قبل از تغییر شغلی به علم داده - KDnuggets این را بخوانید

تصویر توسط نویسنده
 

شما این را می خوانید زیرا به پیوستن به جمع دانشمندان مشتاق داده فکر می کنید. و چه کسی می تواند شما را سرزنش کند؟ علم داده حوزه‌ای در حال رشد است، حتی یک دهه پس از ستایش «جنس‌انگیزترین شغل» آن توسط مجله هاروارد بیزینس ریویو. اداره آمار کار ایالات متحده در حال حاضر پیش بینی نرخ اشتغال دانشمندان داده از سال 35 تا 2022 2032 درصد رشد خواهد کرد. این نرخ را با میانگین نرخ رشد شغل که فقط 5 درصد است مقایسه کنید.

چیزهای دیگری هم دارد:

• پرداخت خوبی دارد (باز هم BLS یافت متوسط ​​حقوق 103 هزار دلار در سال 2022)
• با کیفیت زندگی بالا (بالاتر از شادی شغلی متوسط) همراه است مطابق به کاوشگر شغلی)
• با وجود دور اخیر، امنیت شغلی وجود دارد اخراج - چون تقاضا برای این نقش بسیار زیاد است

بنابراین دلایل زیادی وجود دارد که بخواهید وارد این میدان شوید.

 

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

اما علم داده حوزه بسیار وسیعی است، با تعداد زیادی عناوین شغلی و مجموعه مهارت‌هایی که قبل از شروع باید بدانید. این مقاله شما را از طریق مسیرهای مختلفی که می توانید طی کنید و آنچه که برای ورود به علم داده باید بدانید، راهنمایی می کند.

برای انتقال موفقیت آمیز به یک حرفه علم داده، باید یک رویکرد ساختاریافته را دنبال کنید:

• خود را ارزیابی کنید مهارت های علوم داده و شکاف ها را شناسایی کنید.
• در زمینه هایی که ضعیف هستید، تجربه عملی کسب کنید.
• شبکه. به گروه های علم داده بپیوندید، در جلسات شرکت کنید و در انجمن ها مشارکت کنید.

بیایید عمیق تر شیرجه بزنیم.

موقعیت شروع خود را ارزیابی کنید

از قبل چه می دانید و چگونه می توان آن را در علم داده به کار برد؟ به این موارد فکر کنید: هر دانش برنامه نویسی، مهارت های آماری، یا تجربه تجزیه و تحلیل داده ها که دارید.

در مرحله بعد، شکاف های موجود در مهارت های خود را شناسایی کنید، به ویژه آن هایی که برای علم داده ضروری هستند. SQL یک الزام واقعی است، اما برنامه نویسی پایتون یا R، آمار پیشرفته، یادگیری ماشین و تجسم داده ها نیز بسیار سودمند هستند.

هنگامی که این شکاف ها را مشخص کردید، به دنبال آموزش یا آموزش مرتبط باشید تا آنها را پر کنید. این می تواند از طریق دوره های آنلاین، برنامه های دانشگاهی، بوت کمپ یا خودآموزی با تمرکز بر یادگیری عملی و عملی باشد.

تجربه عملی

شما نباید فقط ویدیوها را تماشا کنید و پست های وبلاگ را بخوانید. تجربه عملی در علم داده بسیار مهم است. در پروژه هایی شرکت کنید که به شما امکان می دهد مهارت های جدید خود را در سناریوهای دنیای واقعی به کار ببرید. این می تواند پروژه های شخصی، مشارکت در پلتفرم های منبع باز یا شرکت در مسابقات داده مانند مسابقات Kaggle باشد.

اگر مهارت‌های ابتدایی دارید، ممکن است بخواهید به دنبال کارآموزی یا کار آزاد برای کسب تجربه در صنعت باشید.

مهمتر از همه، تمام پروژه ها و تجربیات خود را در یک نمونه کار ثبت کنید، فرآیند حل مسئله، تکنیک هایی که استفاده کرده اید و تأثیر کارتان را برجسته می کند.

شبکه ارتباطی

ورود به علم داده اغلب به افرادی بستگی دارد که می‌شناسید، علاوه بر آنچه می‌دانید. مربیان را پیدا کنید، در جلسات، کنفرانس‌ها و کارگاه‌ها شرکت کنید تا در مورد روندهای جدید بیاموزید، و در انجمن‌های علوم داده آنلاین مانند Stack Overflow، GitHub یا Reddit شرکت کنید. این پلتفرم‌ها به شما امکان می‌دهند از دیگران یاد بگیرید، دانش خود را به اشتراک بگذارید و در جامعه علم داده مورد توجه قرار بگیرید.

