डेटा साइंस में करियर स्विच करने से पहले इसे पढ़ें - केडीनगेट्स

लेखक द्वारा छवि
 

आप इसे इसलिए पढ़ रहे हैं क्योंकि आप महत्वाकांक्षी डेटा वैज्ञानिकों की श्रेणी में शामिल होने के बारे में सोच रहे हैं। और आपको कौन दोषी ठहरा सकता है? डेटा साइंस एक बढ़ता हुआ क्षेत्र है, यहां तक ​​कि हार्वर्ड बिजनेस रिव्यू से कुख्यात "सेक्सिएस्ट जॉब" की प्रशंसा के एक दशक बाद भी। वर्तमान में अमेरिकी श्रम सांख्यिकी ब्यूरो भविष्यवाणी 35 से 2022 तक डेटा वैज्ञानिकों के लिए रोजगार दर 2032 प्रतिशत बढ़ जाएगी। इसकी तुलना औसत नौकरी वृद्धि दर से करें, जो केवल 5 प्रतिशत है।

इसके लिए अन्य चीजें भी चल रही हैं:

• यह अच्छी तरह से भुगतान किया गया है (फिर से, बीएलएस पाया 103 में औसत वेतन $2022k)
• यह जीवन की उच्च गुणवत्ता (औसत नौकरी से संबंधित खुशी से अधिक) के साथ आता है अनुसार कैरियर एक्सप्लोरर के लिए)
• हालिया दौर के बावजूद नौकरी की सुरक्षा है छंटनी - क्योंकि भूमिका की बहुत मांग है

इसलिए मैदान में उतरने की चाहत के कई कारण हैं।

 

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

लेकिन डेटा साइंस एक बहुत व्यापक क्षेत्र है, जिसमें कई अलग-अलग नौकरी शीर्षक और कौशल सेट हैं जिन्हें आपको शुरू करने से पहले जानना आवश्यक है। यह आलेख आपको उन विभिन्न दिशाओं के बारे में मार्गदर्शन देगा, जिन पर आप जा सकते हैं, और डेटा विज्ञान में प्रवेश पाने के लिए आपको क्या जानने की आवश्यकता है।

में एक सफल परिवर्तन करने के लिए डेटा साइंस करियर, आपको एक संरचित दृष्टिकोण का पालन करना होगा:

• अपना आकलन करें डेटा विज्ञान कौशल और अंतरालों की पहचान करें.
• उन क्षेत्रों में व्यावहारिक अनुभव प्राप्त करें जहां आप कमजोर हैं।
• नेटवर्क। डेटा विज्ञान समूहों में शामिल हों, मीटअप में भाग लें और मंचों में योगदान करें।

आइए गहराई से गोता लगाएँ।

अपनी प्रारंभिक स्थिति का आकलन करें

आप पहले से क्या जानते हैं और इसे डेटा विज्ञान में कैसे लागू किया जा सकता है? इस बारे में सोचें: आपके पास कोई प्रोग्रामिंग ज्ञान, सांख्यिकीय कौशल, या डेटा विश्लेषण अनुभव।

इसके बाद, अपने कौशल में कमियों की पहचान करें, विशेष रूप से डेटा विज्ञान के लिए आवश्यक कमियों की। एसक्यूएल वास्तव में जरूरी है, लेकिन पायथन या आर प्रोग्रामिंग, उन्नत सांख्यिकी, मशीन लर्निंग और डेटा विज़ुअलाइज़ेशन भी बेहद फायदेमंद हैं।

एक बार जब आप इन कमियों को पहचान लें, तो उन्हें भरने के लिए प्रासंगिक शिक्षा या प्रशिक्षण लें। यह व्यावहारिक, हाथों से सीखने पर ध्यान देने के साथ ऑनलाइन पाठ्यक्रम, विश्वविद्यालय कार्यक्रम, बूटकैंप या स्व-अध्ययन के माध्यम से हो सकता है।

अनुभवी हाथ

आपको केवल वीडियो देखना और ब्लॉग पोस्ट नहीं पढ़ना चाहिए। डेटा विज्ञान में व्यावहारिक अनुभव महत्वपूर्ण है। उन परियोजनाओं में संलग्न रहें जो आपको अपने नए कौशल को वास्तविक दुनिया के परिदृश्यों में लागू करने की अनुमति देती हैं। यह व्यक्तिगत परियोजनाएँ, ओपन-सोर्स प्लेटफ़ॉर्म में योगदान, या कागल जैसी डेटा प्रतियोगिताओं में भागीदारी हो सकती है।

