7 कारण जिनकी वजह से आपको डेटा वैज्ञानिक नहीं बनना चाहिए - केडीनगेट्स

संपादक द्वारा छवि
 

क्या आप एक महत्वाकांक्षी डेटा वैज्ञानिक हैं? यदि हां, तो संभावना है कि आपने ऐसे कई लोगों को देखा या सुना होगा जिन्होंने सफलतापूर्वक डेटा साइंस करियर की ओर रुख किया है। और आप भी किसी दिन स्विच करने की उम्मीद कर रहे हैं।

डेटा वैज्ञानिक के रूप में काम करने में कई रोमांचक बातें हैं। तुम कर सकते हो:

• सभी डोमेन में हस्तांतरणीय हार्ड और सॉफ्ट कौशल का निर्माण करें 
• डेटा के साथ कहानियां बताएं 
• डेटा के साथ व्यावसायिक प्रश्नों के उत्तर दें
• व्यावसायिक समस्याओं का प्रभावशाली समाधान बनाएँ 

और भी बहुत कुछ। यह सब सुनने में जितना रोमांचक लगता है, एक डेटा वैज्ञानिक बनना उतना ही चुनौतीपूर्ण है, यदि अधिक नहीं। लेकिन उनमें से कुछ चुनौतियाँ क्या हैं? 

चलो अंदर चलो

जब आप अपने कोडिंग और तकनीकी कौशल पर काम कर रहे होंगे, तो संभवतः आप अकेले काम करने में सहज महसूस करेंगे। लेकिन एक डेटा वैज्ञानिक के रूप में, आपको सहयोग और संचार को प्राथमिकता देनी चाहिए। क्योंकि डेटा साइंस डेटा को उलझाने और अलग-अलग नंबरों को तोड़ने-मरोड़ने के बारे में नहीं है। 

आपको अन्य पेशेवरों के साथ सहयोग करने की आवश्यकता है - न केवल एक ही टीम में बल्कि अक्सर कई टीमों में। इसलिए विविध टीमों और हितधारकों के साथ सहयोग करने की आपकी क्षमता आपके तकनीकी कौशल जितनी ही महत्वपूर्ण है। 

इसके अलावा, आपको व्यावसायिक नेताओं सहित गैर-तकनीकी हितधारकों को अपने निष्कर्षों और अंतर्दृष्टि को संप्रेषित करने में भी सक्षम होना चाहिए।

निशा आर्य अहमदएक डेटा वैज्ञानिक और तकनीकी लेखक, साझा करते हैं:

“एक डेटा विज्ञान टीम में, आप प्रत्येक कार्य, उनकी ज़िम्मेदारी और यह सब एक साथ कैसे काम करता है, इस पर अन्य डेटा विज्ञान पेशेवरों के साथ सहयोग करेंगे। यह महत्वपूर्ण है क्योंकि आप पहले से किए गए काम को दोहराना नहीं चाहते हैं और अधिक समय और संसाधनों का उपयोग नहीं करना चाहते हैं। इसके अलावा, डेटा पेशेवर ही एकमात्र ऐसे लोग नहीं हैं जिनके साथ आपको सहयोग करना होगा, आप उत्पाद, विपणन और अन्य हितधारकों सहित एक क्रॉस-फ़ंक्शनल टीम का हिस्सा होंगे।

- निशा आर्य अहमद, डेटा वैज्ञानिक और तकनीकी लेखिका

यदि आप उन लोगों में से हैं जिन्हें परियोजनाओं पर काम करना, उन्हें पूरा करना और उन्हें उत्पादन में भेजना पसंद है, तो हो सकता है कि आपको डेटा विज्ञान एक पुरस्कृत करियर न लगे।

यद्यपि आप उद्देश्यों के एक सेट के साथ एक परियोजना शुरू करते हैं - परिष्कृत और पुनरावृत्त रूप से बेहतर - आपको अक्सर संगठन के व्यावसायिक लक्ष्यों में बदलाव के रूप में परियोजनाओं का दायरा बदलना होगा। शायद, हितधारकों को एक नई आशाजनक दिशा दिख रही है।

