बिंग छवि निर्माता
यदि आप गैर-कंप्यूटर विज्ञान पृष्ठभूमि से हैं, तो आप जानते हैं कि डेटा विज्ञान की दुनिया में नौकरी पाने के लिए कितना काम करना पड़ता है। डेटा साइंस के अवसर बहुत से लोगों को बुलाते हैं, लेकिन डेटा साइंस दुनिया के लिए इतना नया होने के कारण (एक दशक से अधिक नहीं बीता है!), ऐसे बहुत कम लोग हैं जो डेटा वैज्ञानिक बनने के लिए योग्य हैं। कॉर्पोरेट जगत.
यह उद्योग विकास और अवसर के बारे में चिल्लाता है और यही एक प्रमुख कारण है कि कोई व्यक्ति डेटा विज्ञान की दुनिया में बदलाव करना चाहेगा, भले ही वह बहुत अलग पृष्ठभूमि से आता हो।
नोट: मैं उन कुछ लोगों में से एक हूं जो जानते हैं कि डेटा साइंस किसी सीएस पृष्ठभूमि वाले के लिए नहीं बल्कि किसी के लिए भी काम कर सकता है और मुझे उम्मीद है कि यह लेख आपको अपनी यात्रा को बढ़ावा देने के लिए आवश्यक मार्गदर्शन ढूंढने में मदद करेगा।
इस लेख में, हम बताएंगे कि आपको तीन अलग-अलग खंडों के आधार पर करियर परिवर्तन के रूप में डेटा साइंस को कैसे अपनाना चाहिए:
- किसी ऐसे व्यक्ति के लिए जिसके पास है डेटा साइंस से जुड़े किसी भी विषय को कभी नहीं छुआ कॉलेज में।
- किसी के लिए गैर-सीएस पृष्ठभूमि लेकिन डेटा विज्ञान से संबंधित कुछ प्रासंगिक विषयों के साथ और कौन डेटा साइंटिस्ट बनना चाहता है क्यों नहीं?
किसी ऐसे व्यक्ति के लिए जो रहा हो लंबे समय से एक इंडस्ट्री में काम कर रहे हैं लेकिन अब स्विच करना चाहते हैं डेटा विज्ञान की आकर्षक और चुनौतीपूर्ण दुनिया के लिए।
नोट: इस लेख में विचार अकेले मेरे हैं, परिवर्तन के प्रति अपनी राय या दृष्टिकोण रखने में संकोच न करें। मैं आपको शुभकामनाएं दे रहा हूं.
चलो ठीक है इसमें।
स्टेज I: आप डेटा साइंस से निकटता से संबंधित नहीं हैं लेकिन आप इसमें शामिल होना चाहते हैं।
खैर, इस मामले में, मैं कहूंगा कि आप जो एकमात्र प्रयास करेंगे वह मानसिक है और इसके लिए बहुत धैर्य की आवश्यकता है। इसमें कोई संदेह नहीं है कि डेटा साइंस एक बहुत ही तकनीकी विषय है और इसमें बहुत सारे नंबर शामिल हैं।
पुनश्च डेटा साइंस में बड़ा बनने के लिए क्या रास्ता अपनाना है, इसकी पहचान करने के लिए पहले इसे जांचने का प्रयास करें। फिर आप आगे बढ़ सकते हैं और अपनी यात्रा को तेज़ करने के लिए आपको जिन बातों पर ध्यान देने की आवश्यकता है उन्हें समझ सकते हैं!
