Kuidas teiselt taustalt andmeteadusesse üle minna?

Bingi pildilooja
 

Kui teil pole arvutiteaduste tausta, teate, kui palju tööd see andmeteaduse maailmas töö leidmine nõuab. Andmeteaduse võimalused nõuavad paljusid inimesi, kuid kuna andmeteadus on maailmas nii uus (möödus pole enam kui kümme aastat!), siis on väga vähe inimesi, kes on orgaaniliselt kvalifitseeritud andmeteadlasteks vastavalt standarditele. korporatiivne maailm.

See tööstusharu karjub kasvu ja võimalusi ning see on üks peamisi põhjuseid, miks keegi tahaks siirduda andmeteaduse maailma, kuigi ta on pärit väga erinevast taustast.

Märge: Olen üks väheseid, kes teab, et andmeteadus võib kellelegi korda minna, mitte CS-i taustal, ja loodan, et see artikkel aitab teil leida juhiseid, mida vajate oma teekonna edendamiseks.

 

 

Selles artiklis käsitleme seda, kuidas peaksite lähenema andmeteadusele kui karjäärivahetusele, mis põhineb kolmel erineval segmendil.

• Kellelegi, kellel on pole kunagi puudutanud ühtegi andmeteadusega tihedalt seotud teemat ülikoolis.
• Kellegi jaoks mitte-CS-taustaga, kuid mõne andmeteadusega seotud asjakohase teemaga ja kes tahab olla andmeteadlane, miks mitte?

Kellelegi, kes on olnud töötanud tööstuses pikka aega, kuid soovib nüüd vahetada andmeteaduse põnevasse ja hirmuäratavasse maailma.

Märge: Selles artiklis esitatud seisukohad on ainult minu omad, teil on ülemineku kohta oma arvamus või lähenemisviis. Soovin teile parimat.

 

Läheme kohe asja juurde.

I etapp: te ei ole andmeteadusega tihedalt seotud, kuid soovite sellega tegeleda.

Sel juhul ma ütleksin, et ainus pingutus, mida te pingutate, on vaimne ja see nõuab palju kannatlikkust. Pole kahtlust, et andmeteadus on väga tehniline teema ja hõlmab palju numbreid.

PS Proovige seda esmalt kontrollida, et teha kindlaks, millist teed tuleb järgida, et see andmeteaduses suureks saada. Seejärel saate edasi liikuda ja mõista asju, mida peate oma teekonna kiirendamiseks tähele panema!

Alusta siit:

 

Asjad, mida sel juhul tähele panna:

• Andmeteadus on nagu iga teinegi aine, selle õppimist saate alati alustada, kui aega leiate.
• Alati on piisavalt vara, mitte kunagi liiga hilja alustada.
• Andmeteadus on kombinatsioon arvutiteadustest, statistikast, kolledžitasemel matemaatikast, paljudest loogilisest mõtlemisest ja programmeerimiskeeltest koos muude tööriistadega, mida saate kasutada.
• Joonistage oma oskused igas valdkonnas (või eriti selles, milles soovite professionaalseks minna) ja uurige iga domeeni kohta lisateavet.
• Kui tahad analüütikaga tegeleda, siis suru oma statistikateadmisi ja ka andmete puhastamist jne. (Õppige Excelit nii palju kui võimalik, see on väikeste andmekogumite analüütika õnnistus ja parim tööriist alustuseks)
• Data Vizi jaoks proovige õppida Tableau, PowerBI jne, kuid samal ajal mõista, kuidas visualiseeringud töötavad ja kuidas saate teha paremaid visuaale ja armatuurlaudu.
• Keskenduge oma õppimise esimese 2 kuu jooksul nende õppimisele samas järjekorras – Excel, SQL, Tableau ja kui aega lubab, Pythoni põhitõed.

 

 

Sellega saate liikuda II etappi ja sealt edasi õppida.

Märkus. Kui olete andmeteaduse uustulnuk, võtab see aega, seega peate lihtsalt olema kannatlik ja protsessi usaldama. See saab korda!

II etapp: olete olnud seotud mõne andmeteaduse ainega, kuid te pole sellega täielikult tegelenud.

See oli minu omaga sarnane etapp ja võin teile öelda, et andmeteaduse õppimine nõuab üsna palju pingutust. See sõltub paljudest teguritest, nagu näete lõpuks, kuid see ei ole väga keeruline, kuna maailm on avanud uksi avatud lähtekoodiga õppimiseks ja pakkunud teadmisi kõigile, kes seda soovivad (isegi kui nad on pärit mitte-CS-ist taust).