इसलिए आपको परियोजनाओं के दायरे को प्रभावी ढंग से दोबारा प्राथमिकता देनी होगी और संशोधित करना होगा। और सबसे खराब स्थिति में, यदि आवश्यक हो तो अपना प्रोजेक्ट छोड़ दें। 

इसके अलावा, शुरुआती चरण के स्टार्टअप में, आपको अक्सर कई टोपी पहननी होंगी। इसलिए आपका काम मॉडल निर्माण के साथ समाप्त नहीं होता है। यहां तक ​​कि अगर आप मशीन लर्निंग मॉडल को उत्पादन में तैनात करने का प्रबंधन करते हैं, तो भी आपको अपने मॉडल के प्रदर्शन की निगरानी करनी होगी, बहाव पर ध्यान देना होगा, आवश्यकतानुसार मॉडल को वापस लाना और फिर से प्रशिक्षित करना होगा।

आबिद अली अवनीकेडीनगेट्स में लेखक, संपादक और डेटा वैज्ञानिक, साझा करते हैं:

“यदि आप किसी कंपनी में काम करते हैं, तो आपको अक्सर कई टीमों के बीच स्विच करना पड़ सकता है और एक साथ विभिन्न परियोजनाओं पर काम करना पड़ सकता है। हालाँकि, जिन परियोजनाओं पर आप काम करते हैं उनमें से अधिकांश का उत्पादन भी संभव नहीं हो सकता है। 

क्योंकि कंपनी की प्राथमिकताएँ बदल सकती हैं या परियोजनाओं का प्रभाव पर्याप्त महत्वपूर्ण नहीं हो सकता है। टीमों और परियोजनाओं के बीच लगातार स्विच करना थका देने वाला हो सकता है, और आपको यह पता नहीं चल पाएगा कि आप किसमें योगदान दे रहे हैं।''

- आबिद अली अवान, लेखक, संपादक और केडनगेट्स में डेटा वैज्ञानिक

इसलिए डेटा विज्ञान परियोजनाओं पर काम करना एक रैखिक शुरुआत से अंत तक की प्रक्रिया नहीं है जहां आप एक परियोजना को पूरा करते हैं और अगले पर आगे बढ़ते हैं। 

दो अलग-अलग संगठनों में एक डेटा वैज्ञानिक के जीवन का एक दिन पूरी तरह से अलग हो सकता है। डेटा साइंटिस्ट, मशीन लर्निंग इंजीनियर और एमएलओपीएस इंजीनियर की भूमिकाओं में अक्सर बहुत अधिक ओवरलैपिंग कार्यक्षमता होती है।

मान लीजिए कि आप एक डेटा वैज्ञानिक हैं जो पूर्वानुमानित मॉडल बनाने में बहुत रुचि रखते हैं। और आपको अपनी रुचि के संगठन में एक डेटा वैज्ञानिक की भूमिका मिल गई है। 

हालाँकि, यदि आप अपना पूरा दिन स्प्रेडशीट में संख्याएँ खंगालने और रिपोर्ट बनाने में बिताते हैं तो आश्चर्यचकित न हों। या SQL का उपयोग करके डेटाबेस से डेटा खींचना। आप सोच सकते हैं कि SQL के साथ डेटा को उलझाना और व्यावसायिक प्रश्नों के उत्तर ढूंढना डेटा विश्लेषक की भूमिका के लिए बेहतर होगा।

जबकि कुछ अन्य मामलों में, आप मॉडल के निर्माण और उत्पादन में तैनात करने, बहाव की निगरानी करने और आवश्यकतानुसार मॉडल को फिर से प्रशिक्षित करने के प्रभारी हो सकते हैं। इस मामले में, आप एक डेटा वैज्ञानिक हैं जो एक वैज्ञानिक की टोपी भी पहनता है एमएलओपीएस इंजीनियर. 

