Lue tämä ennen uran vaihtamista tietotieteeseen - KDnuggets

Julkaissut Platon

seuraajia: 0

Lue tämä ennen uran vaihtamista tietotieteeseen
Kuva tekijältä

Luet tätä, koska aiot liittyä tavoittelevien datatieteilijöiden joukkoon. Ja kuka voi syyttää sinua? Datatiede on kasvava ala, jopa vuosikymmen sen jälkeen, kun sen Harvard Business Review on saanut nyt surullisen kuuluisan "seksikkäimmän työn" tunnustuksen. Yhdysvaltain työtilastotoimisto tällä hetkellä ennustaa datatieteilijöiden työllisyysaste kasvaa 35 prosenttia vuodesta 2022 vuoteen 2032. Vertaa sitä keskimääräiseen työpaikkojen kasvuvauhtiin, joka on vain 5 prosenttia.

Sillä on muita asioita:

Se on hyvin maksettu (jälleen BLS löytyi mediaanipalkka 103 2022 dollaria vuonna XNUMX)
Sen mukana tulee korkea elämänlaatu (keskimääräistä korkeampi työhön liittyvä onnellisuus mukaan Career Exploreriin)
Työturvallisuus on äskettäisestä kierroksesta huolimatta lomautuksia – koska roolille on niin paljon kysyntää

On siis monia syitä haluta murtautua alalle.

Lue tämä ennen uran vaihtamista tietotieteeseen
Lähde: https://www.bls.gov/ooh/math/data-scientists.html

Datatiede on kuitenkin hyvin laaja ala, jossa on paljon erilaisia tehtäviä ja taitoja, jotka sinun on tiedettävä ennen kuin aloitat. Tämä artikkeli opastaa sinut eri suuntiin, joihin voit mennä, ja mitä sinun on tiedettävä päästäksesi tietotieteeseen.

Jotta siirtyminen onnistuisi a datatieteen ura, sinun on noudatettava jäsenneltyä lähestymistapaa:

Arvioi omasi tietojenkäsittelytaidot ja tunnistaa aukkoja.
Hanki käytännön kokemusta aloilta, joilla olet heikko.
Verkko. Liity datatieteen ryhmiin, osallistu tapaamisiin ja osallistu foorumeihin.

Sukelletaan syvemmälle.

Arvioi lähtöasemasi

Mitä sinä jo tiedät ja miten sitä voidaan soveltaa datatieteeseen? Ajattele: mitä tahansa ohjelmointitietoa, tilastotaitoja tai data-analyysikokemusta sinulla on.

Tunnista seuraavaksi taitosi puutteet, erityisesti ne, jotka ovat olennaisia datatieteen kannalta. SQL on todellinen välttämättömyys, mutta Python- tai R-ohjelmointi, edistyneet tilastot, koneoppiminen ja tietojen visualisointi ovat myös erittäin hyödyllisiä.

Kun olet havainnut nämä puutteet, hae asiaankuuluvaa koulutusta täyttääksesi ne. Tämä voi tapahtua verkkokurssien, yliopisto-ohjelmien, käynnistysleirien tai itseopiskelun kautta, jossa keskitytään käytännönläheiseen oppimiseen.

Käytännön kokemus

Sinun ei pitäisi vain katsoa videoita ja lukea blogikirjoituksia. Käytännön kokemus on datatieteessä ratkaisevan tärkeää. Osallistu projekteihin, joiden avulla voit soveltaa uusia taitojasi tosielämän skenaarioihin. Tämä voi olla henkilökohtaisia projekteja, osallistumista avoimen lähdekoodin alustoihin tai osallistumista Kagglen kaltaisiin datakilpailuihin.

Jos sinulla on perusaloitustaidot, sinun kannattaa harkita harjoittelupaikan tai freelance-työn hakemista alan kokemuksen saamiseksi.

Ennenkaikkea, dokumentoi kaikki projektisi ja kokemuksesi portfolioon, jossa korostetaan ongelmanratkaisuprosessiasi, käyttämiäsi tekniikoita ja työsi vaikutusta.

verkko

Tietotieteeseen murtautuminen riippuu usein sen lisäksi, mitä tiedät. Löydä mentoreita, osallistu tapaamisiin, konferensseihin ja työpajoihin oppiaksesi uusista trendeistä ja osallistu online-tietotieteellisiin yhteisöihin, kuten Stack Overflow, GitHub tai Reddit. Näiden alustojen avulla voit oppia muilta, jakaa tietosi ja tulla huomatuksi datatiedeyhteisössä.