इस मामले में ध्यान देने योग्य बातें:
- डेटा साइंस किसी भी अन्य विषय की तरह ही है, जब भी आपको समय मिले आप इसे सीखना शुरू कर सकते हैं।
- यह हमेशा काफी जल्दी होता है, शुरू करने में कभी देर नहीं होती।
- डेटा साइंस कंप्यूटर विज्ञान, सांख्यिकी, कॉलेज स्तर के गणित, बहुत सारी तार्किक सोच और प्रोग्रामिंग भाषाओं के साथ अन्य उपकरणों का एक संयोजन है जिनका आप उपयोग कर सकते हैं।
- प्रत्येक डोमेन (या विशेष रूप से जिसमें आप आगे बढ़ना चाहते हैं) में अपने कौशल का चार्ट बनाएं और प्रत्येक के बारे में अधिक जानने के लिए आगे बढ़ें।
- यदि आप एनालिटिक्स में जाना चाहते हैं, तो अपने सांख्यिकी ज्ञान और डेटा सफाई आदि पर भी जोर दें। (जितना हो सके एक्सेल सीखें, यह छोटे डेटासेट में एनालिटिक्स के लिए वरदान है और शुरुआत के लिए सबसे अच्छा टूल है)
- डेटा विज़ के लिए, टेबलू, पॉवरबीआई आदि सीखने का प्रयास करें, लेकिन साथ ही, यह भी समझें कि विज़ुअलाइज़ेशन कैसे काम करता है और आप बेहतर विज़ुअल और डैशबोर्ड कैसे बना सकते हैं।
- मुख्य रूप से अपने सीखने के पहले 2 महीनों के लिए, इन्हें एक ही क्रम में सीखने पर ध्यान केंद्रित करें - एक्सेल, एसक्यूएल, टेबलौ, और यदि समय अनुमति देता है, तो पायथन मूल बातें।
इसके साथ, आप चरण II में जा सकते हैं और वहां से सीखना जारी रख सकते हैं।
नोट: यदि आप डेटा साइंस में नए हैं तो इसमें समय लगेगा, इसलिए बस धैर्य रखें और प्रक्रिया पर भरोसा रखें। हो जाएगा!
चरण II: आप डेटा साइंस के कुछ विषयों से जुड़े रहे हैं लेकिन आप इसमें पूरी तरह से शामिल नहीं हुए हैं।
यह मेरे जैसा ही चरण था और मैं आपको बता सकता हूं कि डेटा साइंस का अध्ययन करने के लिए काफी प्रयास करना पड़ता है। यह कई कारकों पर निर्भर करता है जैसा कि आप अंततः देखेंगे, लेकिन जिस तरह से दुनिया ओपन-सोर्स सीखने के लिए दरवाजे खोल रही है और जो कोई भी इसे चाहता है उसे ज्ञान प्रदान कर रहा है (भले ही वे गैर-सीएस से आए हों) इसे देखते हुए यह बहुत मुश्किल नहीं है पृष्ठभूमि)।
इस मामले में ध्यान देने योग्य बातें:
- यदि आप इसे समग्र रूप से देखने का प्रयास करें तो डेटा साइंस एक कठिन क्षेत्र है। बस हर उस घटक को देखना शुरू करें जिस पर आप ध्यान केंद्रित करना चाहते हैं, बड़ी पहेली के टुकड़ों के रूप में, और आप ठीक हो जाएंगे।
- यदि आप डेटा साइंस के डेटा विज़ पक्ष पर ध्यान केंद्रित करना चाहते हैं, तो यह समझने पर ध्यान केंद्रित करें कि डैशबोर्ड और डेटा कनेक्शन कैसे काम करते हैं और डेटा स्टोरीटेलिंग सीखें।
- जो व्यक्ति मशीन लर्निंग में जाना चाहता है, उसके लिए यह समझने का प्रयास करें कि पायथन या आर के साथ कैसे काम करना है, यदि आप पायथन के साथ जाते हैं - तो NumPy, Pandas, Scikit Learn, SciPy, Matplotlib, और Seaborn जैसी लाइब्रेरी सीखें।
- अपने एल्गोरिदम को और अधिक समझने के लिए एमएल के पीछे की सैद्धांतिक अवधारणा को समझें। इसमें समय लगना चाहिए लेकिन उच्च-ग्रेड एमएल एल्गोरिदम को कोड करने की तुलना में प्रक्रिया को समझना अधिक महत्वपूर्ण है।
- यदि आप अपने एनालिटिक्स को आगे बढ़ाना चाहते हैं - अनुमानित सांख्यिकी सीखें, और समझें कि डेटा-संचालित समाधान बनाने के लिए डेटा का उपयोग कैसे किया जा सकता है। जानें कि ऐसे डेटा के साथ कैसे काम किया जाए जो यथासंभव अधिक से अधिक डेटासेट असंरचित और साफ़ हो।
- JOINS कैसे काम करता है और MySQL/PostgreSQL के साथ कैसे काम करना है, यह समझने के लिए SQL में सामान्य CRUD कमांड से आगे बढ़ें। यदि आप इसे एक्सेल के साथ आगे बढ़ाना चाहते हैं, तो सीखें कि डेटा विश्लेषण टूलपैक का उपयोग कैसे करें और मैक्रोज़ कैसे बनाएं।
- समझें कि समय श्रृंखला डेटा कैसे काम करता है और जानें कि स्रोतों से डेटा कैसे प्राप्त करें और अपने सीखने को आगे बढ़ाने के लिए समय श्रृंखला पूर्वानुमान कैसे बनाएं।
अक्सर, आप उन लोगों में से एक होंगे जो बहुत सारे उपकरण सीखेंगे और मध्यवर्ती स्तर पर हर चीज में महारत हासिल कर लेंगे।
मैं आपको अत्यधिक अनुशंसा करूंगा कि आप अपना क्षेत्र खोजें और उसमें आगे बढ़ें। डेटा विज्ञान की दुनिया में ज्ञान की मात्रा और प्रतिस्पर्धा के साथ, अपना स्थान ढूंढने का प्रयास करें और सुनिश्चित करें कि आप अपने अद्वितीय कौशल के साथ प्रतिस्पर्धा में अपनी पहचान बना सकें।
चरण III: आप पहले से ही किसी उद्योग में विशेषज्ञ हैं लेकिन अब आप डेटा साइंस में शुरुआत करना चाहते हैं!
