Hogyan lehet áttérni az adattudományra más háttérből?

Bing Image Creator
 

Ha Ön nem számítástechnikai háttérrel rendelkezik, akkor tudja, mekkora munka az adattudomány világában végzett munka. Az adattudomány lehetőségei sok embert megkívánnak, de mivel az adattudomány annyira új a világ számára (nem telt el több mint egy évtized!), nagyon kevés olyan ember van, aki szervesen alkalmas arra, hogy az adattudomány normái szerint legyen adattudós. a vállalati világ.

Ez az iparág növekedést és lehetőségeket kiált, és ez az egyik fő oka annak, hogy valaki át akar lépni az adattudomány világába, bár egészen más háttérből érkezik.

Jegyzet: Azon kevesek közé tartozom, akik tudják, hogy a Data Science valakinek beválik, nem pedig CS-háttérből, és remélem, hogy ez a cikk segít megtalálni az útmutatást, amelyre szüksége van az utazás fellendítéséhez.

 

 

Ebben a cikkben áttekintjük, hogyan kell megközelítenie a Data Science-t, mint karrierváltást három különböző szegmens alapján:

• Annak, akinek van soha nem érintett az adattudományhoz szorosan kapcsolódó témát Főiskolán.
• Valaki számára nem CS háttérrel, de néhány releváns témával az adattudományhoz kapcsolódóan és aki adattudós akar lenni, miért ne?

Annak, aki már volt régóta dolgozik egy iparágban, de most szeretne váltani az adattudomány lenyűgöző és ijesztő világába.

Jegyzet: Ebben a cikkben a véleményem kizárólag az enyém, nyugodtan fogalmazzon meg saját véleményt vagy megközelítést az átállással kapcsolatban. A legjobbakat kívánom.

 

Menjünk bele rögtön.

I. szakasz: Ön nem kapcsolódik szorosan az adattudományhoz, de szeretne belekerülni.

Nos, ebben az esetben azt mondanám, hogy az egyetlen erőfeszítés, amit meg kell tennie, az a mentális, és sok türelem kell hozzá. Kétségtelen, hogy az adattudomány nagyon technikai téma, és sok számot foglal magában.

PS Próbálja meg először ezt ellenőrizni, hogy megállapítsa, mi az az út, amelyet követni kell ahhoz, hogy a Data Science terén elérje sikerét. Ezután továbbléphet, és megértheti azokat a dolgokat, amelyeket meg kell jegyeznie, hogy felgyorsítsa utazását!

Kezdd itt:

 

Amit ebben az esetben érdemes megjegyezni:

• Az adattudomány ugyanolyan, mint bármely más tantárgy, bármikor elkezdheti tanulni, amikor csak időt talál rá.
• Mindig elég korán van, soha nem késő elkezdeni.
• Az adattudomány a számítástechnika, a statisztika, a főiskolai szintű matematika, a sok logikus gondolkodás és a programozási nyelvek kombinációja más használható eszközökkel.
• Mutassa be készségeit az egyes területeken (vagy különösen azon, amelyen profivá szeretne válni), és tudjon meg többet mindegyikről.
• Ha az analitikába szeretnél belevágni, told a statisztikai ismereteidet és az adattisztítást stb. (Tanulja meg az Excelt, amennyit csak tud, áldás a kis adathalmazokban végzett elemzésekhez, és a legjobb eszköz kezdésnek)
• A Data Viz esetében próbálja meg megtanulni a Tableau-t, a PowerBI-t stb., de ugyanakkor megértse, hogyan működnek a vizualizációk, és hogyan készíthet jobb látványelemeket és irányítópultokat.
• Elsősorban a tanulás első 2 hónapjában összpontosítson ezeknek a sorrendben való elsajátítására – Excel, SQL, Tableau, és ha az idő engedi, a Python alapjai.

 

 

Ezzel átléphet a II. szakaszba, és onnan folytathatja a tanulást.