اگر شما می خواهید از ابتدا به یک دانشمند داده تبدیل شوید، منطقی است که به مهارت هایی که برای توسعه نیاز دارید به عنوان یک درخت فکر کنید. مهارت‌های «تنه» وجود دارد که در هر شغل علم داده مشترک است، و سپس هر تخصص دارای مهارت‌های «شاخه‌ای» است که همچنان به نقش‌های تخصصی‌تر و بیشتر منشعب می‌شود.

هر دانشمند داده بدون توجه به اینکه در چه جهتی حرکت می کند، سه مهارت اصلی وجود دارد:

دستکاری داده ها / مشاجره با استفاده از SQL

علم داده اساساً به مدیریت و سازماندهی مجموعه داده های بزرگ خلاصه می شود. برای انجام این کار، باید SQL را بدانید. این است la ابزار ضروری برای دستکاری داده ها و بحث.

 

تصویر توسط نویسنده

مهارت های نرم

علم داده در خلاء اتفاق نمی افتد. شما باید با دیگران خوب بازی کنید، به این معنی که مهارت های نرم خود را تقویت کنید. توانایی انتقال یافته های داده های پیچیده به شیوه ای واضح و قابل فهم به ذینفعان غیر فنی به اندازه مهارت های فنی مهم است. اینها شامل ارتباطات مؤثر، حل مسئله و هوش تجاری است.

حل مسئله به مقابله با چالش های پیچیده داده ها کمک می کند، در حالی که هوش تجاری تضمین می کند که راه حل های داده محور با اهداف سازمانی همسو هستند.

نگرش یادگیری مداوم

علم داده با جایی که حتی پنج سال پیش بود متفاوت است. فقط نگاه کنید که امروز با هوش مصنوعی در مقایسه با سال 2018 کجا هستیم. ابزارها، تکنیک ها و نظریه های جدیدی دائماً در حال ظهور هستند. به همین دلیل است که برای به‌روز ماندن در جریان آخرین پیشرفت‌ها و انطباق با فناوری‌ها و متدولوژی‌های جدید در این زمینه، به ذهنیت یادگیری مستمر نیاز دارید.

برای یادگیری و انطباق به خود انگیزشی و همچنین رویکردی فعال برای کسب دانش و مهارت های جدید نیاز دارید.

در حالی که همانطور که در بالا توضیح دادم مهارت های مشترکی وجود دارد، هر نقش مجموعه مهارت های خاص خود را می طلبد. (به یاد داشته باشید؟ شاخه ها.) به عنوان مثال، تجزیه و تحلیل آماری، مهارت های برنامه نویسی در Python/R، و تجسم داده ها همگی مختص مشاغل تخصصی تر در علم داده هستند.

 

تصویر توسط نویسنده
 

بیایید هر نقش مجاور علم داده را تجزیه کنیم تا بتوانید آنچه را که نیاز دارید ببینید.

تجارت / تحلیلگر داده

بله، این یک نقش علم داده است! حتی اگر مخالفان مخالف باشند، من همچنان معتقدم که اگر قصد ورود به مسیر شغلی علم داده را دارید، حداقل می‌توانید با آن به عنوان یک پله برخورد کنید.

به عنوان یک تجارت یا تحلیلگر داده، شما مسئول پر کردن شکاف بین بینش داده ها و استراتژی کسب و کار هستید. برای کسانی که در درک نیازهای کسب و کار و تبدیل آنها به راه حل های مبتنی بر داده مهارت دارند، عالی است.

به عنوان مهارت های اصلی، شما نیاز دارید هوش تجاری – جای تعجب نیست –، مهارت های تحلیلی قوی، مهارت در زبان های جستجوی داده ها، عمدتاً SQL. در این نقش، پایتون و R اختیاری هستند زیرا وظیفه اصلی درگیری داده ها است.

وجود دارد جزء تجسم اما بسته به شغل شما، می تواند به معنای ایجاد داشبورد در Tableau یا نمودار در اکسل باشد.

تجزیه و تحلیل داده ها

این نقش بر تفسیر داده ها برای ارائه بینش عملی متمرکز است. اگر از ترجمه اعداد به داستان ها و استراتژی های تجاری لذت می برید، برای شما کار بسیار خوبی است.