आइए सुनें कि डेटा करियर में भूमिका की तरलता के बारे में आबिद का क्या कहना है:

“मैं हमेशा “डेटा साइंटिस्ट” कहलाने को लेकर उलझन में रहता हूँ। इसका मतलब भी क्या है? क्या मैं डेटा विश्लेषक, बिजनेस इंटेलिजेंस इंजीनियर, मशीन लर्निंग इंजीनियर, एमएलओपीएस इंजीनियर, या उपरोक्त सभी हूँ? यदि आप किसी छोटी कंपनी या स्टार्टअप में काम कर रहे हैं तो कंपनी के भीतर आपकी भूमिका बदलती रहती है। हालाँकि, बड़े संगठनों में भूमिकाओं के बीच स्पष्ट अंतर हो सकता है। लेकिन यह इस बात की गारंटी नहीं देता कि भूमिका पूरी तरह से परिभाषित है। आप एक डेटा वैज्ञानिक हो सकते हैं; लेकिन आप जो बहुत सारा काम करते हैं वह शायद ऐसी विश्लेषण रिपोर्ट तैयार करना होगा जो व्यावसायिक लक्ष्यों के अनुरूप हो।'

- आबिद अली अवान, लेखक, संपादक और केडनगेट्स में डेटा वैज्ञानिक

एक डेटा वैज्ञानिक के रूप में, आपको तकनीकी रूप से दिलचस्प लेकिन कम प्रासंगिक परियोजनाओं को आगे बढ़ाने के बजाय उन परियोजनाओं की ओर प्रयास करना चाहिए जिनका व्यवसाय पर सबसे महत्वपूर्ण प्रभाव पड़ता है। इस प्रयोजन के लिए, व्यावसायिक उद्देश्यों को समझना निम्नलिखित कारणों से महत्वपूर्ण है:

• व्यावसायिक उद्देश्यों को समझने से आप संगठन की बदलती जरूरतों के आधार पर अपनी परियोजनाओं को अनुकूलित और पुन: प्राथमिकता दे सकते हैं।
• डेटा विज्ञान परियोजना की सफलता अक्सर व्यवसाय पर इसके प्रभाव से मापी जाती है। इसलिए व्यावसायिक उद्देश्यों की अच्छी समझ किसी परियोजना की सफलता का मूल्यांकन करने, तकनीकी पहलुओं को ठोस व्यावसायिक परिणामों से जोड़ने के लिए एक स्पष्ट रूपरेखा प्रदान करती है।

मैथ्यू मेयोकेडीनगेट्स के प्रधान संपादक और डेटा वैज्ञानिक, व्यावसायिक परिणामों के प्रति उदासीनता की लागत साझा करते हैं:

“एक डेटा वैज्ञानिक के रूप में, यदि आप व्यावसायिक उद्देश्यों के प्रति उदासीन हैं तो आप लेजर पॉइंटर का पीछा करने वाली बिल्ली की तरह हो सकते हैं - आप खुद को अति सक्रिय और लक्ष्यहीन पाएंगे, संभवतः कुछ भी अधिक मूल्यवान हासिल नहीं कर पाएंगे। व्यावसायिक लक्ष्यों को समझना और उन्हें व्यवसाय से डेटा स्पीक में अनुवाद करने में सक्षम होना महत्वपूर्ण कौशल हैं, जिसके बिना आप सबसे परिष्कृत, अप्रासंगिक मॉडल बनाने में अपना समय लगा सकते हैं। एक निर्णय वृक्ष जो काम करता है वह हर दिन एक अत्याधुनिक विफलता को मात देता है!”

- मैथ्यू मेयो, प्रधान संपादक और डेटा वैज्ञानिक, केडनगेट्स

इस संबंध में निशा का क्या कहना है:

“आप जो कुछ भी करते हैं, उसके पीछे आपको एक कारण की आवश्यकता होती है। यह आपका इरादा है, जो आपके कार्य से पहले आता है। जब डेटा की दुनिया की बात आती है, तो व्यवसाय और चुनौतियों को समझना अनिवार्य है। इसके बिना, आप इस प्रक्रिया में भ्रमित ही रहेंगे। डेटा विज्ञान परियोजना में आपके द्वारा उठाए गए प्रत्येक कदम के साथ, आप उन उद्देश्यों का उल्लेख करना चाहेंगे जो परियोजना को प्रेरित करते हैं। 

- निशा आर्य अहमद, डेटा वैज्ञानिक और तकनीकी लेखिका

इसलिए, डेटा विज्ञान केवल संख्याओं को कम करने और जटिल मॉडल बनाने के बारे में नहीं है। यह व्यावसायिक सफलता के लिए डेटा का लाभ उठाने के बारे में अधिक है। 