ऐसे लोग हैं जिन्हें मैं जानता हूं जो डेटा साइंस का हिस्सा बनने का निर्णय लेने से पहले अपने जीवन में अद्भुत पदों पर रहे हैं। किसी विशेष उद्योग में लंबे समय तक काम करने के बाद करियर में बदलाव की इच्छा होना स्वाभाविक है और कुछ चीजें हैं जो मैंने उन लोगों से ली हैं जिन्हें मैं जानता हूं जो समान स्थिति में रहे हैं और इस मामले में आपकी मदद कर सकते हैं।
इस मामले में ध्यान देने योग्य बातें:
- एक बार जब आप किसी विशेष उद्योग में पेशेवर बन जाते हैं, तो यह जीवन विकल्पों में बदलाव या कौशल बढ़ाने की मांग के कारण हो सकता है, जो आपको डेटा साइंस में लाता है।
- किसी भी मामले में, डेटा साइंस में प्रबंधन भूमिकाओं में उद्योग में भारी कॉर्पोरेट अनुभव वाले किसी व्यक्ति को पाकर खुशी होगी
- किसी उद्योग में अपने मौजूदा ज्ञान के साथ डेटा साइंस में अपस्किलिंग सबसे अच्छी चीजों में से एक हो सकती है जो आपके करियर परिवर्तन के साथ हो सकती है। डेटा साइंस, कंप्यूटर विज्ञान के साथ-साथ टूल और तकनीकों पर भी काम करता है, लेकिन डोमेन ज्ञान पर बहुत अधिक निर्भर करता है।
- पर्याप्त डोमेन ज्ञान के साथ, आप पहले से ही किए जा रहे डेटा से अधिक के लिए डेटा की शक्ति का उपयोग करके अपने क्षेत्र में एक डेटा वैज्ञानिक बन सकते हैं
- उद्योग-विशिष्ट KPI और मेट्रिक्स को डेटा साइंस के साथ और अधिक विकसित और स्वचालित किया जा सकता है और आपके लिए नए दरवाजे भी खोल सकते हैं।
- अपने शस्त्रागार में डेटा विज्ञान उपकरणों के अतिरिक्त ज्ञान के साथ, आप अपने क्षेत्र में प्रशिक्षक बन सकते हैं और उभरते डेटा वैज्ञानिकों की मदद कर सकते हैं। संभावनाएं असीमित हैं.
