομένων

Αυτός ο ρόλος σας δίνει να εστιάσετε στην αρχιτεκτονική, τη διαχείριση και τη συντήρηση των αγωγών δεδομένων. Είναι κατάλληλο για άτομα που απολαμβάνουν τις τεχνικές προκλήσεις της διαχείρισης και της βελτιστοποίησης της ροής και της αποθήκευσης δεδομένων.

Για να μπείτε σε αυτή τη δουλειά, θα χρειαστείτε πεξειδίκευση στη διαχείριση βάσεων δεδομένων, διεργασίες ETL και επάρκεια σε τεχνολογίες μεγάλων δεδομένων όπως το Hadoop και το Spark. Θα χρειαστείτε επίσης επάρκεια στον αυτοματισμό αγωγών δεδομένων χρησιμοποιώντας τεχνολογίες όπως η ροή αέρα.

Business Intelligence

Στην επιχειρηματική ευφυΐα, όλα έχουν να κάνουν με τη δημιουργία οπτικοποιήσεων. Είναι εξαιρετικό για αφηγητές και ανθρώπους με έντονη επιχειρηματική αίσθηση.

Θα πρέπει να είστε επαγγελματίας με τεχνολογίες ταμπλό, όπως το Tableau και το Qlik, καθώς αυτά είναι τα εργαλεία που θα χρησιμοποιήσετε για να δημιουργήσετε τις απεικονίσεις σας. Θα χρειαστείτε επίσης δεξιότητες χειρισμού δεδομένων (διαβάστε: SQL skills) για να βοηθήσετε στη βελτιστοποίηση των ερωτημάτων δεδομένων που κάνουν την απόδοση του πίνακα εργαλείων γρήγορη.

Όπως ανέφερα νωρίτερα στο άρθρο, η επιστήμη των δεδομένων είναι ένας ταχέως εξελισσόμενος τομέας. Νέες δουλειές και ρόλοι ανοίγονται συνεχώς. Για να επιστρέψω στην αναλογία του δέντρου μου, μου αρέσει να το σκέφτομαι ως νέους κλάδους που προστίθενται στον κύριο κορμό της επιστήμης δεδομένων. Υπάρχουν πλέον μηχανικοί cloud, ειδικοί SQL, ρόλοι DevOps και πολλά άλλα – όλα εξακολουθούν να συνδέονται με αυτό το κομμάτι της επιστήμης δεδομένων. Έτσι, αυτό το άρθρο παρέχει απλώς μια σύντομη περιγραφή των κατευθύνσεων που θα μπορούσατε να ακολουθήσετε με την επιστήμη δεδομένων.

Επιπλέον, θα πρέπει επίσης να θυμάστε ότι η επιστήμη των δεδομένων συνοδεύεται από προκλήσεις που συνδέονται με αυτό το εξαψήφιο μισθό. Υπάρχει μια πολύ απότομη καμπύλη μάθησης και η μάθηση δεν τελειώνει ποτέ πραγματικά. Οι νέες τεχνολογίες, οι τάσεις και τα εργαλεία έρχονται γρήγορα και δύσκολα – και αν θέλετε να διατηρήσετε τη δουλειά σας, πρέπει να συνεχίσετε.

Όλα αυτά που λέγονται, είναι μια εξαιρετική επιλογή καριέρας. Με τις τρεις κύριες ικανότητες που ανέφερα κάτω από τη ζώνη σας, θα είστε καλά εξοπλισμένοι για να αναλάβετε οποιαδήποτε ρόλος της επιστήμης δεδομένων που σε ελκύει.

Νέιτ Ροσίδη είναι επιστήμονας δεδομένων και στη στρατηγική προϊόντων. Είναι επίσης επίκουρος καθηγητής που διδάσκει αναλυτικά και είναι ο ιδρυτής του StrataScratch, μια πλατφόρμα που βοηθά τους επιστήμονες δεδομένων να προετοιμαστούν για τις συνεντεύξεις τους με πραγματικές ερωτήσεις συνεντεύξεων από κορυφαίες εταιρείες. Συνδεθείτε μαζί του Twitter: StrataScratch or LinkedIn.