व्यावसायिक उद्देश्यों की ठोस समझ के बिना, आपकी परियोजनाएँ उन व्यावसायिक समस्याओं से भटक सकती हैं जिन्हें उन्हें हल करना है - जिससे उनका मूल्य और प्रभाव दोनों कम हो सकते हैं।

मॉडल बनाना रोमांचक है. हालाँकि, उस तक पहुँचने का रास्ता उतना दिलचस्प नहीं हो सकता है। 

आप अपने समय का बड़ा हिस्सा खर्च करने की उम्मीद कर सकते हैं:

• डेटा एकत्र करना 
• उपयोग करने के लिए डेटा के सबसे प्रासंगिक उपसमूह की पहचान करना
• डेटा को विश्लेषण के लिए उपयुक्त बनाने के लिए उसे साफ़ करना 

अब यह ऐसा काम है जो अति रोमांचक नहीं है। अक्सर, आपको मशीन लर्निंग मॉडल बनाने की भी आवश्यकता नहीं होती है। एक बार जब आपके पास डेटाबेस में डेटा हो, तो आप प्रश्नों के उत्तर देने के लिए SQL का उपयोग कर सकते हैं। ऐसी स्थिति में आपको मशीन लर्निंग मॉडल बनाने की भी आवश्यकता नहीं है।

यहां आबिद अपने विचार साझा कर रहे हैं कि कैसे महत्वपूर्ण काम अक्सर दिलचस्प नहीं होते:

“एक ही काम को बार-बार करना कठिन हो सकता है। अक्सर, आपको डेटा साफ़ करने का काम सौंपा जा सकता है, जो काफी कठिन हो सकता है, खासकर जब विविध डेटासेट के साथ काम कर रहे हों। इसके अतिरिक्त, डेटा सत्यापन और लेखन इकाई परीक्षण जैसे कार्य उतने रोमांचक नहीं हो सकते हैं लेकिन आवश्यक हैं।

- आबिद अली अवान, लेखक, संपादक और केडनगेट्स में डेटा वैज्ञानिक

इसलिए एक सफल डेटा विज्ञान करियर के लिए आपको डेटा के साथ काम करने की प्रक्रिया का आनंद लेना होगा - जिसमें अच्छा, बुरा और बदसूरत भी शामिल है। क्योंकि डेटा विज्ञान डेटा से मूल्य प्राप्त करने के बारे में है। जो अक्सर शानदार मॉडल बनाने के बारे में नहीं है।

एक डेटा वैज्ञानिक के रूप में, आप (शायद) कभी भी उस बिंदु तक नहीं पहुंच पाएंगे जहां आप कह सकें कि आपने यह सब सीख लिया है। आपको क्या और कितना सीखने की जरूरत है यह इस बात पर निर्भर करता है कि आप किस पर काम कर रहे हैं।

यह सीखने और आगे बढ़ने के लिए एक नई रूपरेखा का उपयोग करने जैसा काफी सरल कार्य हो सकता है। या कुछ अधिक कठिन, जैसे कि बेहतर सुरक्षा और प्रदर्शन के लिए मौजूदा कोडबेस को रस्ट जैसी भाषा में स्थानांतरित करना। तकनीकी रूप से मजबूत होने के अलावा, आपको आवश्यकतानुसार फ्रेमवर्क, टूल और प्रोग्रामिंग भाषाओं को तेजी से सीखने और बेहतर बनाने में सक्षम होना चाहिए। 

इसके अलावा, यदि आवश्यक हो तो आपको डोमेन और व्यवसाय के बारे में अधिक जानने के लिए तैयार रहना चाहिए। इसकी बहुत अधिक संभावना नहीं है कि आप अपने डेटा साइंस करियर के दौरान एक ही डोमेन में काम करेंगे। उदाहरण के लिए, आप स्वास्थ्य सेवा में डेटा वैज्ञानिक के रूप में शुरुआत कर सकते हैं, फिर फिनटेक, लॉजिस्टिक्स और अन्य क्षेत्रों में जा सकते हैं।