- इस चरण में सीखने के लिए उपकरण और कौशल वही हैं जो इस लेख में पहले बताए गए चरण I और चरण II में किए जा रहे थे।
किसी भी स्थिति में, डेटा विज्ञान सीखना और अपने पेशे के क्षेत्र में बने रहना सबसे अच्छा है क्योंकि आज दुनिया जिस तरह से डेटा विज्ञान में परिवर्तित हो रही है। आप जो कुछ भी करते हैं, कर सकते हैं, उसमें डेटा शामिल है, और अपने निर्णय लेने में उसका उपयोग करने से आपके निर्णय बहुत बेहतर हो जाएंगे।
डेटा विज्ञान की दुनिया में परिवर्तन करना कठिन है, इसलिए नहीं कि इसमें नौकरी पाना कठिन है, बल्कि इसलिए क्योंकि बहुत सारे लोग इसके लिए प्रतिस्पर्धा कर रहे हैं। अवसर हर कोई देखता है और लोग जानते हैं कि डेटा ही भविष्य है और डेटा विज्ञान भी।
जो कोई भी डेटा साइंस में पहले से ही कुशल है, उसके लिए बने रहें, मेरे पास इस लेख का एक और भाग होगा जहां हम चर्चा करेंगे कि आप डेटा साइंस में पेशेवर से विशेषज्ञ तक कैसे जा सकते हैं।
यश गुप्ता एक डेटा साइंस उत्साही और बिजनेस विश्लेषक, फ्रीलांस तकनीकी लेखक और मीडियम डॉट कॉम पर एक ब्लॉगर हैं। वह आसानी से उपयोग किए जाने वाले तरीके से बड़े दर्शकों के साथ डेटा विज्ञान ज्ञान साझा करने में रुचि रखते हैं। वह अपने ज्ञान को उन सभी के साथ साझा करना चाहता है जो डेटा का उतना ही आनंद लेते हैं जितना वह करता है। वह हर दिन कुछ नया सीखने की कोशिश करता है और उभरते डेटा उत्साही लोगों को उनकी यात्रा में मार्गदर्शन करना पसंद करता है।
मूल। अनुमति के साथ पुनर्प्रकाशित।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोआईस्ट्रीम। Web3 डेटा इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- मिंटिंग द फ्यूचर डब्ल्यू एड्रिएन एशले। यहां पहुंचें।
- PREIPO® के साथ PRE-IPO कंपनियों में शेयर खरीदें और बेचें। यहां पहुंचें।
- स्रोत: 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
- :हैस
- :है
- :नहीं
- :कहाँ
- 13
- 7
- a
- About
- में तेजी लाने के
- अतिरिक्त
- उन्नत
- बाद
- आगे
- कलन विधि
- एल्गोरिदम
- अकेला
- पहले ही
- भी
- हमेशा
- am
- अद्भुत
- राशि
- an
- विश्लेषण
- विश्लेषक
- विश्लेषिकी
- और
- अन्य
- कोई
- किसी
- दृष्टिकोण
- दृष्टिकोण
- हैं
- शस्त्रागार
- लेख
- AS
- At
- दर्शक
- स्वचालित
- पृष्ठभूमि
- आधारित
- मूल बातें
- BE
- क्योंकि
- बन
- किया गया
- से पहले
- शुरू करना
- पीछे
- जा रहा है
- BEST
- बेहतर
- परे
- बड़ा
- आशीर्वाद
- बढ़ावा
- लाता है
- नवोदित
- व्यापार
- लेकिन
- by
- कॉल
- कर सकते हैं
- कैरियर
- मामला
- परिवर्तन
- जाँच
- विकल्प
- सफाई
- निकट से
- कोडन
- कॉलेज
- COM
- संयोजन
- कैसे
- अ रहे है
- प्रतियोगिता
- अंग
- कंप्यूटर
- संकल्पना
- कनेक्शन
- जारी रखने के
- कॉर्पोरेट
- युगल
- दरार
- cs
- तिथि
- डेटा विश्लेषण
- डेटा विज्ञान
- आँकड़े वाला वैज्ञानिक
- डेटा पर ही आधारित
- डेटासेट
- दशक
- निर्णय लेने से
- निर्णय
- निर्णय
- मांग
- निर्भर करता है
- विकसित
- विभिन्न
- मुश्किल
- चर्चा करना
- do
- कर देता है
- डोमेन
- डोमेन
- किया
- दरवाजे