شما به یک دسته محکم نیاز دارید تجزیه و تحلیل آماری و تجسم داده ها - هرچند دوباره، اینها می توانند داشبورد تابلو و/یا نمودارهای اکسل باشند). شما همچنین به مهارت در آن نیاز خواهید داشت ابزارهای تحلیلی پسندیدن Excel، Tableau و SQL. Python/R بار دیگر اختیاری است، اما به یاد داشته باشید که آنها واقعاً می توانند در پیاده سازی آمار و اتوماسیون کمک کنند.

فراگیری ماشین

دانشمندان یادگیری ماشین مدل‌ها و الگوریتم‌های پیش‌بینی‌کننده را برای پیش‌بینی یا تصمیم‌گیری مبتنی بر داده توسعه می‌دهند. این نقش ها برای کسانی مناسب است که علاقه زیادی به هوش مصنوعی و مدل سازی دارند.

هیچ شگفتی در مورد مهارت های اصلی وجود ندارد: شما به یک نیاز دارید درک عمیق الگوریتم ها، تجربه با چارچوب های یادگیری ماشین مانند TensorFlow و PyTorch و مهارت های برنامه نویسی قوی. پایتون و/یا R دیگر اختیاری نیستند، بلکه ضروری هستند.

مهندسی داده

این نقش شما را بر روی معماری، مدیریت و نگهداری خطوط لوله داده متمرکز می کند. برای افرادی که از چالش های فنی مدیریت و بهینه سازی جریان داده و ذخیره سازی لذت می برند، مناسب است.

برای ورود به این شغل، به eتخصص در مدیریت پایگاه داده، فرآیندهای ETL و مهارت در فناوری‌های کلان داده مانند Hadoop و Spark. شما همچنین نیاز دارید مهارت در اتوماسیون خط لوله داده با استفاده از فناوری هایی مانند جریان هوا.

اطلاعات کسب و کار

در هوش تجاری، همه چیز در مورد ایجاد تجسم است. برای داستان نویسان و افرادی که حس تجاری قوی دارند عالی است.

شما باید با فناوری‌های داشبورد مانند Tableau و Qlik حرفه‌ای باشید، زیرا اینها ابزارهایی هستند که برای ایجاد تجسم‌های خود استفاده می‌کنید. همچنین به مهارت‌های دستکاری داده‌ها (بخوانید: مهارت‌های SQL) برای کمک به بهینه‌سازی پرسش‌های داده‌ای که عملکرد داشبورد را سریع می‌کنند، نیاز دارید.

همانطور که قبلاً در مقاله ذکر کردم، علم داده یک حوزه به سرعت در حال توسعه است. شغل ها و نقش های جدید همیشه در حال باز شدن هستند. برای بازگشت به قیاس درختی، من دوست دارم آن را به عنوان شاخه های جدیدی در نظر بگیرم که به تنه اصلی علم داده اضافه می شوند. در حال حاضر مهندسان ابر، متخصصان SQL، نقش‌های DevOps و موارد دیگر وجود دارند - همه هنوز به آن مسیر علم داده متصل هستند. بنابراین این مقاله فقط مختصری از مسیرهایی را که می‌توانید با علم داده دنبال کنید، ارائه می‌کند.

علاوه بر این، شما همچنین باید به یاد داشته باشید که علم داده با چالش‌هایی همراه با آن چک دستمزد شش رقمی همراه است. یک منحنی یادگیری بسیار شیب دار وجود دارد، و یادگیری هرگز واقعاً به پایان نمی رسد. فناوری‌ها، گرایش‌ها و ابزارهای جدید همگی سریع و سخت به دست می‌آیند – و اگر می‌خواهید شغل خود را حفظ کنید، باید ادامه دهید.

تمام آنچه گفته شد، یک گزینه شغلی عالی است. با سه شایستگی اصلی که ذکر کردم، شما به خوبی برای انجام هر کاری مجهز خواهید بود. نقش علم داده که برای شما جذابیت دارد.
 
 

ناتی روزیدی یک دانشمند داده و در استراتژی محصول است. او همچنین یک استاد کمکی در تدریس تجزیه و تحلیل است و بنیانگذار آن است StrataScratch، پلتفرمی است که به دانشمندان داده کمک می کند تا برای مصاحبه های خود با سؤالات مصاحبه واقعی از شرکت های برتر آماده شوند. با او ارتباط برقرار کنید توییتر: StrataScratch or لینک.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: 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