यदि आपके पास कुछ बुनियादी शुरुआती कौशल हैं, तो आप उद्योग का अनुभव हासिल करने के लिए इंटर्नशिप या फ्रीलांस काम करने पर विचार कर सकते हैं।

सबसे महत्वपूर्ण बात, अपनी सभी परियोजनाओं और अनुभवों को एक पोर्टफोलियो में दर्ज करें, आपकी समस्या-समाधान प्रक्रिया, आपके द्वारा उपयोग की जाने वाली तकनीकों और आपके काम के प्रभाव पर प्रकाश डालना।

नेटवर्क

डेटा विज्ञान में प्रवेश अक्सर इस बात पर निर्भर करता है कि आप क्या जानते हैं, इसके अलावा आप किसे जानते हैं। नए रुझानों के बारे में जानने के लिए सलाहकार खोजें, मीटअप, सम्मेलनों और कार्यशालाओं में भाग लें और स्टैक ओवरफ्लो, गिटहब या रेडिट जैसे ऑनलाइन डेटा विज्ञान समुदायों में शामिल हों। ये प्लेटफ़ॉर्म आपको दूसरों से सीखने, अपना ज्ञान साझा करने और डेटा विज्ञान समुदाय में ध्यान आकर्षित करने की अनुमति देते हैं।

यदि आप चाहते हैं शुरू से ही एक डेटा वैज्ञानिक बनें, एक पेड़ के रूप में विकसित होने के लिए आपको जिन कौशलों की आवश्यकता होगी, उनके बारे में सोचना समझ में आता है। ऐसे "ट्रंक" कौशल हैं जो प्रत्येक डेटा विज्ञान कार्य के लिए सामान्य हैं, और फिर प्रत्येक विशेषता में "शाखा" कौशल होते हैं जो अधिक से अधिक विशिष्ट भूमिकाओं में शाखाएँ जारी रखते हैं।

प्रत्येक डेटा वैज्ञानिक को तीन मुख्य कौशलों की आवश्यकता होती है, चाहे वे किसी भी दिशा में जाएं:

SQL का उपयोग करके डेटा हेरफेर/झगड़ा

डेटा विज्ञान मूल रूप से बड़े डेटासेट को संभालने और व्यवस्थित करने तक सीमित है। ऐसा करने के लिए, आपको SQL जानना आवश्यक है। यह है la डेटा हेरफेर और हेरफेर के लिए आवश्यक उपकरण।

 

लेखक द्वारा छवि

सॉफ्ट स्किल्स

डेटा विज्ञान शून्य में नहीं होता है। आपको दूसरों के साथ अच्छा व्यवहार करने की ज़रूरत है, जिसका अर्थ है अपने सॉफ्ट कौशल को निखारना। जटिल डेटा निष्कर्षों को गैर-तकनीकी हितधारकों तक स्पष्ट और समझने योग्य तरीके से संप्रेषित करने में सक्षम होना तकनीकी कौशल जितना ही महत्वपूर्ण है। इनमें प्रभावी संचार, समस्या-समाधान और व्यावसायिक कौशल शामिल हैं।

समस्या-समाधान जटिल डेटा चुनौतियों से निपटने में मदद करता है, जबकि व्यावसायिक कौशल यह सुनिश्चित करता है कि डेटा-संचालित समाधान संगठनात्मक लक्ष्यों के साथ संरेखित हों।

लगातार सीखने की प्रवृत्ति

डेटा विज्ञान उस स्थिति से भिन्न है जहां यह पांच साल पहले भी था। जरा देखें कि 2018 की तुलना में आज हम एआई के साथ कहां हैं। नए उपकरण, तकनीक और सिद्धांत लगातार उभर रहे हैं। इसीलिए आपको नवीनतम विकास के साथ अपडेट रहने और क्षेत्र में नई प्रौद्योगिकियों और पद्धतियों को अपनाने के लिए निरंतर सीखने की मानसिकता की आवश्यकता है।