ग्रेजुएट स्कूल के दौरान, मुझे स्वास्थ्य देखभाल में मशीन लर्निंग पर काम करने का अवसर मिला - एक रोग निदान परियोजना पर। मैंने हाई स्कूल के बाद कभी भी जीवविज्ञान नहीं पढ़ा। इसलिए पहले कुछ सप्ताह विशिष्ट बायोमेडिकल संकेतों की तकनीकीताओं की खोज करने के बारे में थे - उनके गुण, विशेषताएं और बहुत कुछ। इससे पहले कि मैं रिकॉर्ड्स की प्रीप्रोसेसिंग के लिए आगे बढ़ूं, ये बेहद महत्वपूर्ण थे।

कंवल महरीनएक तकनीकी लेखिका अपना अनुभव हमारे साथ साझा करती हैं:

"आप उस एहसास को जानते हैं जब आप अंततः एक नया कौशल सीखते हैं और सोचते हैं, "आह, यह बात है, मैं अच्छा हूँ"? खैर, डेटा विज्ञान में, वह क्षण वास्तव में कभी नहीं आता है। यह क्षेत्र लगातार नई प्रौद्योगिकियों, उपकरणों और पद्धतियों के उभरने के साथ विकसित हो रहा है। इसलिए यदि आप ऐसे व्यक्ति हैं जो एक निश्चित बिंदु तक पहुंचना पसंद करते हैं जहां सीखना पीछे छूट जाता है, तो डेटा साइंस करियर सबसे उपयुक्त नहीं हो सकता है। 

इसके अलावा, डेटा साइंस सांख्यिकी, प्रोग्रामिंग, मशीन लर्निंग और डोमेन ज्ञान का एक सुंदर मिश्रण है। यदि स्वास्थ्य देखभाल से लेकर वित्त और विपणन तक विभिन्न क्षेत्रों की खोज करने का विचार आपको उत्साहित नहीं करता है, तो आप अपने करियर में खोया हुआ महसूस कर सकते हैं।

- कंवल महरीन, तकनीकी लेखक

इसलिए एक डेटा वैज्ञानिक के रूप में आपको लगातार सीखने और कौशल बढ़ाने से कभी पीछे नहीं हटना चाहिए।

हमने पहले ही एक डेटा वैज्ञानिक होने की कई चुनौतियों की रूपरेखा तैयार कर ली है, जिनमें शामिल हैं:

• कोडिंग और मॉडल निर्माण के तकनीकी कौशल से परे जाना
• डोमेन और व्यावसायिक उद्देश्यों को समझना 
• प्रासंगिक बने रहने के लिए लगातार सीखना और कौशल बढ़ाना 
• शाब्दिक अर्थों में परियोजनाओं को पूरा करने की चिंता किए बिना सक्रिय रहना 
• पुनः प्राथमिकता देने, पीछे हटने और परिवर्तन करने के लिए तैयार रहना
• वो काम करना जो उबाऊ तो ​​है लेकिन जरूरी है 

किसी भी अन्य तकनीकी भूमिका की तरह, कठिन हिस्सा है नहीं डेटा वैज्ञानिक के रूप में नौकरी पाना। यह एक सफल डेटा विज्ञान कैरियर का निर्माण कर रहा है।

मैथ्यू मेयो ने उपयुक्त रूप से संक्षेप में बताया है कि एक डेटा वैज्ञानिक के रूप में आपको इन चुनौतियों को कैसे स्वीकार करना चाहिए:

“क्या आप एक आरामदेह करियर की तलाश में हैं, जहां आप अपना काम शुरू करते ही सीखना छोड़ सकें और नवीनतम उपकरणों, युक्तियों और तकनीकों के बारे में कभी चिंतित न हों? खैर, डेटा विज्ञान के बारे में भूल जाओ! एक डेटा पेशेवर के रूप में एक शांत कैरियर की उम्मीद करना, केवल कॉकटेल छाता और एक आशावादी दृष्टिकोण के साथ, मानसून के दौरान सूखी सैर की उम्मीद करने के समान है। 