Jos haluat tulla datatieteilijäksi tyhjästä, on järkevää ajatella taitoja, joita sinun tulee kehittää puuna. Jokaiselle datatieteen työlle on yhteisiä "runko-"taitoja, ja sitten jokaisella erikoisalalla on "haara"-taidot, jotka haarautuvat yhä erikoistuneempiin rooleihin.

Jokainen datatieteilijä tarvitsee kolmea päätaitoa riippumatta siitä, mihin suuntaan hän menee:

Tietojen käsittely/riippuvuus SQL:n avulla

Datatiede tiivistyy pohjimmiltaan suurten tietojoukkojen käsittelyyn ja järjestämiseen. Tätä varten sinun on tiedettävä SQL. se on Ishayoiden opettaman olennainen työkalu tietojen käsittelyyn ja riitelemiseen.

Lue tämä ennen uran vaihtamista tietotieteeseen
Kuva tekijältä

Pehmeitä taitoja

Datatiede ei tapahdu tyhjiössä. Sinun on leikittävä mukavasti muiden kanssa, mikä tarkoittaa pehmeiden taitojen hiomista. Kyky viestiä monimutkaisista tiedoista selkeällä ja ymmärrettävällä tavalla ei-teknisille sidosryhmille on yhtä tärkeää kuin tekniset taidot. Näitä ovat tehokas viestintä, ongelmanratkaisu ja liiketoimintakyky.

Ongelmanratkaisu auttaa ratkaisemaan monimutkaisia datahaasteita, kun taas liiketoimintataju varmistaa, että tietopohjaiset ratkaisut ovat linjassa organisaation tavoitteiden kanssa.

Jatkuva oppimisasenne

Datatiede on erilaista kuin viisi vuotta sitten. Katsokaapa, missä olemme nyt tekoälyn suhteen vuoteen 2018 verrattuna. Uusia työkaluja, tekniikoita ja teorioita ilmaantuu jatkuvasti. Siksi tarvitset jatkuvaa oppimistavan, jotta pysyt ajan tasalla viimeisimmästä kehityksestä ja sopeudut alan uusiin teknologioihin ja menetelmiin.

Tarvitset itsemotivaatiota oppimiseen ja sopeutumiseen sekä ennakoivaa lähestymistapaa uusien tietojen ja taitojen hankkimiseen.

Vaikka on olemassa yhteisiä taitoja, kuten edellä kuvasin, jokainen rooli vaatii oman erityistaitosarjansa. (Muistatko? Haarat.) Esimerkiksi tilastollinen analyysi, ohjelmointitaidot Python/R:ssä ja datan visualisointi ovat kaikki erityisiä datatieteen erikoistuneemmille töille.

Lue tämä ennen uran vaihtamista tietotieteeseen
Kuva tekijältä

Erotetaan jokainen datatieteen viereinen rooli, jotta näet, mitä tarvitset.

Liiketoiminta/tietoanalyytikko

Kyllä, tämä on datatieteen rooli! Vaikka vastustajat olisivat eri mieltä, uskon silti, että voit pitää sitä ainakin ponnahduslautana, jos aiot päästä datatieteen uralle.

Yritys- tai data-analyytikkona olet vastuussa datanäkemysten ja liiketoimintastrategian välisen kuilun kuromisesta. Se on täydellinen niille, joilla on taito ymmärtää liiketoiminnan tarpeita ja muuntaa ne tietopohjaisiksi ratkaisuiksi.

Ydintaitoina tarvitset Business Intelligence – ei yllätyksiä –, vahvat analyyttiset taidot, tiedonkyselykielten taito, pääosin SQL. Tässä roolissa Python ja R ovat valinnaisia, koska päätehtävä on tietojen riitauttaminen.

Tuolla on visualisointikomponentti mutta työstäsi riippuen se voi tarkoittaa koontinäyttöjen luomista Tableaussa tai kaavioiden luomista Excelissä.