आपको सीखने और अनुकूलन के लिए आत्म-प्रेरणा की आवश्यकता होगी, साथ ही नए ज्ञान और कौशल प्राप्त करने के लिए एक सक्रिय दृष्टिकोण की भी आवश्यकता होगी।

हालाँकि, जैसा कि मैंने ऊपर बताया है, सामान्य कौशल होते हैं, प्रत्येक भूमिका के लिए अपने विशिष्ट कौशल सेट की आवश्यकता होती है। (याद रखें? शाखाएँ।) उदाहरण के लिए, सांख्यिकीय विश्लेषण, पायथन/आर में प्रोग्रामिंग कौशल और डेटा विज़ुअलाइज़ेशन सभी डेटा विज्ञान में अधिक विशिष्ट नौकरियों के लिए विशिष्ट हैं।

 

लेखक द्वारा छवि
 

आइए प्रत्येक डेटा विज्ञान-आसन्न भूमिका का विश्लेषण करें ताकि आप देख सकें कि आपको क्या चाहिए।

व्यवसाय/डेटा विश्लेषक

हाँ, यह एक डेटा विज्ञान भूमिका है! भले ही नकारने वाले असहमत हों, फिर भी मेरा मानना ​​है कि यदि आप डेटा साइंस करियर ट्रैक में आने का लक्ष्य बना रहे हैं तो कम से कम आप इसे एक कदम के रूप में मान सकते हैं।

एक व्यवसाय या डेटा विश्लेषक के रूप में, आप डेटा अंतर्दृष्टि और व्यावसायिक रणनीति के बीच अंतर को पाटने के प्रभारी हैं। यह उन लोगों के लिए बिल्कुल सही है जिनके पास व्यावसायिक जरूरतों को समझने और उन्हें डेटा-संचालित समाधानों में अनुवाद करने की क्षमता है।

मुख्य कौशल के रूप में, आपको इसकी आवश्यकता होगी बिजनेस इंटेलिजेंस - इसमें कोई आश्चर्य नहीं -, मजबूत विश्लेषणात्मक कौशल, डेटा क्वेरी भाषाओं में दक्षता, मुख्य रूप से एसक्यूएल. इस भूमिका में, पायथन और आर वैकल्पिक हैं क्योंकि मुख्य कार्य डेटा को व्यवस्थित करना है।

प्रत्येक श्रेणी के लिए अलग विज़ुअलाइज़ेशन घटक लेकिन आपके काम के आधार पर, इसका मतलब टेबल्यू में डैशबोर्ड या एक्सेल में ग्राफ़ बनाना हो सकता है।

डेटा विश्लेषण

यह भूमिका कार्रवाई योग्य अंतर्दृष्टि प्रदान करने के लिए डेटा की व्याख्या करने पर केंद्रित है। यदि आप संख्याओं को कहानियों और व्यावसायिक रणनीतियों में अनुवाद करने का आनंद लेते हैं तो यह आपके लिए बहुत अच्छा काम है।

आपको एक मजबूत हैंडल की आवश्यकता होगी सांख्यिकीय विश्लेषण और डेटा विज़ुअलाइज़ेशन - हालाँकि फिर भी, ये झांकी डैशबोर्ड और/या एक्सेल ग्राफ़ हो सकते हैं)। आपको इसमें दक्षता की भी आवश्यकता होगी विश्लेषिकी उपकरण पसंद एक्सेल, टेबलौ और एसक्यूएल. पायथन/आर एक बार फिर वैकल्पिक है, लेकिन याद रखें कि वे वास्तव में सांख्यिकी और स्वचालन को लागू करने में मदद कर सकते हैं।

मशीन लर्निंग

मशीन लर्निंग वैज्ञानिक डेटा-संचालित भविष्यवाणियां या निर्णय लेने के लिए पूर्वानुमानित मॉडल और एल्गोरिदम विकसित करते हैं। ये भूमिकाएँ उन लोगों के लिए उपयुक्त हैं जिनकी एआई और मॉडल निर्माण में गहरी रुचि है।

मूल कौशल के बारे में कोई आश्चर्य नहीं: आपको इसकी आवश्यकता होगी एल्गोरिदम की गहरी समझ, TensorFlow और PyTorch जैसे मशीन लर्निंग फ्रेमवर्क के साथ अनुभव और मजबूत प्रोग्रामिंग कौशल. पाइथॉन और/या आर अब वैकल्पिक नहीं बल्कि अनिवार्य हैं।