Asjad, mida sel juhul tähele panna:

• Andmeteadus on raske valdkond, kui proovida seda tervikuna vaadata. Lihtsalt hakake nägema kõiki komponente, millele soovite keskenduda kui suure pusle tükke, ja kõik läheb hästi.
• Kui soovite andmeteaduse Data Vizi poolel pikemalt peatuda, keskenduge armatuurlaudade ja andmeühenduste toimimise mõistmisele ning õppige andmete jutuvestmist.
• Kui keegi, kes soovib masinõppega tegeleda, proovige mõista, kuidas Pythoniga või R-iga töötada. Kui kasutate Pythoni, õppige selliseid teeke nagu NumPy, Pandas, Scikit Learn, SciPy, Matplotlib ja Seaborn.
• Mõistke ML-i teoreetilist kontseptsiooni, et mõista ka oma algoritme paremini. See peaks võtma aega, kuid protsessi mõistmine on olulisem kui kvaliteetse ML-algoritmi kodeerimine.
• Kui soovite oma analüütikat edasi arendada, õppige järelduslikku statistikat ja mõistke, kuidas andmeid saab kasutada andmepõhiste lahenduste loomiseks. Siit saate teada, kuidas töötada struktureerimata andmetega ja puhastada võimalikult palju andmekogumeid.
• Minge kaugemale SQL-i tavalistest CRUD-käskudest, et mõista suurepäraselt, kuidas JOINS töötab ja kuidas töötada MySQL-i/PostgreSQL-iga. Kui soovite seda Exceliga edasi lükata, lugege, kuidas kasutada andmeanalüüsi tööriistapaketti ja kuidas luua makrosid.
• Saate aru, kuidas aegridade andmed töötavad, ja teadke, kuidas koguda andmeid allikatest ja koostada aegridade prognoose, et oma õppimist edendada.

 

 

Enamasti olete üks massidest, kes õpib palju tööriistu ja saab kõigest kesktasemel selgeks.

Soovitan soojalt leida oma nišš ja selles edasi liikuda. Kuna andmeteaduse maailmas on palju teadmisi ja konkurents, proovige leida oma nišš ja veenduge, et leiate oma ainulaadsete oskustega konkursil jälje.

III etapp: olete juba valdkonna professionaal, kuid soovite kohe alustada andmeteadusega!

On inimesi, keda ma tean, kes on olnud oma elus hämmastaval positsioonil enne, kui nad otsustasid, et tahavad olla osa andmeteadusest. On loomulik, et tahan pärast pikka aega konkreetses valdkonnas töötamist karjääris muuta, ja mõned asjad olen hankinud tuttavatelt inimestelt, kes on olnud sarnasel positsioonil ja saavad teid sel juhul aidata.

Asjad, mida sel juhul tähele panna:

• Kui olete teatud valdkonna professionaal, võib selle põhjuseks olla eluvalikute muutumine või oskuste täiendamise nõudmine, mis viib teid Data Science'i.
• Igal juhul oleks andmeteaduse juhtrollid õnnelikumad, kui neil oleks selles valdkonnas keegi, kellel on ettevõttes palju kokkupuudet
• Andmeteaduse oskuste täiendamine oma olemasolevate teadmistega selles valdkonnas võib olla üks parimaid asju, mis teie karjääri üleminekul juhtuda saab. Andmeteadus tugineb arvutiteadustel ning ka tööriistadel ja tehnikatel suuresti domeeniteadmistele.
• Piisavate valdkonnateadmistega saate olla oma valdkonna andmeteadlane, rakendades andmete võimsust enamaks kui see, mida juba tehakse
• Valdkonnaspetsiifilisi KPI-sid ja mõõdikuid saab Data Science abil edasi arendada ja automatiseerida ning need võivad avada ka teile uusi uksi.
• Kui teie arsenalis on täiendavaid teadmisi andmeteaduse tööriistade kohta, võite saada oma ala koolitajateks ja aidata alustavaid andmeteadlasi. Võimalused on piiramatud.
• Selles etapis õppimiseks kasutatavad tööriistad ja oskused on samad, mis käesolevas artiklis varem mainitud I ja II etapis.

Igal juhul on kõige parem õppida andmeteadust ja jääda oma eriala juurde, kuna maailm on tänapäeval andmeteadusele üleminekul. Kõik, mida teete, saate ja omate andmeid, ning selle kasutamine otsuste tegemisel muudab teie otsused palju paremaks.

Andmeteaduse maailma on raske üle minna mitte sellepärast, et seal on raske tööd saada, vaid sellepärast, et selle nimel võistleb nii palju inimesi. Võimalusi näevad kõik ja inimesed teavad, et -Andmed on tulevik- ja ka Data Science.

Kõigile, kes on juba andmeteaduse alal kohe vilunud, olge kursis, selle artikli jaoks on ilmumas veel üks osa, kus arutame, kuidas saada andmeteaduse professionaalist eksperdiks.

 
 
Yash Gupta on andmeteaduse entusiast ja ärianalüütik, vabakutseline tehniline kirjanik ja blogija saidil Medium.com. Ta on huvitatud andmetealaste teadmiste jagamisest suurema publikuga hõlpsasti tarbitaval viisil. Ta soovib jagada oma teadmisi kõigiga, kes naudivad andmeid sama palju kui tema. Ta püüab iga päev midagi uut õppida ja talle meeldib andmehuvilisi nende teekonnal juhendada.

 
Originaal. Loaga uuesti postitatud.
 

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoAiStream. Web3 andmete luure. Täiustatud teadmised. Juurdepääs siia.
• Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
• Ostke ja müüge IPO-eelsete ettevõtete aktsiaid koos PREIPO®-ga. Juurdepääs siia.
• Allikas: 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