Data Analytics

Tässä roolissa keskitytään tietojen tulkitsemiseen käyttökelpoisten oivallusten tarjoamiseksi. Se on loistava työ sinulle, jos pidät numeroiden kääntämisestä tarinoiksi ja liiketoimintastrategioiksi.

Tarvitset tukevan otteen tilastollinen analyysi ja tietojen visualisointi – Tosin taas nämä voivat olla taulukojetauluja ja/tai Excel-kaavioita). Tarvitset myös ammattitaitoa analyysityökaluja pitää Excel, Tableau ja SQL. Python/R ovat jälleen valinnaisia, mutta muista, että ne voivat todella auttaa tilastojen ja automaation käyttöönotossa.

Koneen oppiminen

Koneoppimisen tutkijat kehittävät ennakoivia malleja ja algoritmeja datapohjaisten ennusteiden tai päätösten tekemiseen. Nämä roolit sopivat niille, jotka ovat erittäin kiinnostuneita tekoälystä ja mallien rakentamisesta.

Ei yllätyksiä ydintaitojen suhteen: tarvitset a syvällinen ymmärrys algoritmeista, kokemus koneoppimiskehyksistä, kuten TensorFlow ja PyTorch, ja vahvat ohjelmointitaidot. Python ja/tai R eivät ole enää valinnaisia, mutta pakollisia.

Tietotekniikka

Tässä roolissa voit keskittyä tietoputkien arkkitehtuuriin, hallintaan ja ylläpitoon. Se sopii hyvin henkilöille, jotka nauttivat tietovirran ja tallennuksen hallinnan ja optimoinnin teknisistä haasteista.

Päästäksesi tähän työhön tarvitset eosaamista tietokannan hallinnassa, ETL-prosesseissa ja pätevyyttä suurdatatekniikoissa, kuten Hadoop ja Spark. Tarvitset myös tietoputkien automatisoinnin taitoa käyttämällä teknologioita, kuten Airflow.

Business Intelligence

Liiketoimintatiedolla on kyse visualisointien rakentamisesta. Se sopii erinomaisesti tarinankertojille ja ihmisille, joilla on vahva liiketaju.

Sinun on oltava ammattilainen kojelautatekniikoiden, kuten Tableaun ja Qlikin, kanssa, koska ne ovat työkaluja, joita käytät visualisoinneidesi rakentamiseen. Tarvitset myös tietojen käsittelytaitoja (lue: SQL-taitoja), jotta voit optimoida datakyselyt, jotka nopeuttavat kojelaudan suorituskykyä.

Kuten aiemmin mainitsin artikkelissa, datatiede on nopeasti kehittyvä ala. Uusia työpaikkoja ja rooleja avautuu koko ajan. Palatakseni puuanalogiaani, haluan ajatella sitä uusina oksina, jotka lisätään datatieteen päärunkoon. Nyt on olemassa pilvi-insinöörejä, SQL-asiantuntijoita, DevOps-rooleja ja paljon muuta – kaikki ovat edelleen yhteydessä kyseiseen datatieteeseen. Joten tämä artikkeli tarjoaa vain lyhyen pätkän ohjeista, joita voit edetä datatieteen kanssa.

Lisäksi sinun tulee myös muistaa, että datatieteeseen liittyy haasteita kuusinumeroiseen palkkaan. Oppimiskäyrä on erittäin jyrkkä, eikä oppiminen lopu koskaan. Uudet tekniikat, trendit ja työkalut tulevat nopeasti ja kovasti – ja jos haluat pitää työsi, sinun on pysyttävä mukana.

Kaiken tämän jälkeen se on loistava uravaihtoehto. Kolmella pääkompetenssilla, jotka mainitsin vyössäsi, sinulla on hyvät valmiudet omaksua mitä tahansa datatieteen rooli joka vetoaa sinuun.

Nate Rosidi on datatieteilijä ja tuotestrategiassa. Hän on myös analytiikkaa opettava dosentti ja perustaja StrataScratch, alusta, joka auttaa datatieteilijöitä valmistautumaan haastatteluihin huippuyritysten todellisilla haastattelukysymyksillä. Ota yhteyttä häneen Twitter: StrataScratch or LinkedIn.