यह क्षेत्र तकनीकी पहेलियों और गैर-तकनीकी पहेलियों का एक नॉन-स्टॉप रोलर कोस्टर है: एक दिन आप एल्गोरिदम में गहराई से गोता लगा रहे हैं, और अगले दिन आप अपने निष्कर्षों को किसी ऐसे व्यक्ति को समझाने की कोशिश कर रहे हैं जो सोचता है कि प्रतिगमन एक वापसी है व्यवहार की बच्चों जैसी स्थिति. लेकिन रोमांच इन चुनौतियों में निहित है, और यही हमारे कैफीन-युक्त दिमागों का मनोरंजन करता है। 

यदि आपको चुनौतियों से एलर्जी है, तो आपको बुनाई में अधिक आराम मिल सकता है। लेकिन अगर आप अभी भी डेटा बाढ़ के साथ टकराव से पीछे नहीं हटे हैं, तो डेटा विज्ञान आपके लिए बस एक कप हो सकता है... कॉफ़ी।"

- मैथ्यू मेयो, प्रधान संपादक और डेटा वैज्ञानिक, केडनगेट्स

आइए इस पर कंवल के विचार सुनें:

“आइए इस तथ्य का सामना करें: डेटा विज्ञान हमेशा एक आसान काम नहीं होता है। डेटा हमेशा साफ-सुथरे और व्यवस्थित पैकेज में नहीं आता है। आपका डेटा ऐसा लग सकता है जैसे यह किसी तूफान से गुजरा हो, जो अधूरा, असंगत या गलत भी हो सकता है। विश्लेषण के लिए इसकी प्रासंगिकता सुनिश्चित करने के लिए इस डेटा की सफाई और प्रीप्रोसेसिंग चुनौतीपूर्ण हो सकती है।

बहु-विषयक क्षेत्र में काम करते समय, आपको गैर-तकनीकी हितधारकों के साथ बातचीत करनी पड़ सकती है। उन्हें तकनीकी अवधारणाएँ समझाना और वे अपने उद्देश्यों के साथ कैसे तालमेल बिठाते हैं, यह वास्तव में चुनौतीपूर्ण हो सकता है।

इसलिए, यदि आप ऐसे व्यक्ति हैं जो स्पष्ट, सीधा करियर पथ पसंद करते हैं, तो डेटा साइंस करियर आपके लिए बाधाओं से भरा हो सकता है।

- कंवल महरीन, तकनीकी लेखक

इसलिए डेटा विज्ञान केवल गणित और मॉडल के बारे में नहीं है; यह डेटा से निर्णय तक जाने के बारे में है। और इस प्रक्रिया में, आपको हमेशा सीखने और कौशल बढ़ाने, व्यावसायिक उद्देश्यों और बाजार की गतिशीलता को समझने और बहुत कुछ करने के लिए तैयार रहना चाहिए।

यदि आप एक चुनौतीपूर्ण करियर की तलाश में हैं जिसे आप लचीलेपन के साथ आगे बढ़ाना चाहते हैं, तो डेटा साइंस वास्तव में आपके लिए एक अच्छा करियर विकल्प है। अन्वेषण में आनंद आया!

मैं डेटा साइंस करियर के कई पहलुओं पर अपनी अंतर्दृष्टि साझा करने के लिए मैथ्यू, आबिद, निशा और कंवल को धन्यवाद देता हूं। और इस लेख को और अधिक रोचक और मनोरंजक बनाने के लिए पढ़ें!
 
 

बाला प्रिया सी भारत के एक डेवलपर और तकनीकी लेखक हैं। वह गणित, प्रोग्रामिंग, डेटा विज्ञान और सामग्री निर्माण के क्षेत्र में काम करना पसंद करती है। उनकी रुचि और विशेषज्ञता के क्षेत्रों में DevOps, डेटा विज्ञान और प्राकृतिक भाषा प्रसंस्करण शामिल हैं। उसे पढ़ना, लिखना, कोडिंग और कॉफ़ी पसंद है! वर्तमान में, वह सीखने पर काम कर रही है और ट्यूटोरियल, कैसे-कैसे मार्गदर्शिकाएँ, राय के टुकड़े और बहुत कुछ लिखकर डेवलपर समुदाय के साथ अपना ज्ञान साझा कर रही है।

• 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/7-reasons-why-you-shouldnt-become-a-data-scientist?utm_source=rss&utm_medium=rss&utm_campaign=7-reasons-why-you-shouldnt-become-a-data-scientist