डाटा इंजीनियरिंग

इस भूमिका में आपका ध्यान डेटा पाइपलाइनों की वास्तुकला, प्रबंधन और रखरखाव पर केंद्रित है। यह उन व्यक्तियों के लिए उपयुक्त है जो डेटा प्रवाह और भंडारण के प्रबंधन और अनुकूलन की तकनीकी चुनौतियों का आनंद लेते हैं।

इस नौकरी में आने के लिए, आपको ई की आवश्यकता होगीडेटाबेस प्रबंधन, ईटीएल प्रक्रियाओं में विशेषज्ञता और Hadoop और Spark जैसी बड़ी डेटा प्रौद्योगिकियों में दक्षता। आपको भी आवश्यकता होगी डेटा पाइपलाइन स्वचालन में दक्षता एयरफ़्लो जैसी तकनीकों का उपयोग करना।

व्यवसाय ज्ञान

बिजनेस इंटेलिजेंस में, यह सब विज़ुअलाइज़ेशन बनाने के बारे में है। यह कहानीकारों और मजबूत व्यावसायिक समझ रखने वाले लोगों के लिए बहुत अच्छा है।

आपको Tableau और Qlik जैसी डैशबोर्डिंग तकनीकों में निपुण होने की आवश्यकता होगी क्योंकि ये वे उपकरण हैं जिनका उपयोग आप अपने विज़ुअलाइज़ेशन बनाने के लिए करेंगे। डैशबोर्ड के प्रदर्शन को तेज़ बनाने वाली डेटा क्वेरी को अनुकूलित करने में सहायता के लिए आपको डेटा हेरफेर कौशल (पढ़ें: SQL कौशल) की भी आवश्यकता होगी।

जैसा कि मैंने लेख में पहले उल्लेख किया है, डेटा विज्ञान एक तेजी से विकसित होने वाला क्षेत्र है। नई नौकरियाँ और भूमिकाएँ हर समय खुल रही हैं। अपने वृक्ष सादृश्य पर वापस जाने के लिए, मैं इसे मुख्य डेटा विज्ञान ट्रंक में जोड़ी जा रही नई शाखाओं के रूप में सोचना पसंद करता हूँ। अब क्लाउड इंजीनियर, SQL विशेषज्ञ, DevOps भूमिकाएँ और बहुत कुछ हैं - सभी अभी भी उस डेटा साइंस ट्रैक से जुड़े हुए हैं। इसलिए यह आलेख उन दिशाओं का एक संक्षिप्त विवरण प्रदान करता है जिन पर आप डेटा विज्ञान के साथ आगे बढ़ सकते हैं।

इससे भी अधिक, आपको यह भी याद रखना चाहिए कि डेटा विज्ञान उस छह-अंकीय वेतन से जुड़ी चुनौतियों के साथ आता है। सीखने की एक तीव्र अवस्था है, और सीखना वास्तव में कभी समाप्त नहीं होता है। नई प्रौद्योगिकियां, रुझान और उपकरण सभी तेजी से और कठिन रूप से आते हैं - और यदि आप अपनी नौकरी बनाए रखना चाहते हैं, तो आपको बने रहना होगा।

इतना कहा जा रहा है कि यह एक बेहतरीन करियर विकल्प है। मैंने आपकी बेल्ट के अंतर्गत जिन तीन मुख्य दक्षताओं का उल्लेख किया है, उनमें से आप किसी को भी लेने के लिए अच्छी तरह से सुसज्जित होंगे डेटा विज्ञान भूमिका जो आपको अच्छा लगता है.
 
 

नैट रोसीडि एक डेटा वैज्ञानिक और उत्पाद रणनीति में है। वह एनालिटिक्स पढ़ाने वाले एक सहायक प्रोफेसर भी हैं, और के संस्थापक हैं स्ट्रैट स्क्रैच, शीर्ष कंपनियों के वास्तविक साक्षात्कार प्रश्नों के साथ डेटा वैज्ञानिकों को उनके साक्षात्कार के लिए तैयार करने में मदद करने वाला एक मंच। उसके साथ जुड़ें ट्विटर: स्ट्रैट स्क्रैच or लिंक्डइन.

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: 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