- संदेह
- से प्रत्येक
- पूर्व
- शीघ्र
- प्रयास
- पर्याप्त
- सरगर्म
- उत्साही
- पूरी तरह से
- आदि
- ईथर (ईटीएच)
- और भी
- अंत में
- प्रत्येक
- हर रोज़
- हर कोई
- सब कुछ
- एक्सेल
- मौजूदा
- विशेषज्ञ
- अनावरण
- कारकों
- आकर्षक
- लग रहा है
- कुछ
- खेत
- खोज
- खोज
- अंत
- प्रथम
- फोकस
- का पालन करें
- के लिए
- पूर्वानुमान
- मुक्त
- फ्रीलांस
- से
- आगे
- मिल
- Go
- विकास
- मार्गदर्शन
- लटकना
- होना
- दोहन
- है
- he
- भारी
- mmmmm
- मदद
- मदद करता है
- यहाँ उत्पन्न करें
- अत्यधिक
- उसके
- आशा
- कैसे
- How To
- HTTPS
- i
- मैं करता हूँ
- पहचान करना
- if
- ii
- की छवि
- तुरंत
- महत्वपूर्ण
- in
- उद्योग
- रुचि
- मध्यवर्ती
- में
- शामिल
- IT
- आईटी इस
- काम
- जुड़ती
- यात्रा
- केवल
- केडनगेट्स
- जानना
- ज्ञान
- भाषाऐं
- बड़ा
- देर से
- जानें
- सीख रहा हूँ
- स्तर
- पुस्तकालयों
- जीवन
- पसंद
- लिंक्डइन
- तार्किक
- लंबा
- लंबे समय तक
- देखिए
- लॉट
- मशीन
- यंत्र अधिगम
- मैक्रोज़
- बनाना
- प्रबंध
- बहुत
- बुहत सारे लोग
- निशान
- जनता
- गणित
- matplotlib
- मध्यम
- मानसिक
- उल्लेख किया
- मेट्रिक्स
- हो सकता है
- ML
- महीने
- अधिक
- चाल
- बहुत
- प्राकृतिक
- आवश्यकता
- की जरूरत है
- कभी नहीँ
- नया
- नहीं
- साधारण
- अभी
- संख्या
- numpy
- of
- की पेशकश
- अक्सर
- on
- ONE
- केवल
- खुला
- खुला स्रोत
- उद्घाटन
- राय
- अवसर
- अवसर
- or
- आदेश
- बवाल
- अन्य
- आउट
- के ऊपर
- अपना
- पांडा
- भाग
- विशेष
- विशेष रूप से
- धैर्य
- रोगी
- स्टाफ़
- अनुमति
- टुकड़े
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- खेल
- स्थिति
- पदों
- संभावनाओं
- संभव
- बिजली
- मुख्य
- प्रति
- प्रक्रिया
- व्यवसाय
- पेशेवर
- प्रोग्रामिंग
- प्रोग्रामिंग की भाषाएँ
- धक्का
- पहेली
- अजगर
- योग्य
- कारण
- की सिफारिश
- सम्बंधित
- प्रासंगिक
- सड़क
- भूमिकाओं
- s
- वही
- कहना
- विज्ञान
- विज्ञान
- वैज्ञानिक
- वैज्ञानिकों
- समुद्र में रहनेवाला
- देखना
- देखकर
- देखा
- खंड
- भावना
- कई
- Share
- बांटने
- चाहिए
- पक्ष
- समान
- कौशल
- कुशल
- कौशल
- छोटा
- So
- समाधान ढूंढे
- कुछ
- कोई
- कुछ
- खट्टा
- सूत्रों का कहना है
- एसक्यूएल
- ट्रेनिंग
- प्रारंभ
- आँकड़े
- रहना
- छड़ी
- कहानी कहने
- अध्ययन
- विषय
- स्विच
- झाँकी
- लेना
- लेता है
- तकनीकी
- तकनीक
- कहना
- से
- कि
- RSI
- दुनिया
- लेकिन हाल ही
- फिर
- सैद्धांतिक
- वहाँ।
- इन
- वे
- चीज़ें
- विचारधारा
- इसका
- हालांकि?
- तीन
- पहर
- समय श्रृंखला
- सेवा मेरे
- आज
- भी
- साधन
- उपकरण
- छुआ
- की ओर
- संक्रमण
- संक्रमण
- ट्रस्ट
- समझना
- समझ
- अद्वितीय
- असीमित
- उपयोग
- प्रयुक्त
- का उपयोग
- बहुत
- विचारों
- दृश्यों
- करना चाहते हैं
- चाहता है
- था
- मार्ग..
- we
- webp
- क्या
- एचएमबी क्या है?
- जब कभी
- जब
- कौन
- पूरा का पूरा
- क्यों
- मर्जी
- इच्छाओं
- बधाई
- साथ में
- काम
- व्यायाम
- काम कर रहे
- कार्य
- विश्व
- होगा
- लेखक
- इसलिए आप
- आपका
- जेफिरनेट