Megjegyzés: Ez időbe telhet, ha még új a Data Science területén, ezért csak türelmesnek kell lennie, és bíznia kell a folyamatban. Sikerülni fog!

II. szakasz: Kapcsolódott néhány adattudományi tárgyhoz, de nem foglalkozott vele teljesen.

Ez az enyémhez hasonló szakasz volt, és elmondhatom, hogy az adattudomány tanulmányozása nagy erőfeszítést igényel. Ez sok tényezőtől függ, ahogy végül látni fogod, de nem túl nehéz, ahogy a világ megnyitja az ajtókat a nyílt forráskódú tanulás előtt, és tudást kínál mindenkinek, aki erre vágyik (még akkor is, ha nem CS-ből származik háttér).

Amit ebben az esetben érdemes megjegyezni:

• Az adattudomány nehéz terület, ha megpróbáljuk egészében nézni. Csak kezdjen el minden olyan összetevőt látni, amelyre összpontosítani szeretne, mint a nagy kirakós darabjait, és minden rendben lesz.
• Ha a Data Science Data Viz oldalán szeretne elidőzni, összpontosítson az irányítópultok és adatkapcsolatok működésének megértésére, és tanulja meg az adattörténet-mesélést.
• Ha valaki szeretne bekerülni a gépi tanulásba, próbálja meg megérteni, hogyan kell Pythonnal vagy R-vel dolgozni, ha a Pythont választja – tanuljon meg olyan könyvtárakat, mint a NumPy, Pandas, Scikit Learn, SciPy, Matplotlib és Seaborn.
• Ismerje meg az ML mögött meghúzódó elméleti koncepciót, hogy jobban megértse az algoritmusait. Időbe telhet, de a folyamat megértése sokkal fontosabb, mint egy kiváló minőségű ML algoritmus kódolása.
• Ha az elemzési oldalát szeretné előmozdítani, tanulja meg a következtetési statisztikákat, és ismerje meg, hogyan használhatók fel az adatok adatvezérelt megoldások létrehozására. Ismerje meg, hogyan dolgozhat strukturálatlan adatokkal, és hogyan tisztíthatja meg a lehető legtöbb adatkészletet.
• Lépjen túl az SQL normál CRUD-parancsain, hogy tökéletesen megértse, hogyan működik a JOINS, és hogyan kell dolgozni a MySQL/PostgreSQL-lel. Ha Excellel szeretné továbbítani, tanulja meg az Adatelemző eszköztár használatát és a makrók készítését.
• Ismerje meg az idősoros adatok működését, és tudja, hogyan vonhat le adatokat a forrásokból, és hogyan készíthet idősor-előrejelzéseket a tanulás elősegítése érdekében.

 

 

Leggyakrabban azon tömegek közé tartozol, akik sok eszközt megtanulnak, és középszinten mindenhez hozzájutnak.

Nagyon ajánlom, hogy találja meg a rést, és haladjon előre. Az adattudományi világban hatalmas tudás és verseny miatt próbálja megtalálni a rést, és győződjön meg róla, hogy egyedi képességeivel megtalálja a helyét a versenyben.

III. szakasz: Ön már profi egy iparágban, de most szeretné elkezdeni az adattudományt!

Ismerek olyan embereket, akik elképesztő pozíciókban voltak életük során, mielőtt úgy döntöttek, hogy a Data Science részei akarnak lenni. Természetes, hogy egy adott iparágban eltöltött hosszú idő után szeretne karriert váltani, és van néhány dolog, amit olyan ismerőseimtől szereztem be, akik hasonló helyzetben voltak, és segíthetnek ebben az esetben.

Amit ebben az esetben érdemes megjegyezni:

• Ha már profi egy adott iparágban, az lehet, hogy az életválasztásban bekövetkezett változás vagy a továbbképzési igény miatt kerülhet a Data Science-hez.
• Mindenesetre a Data Science vezetői szerepkörei jobban örülnének, ha valaki komoly vállalati kitettséggel rendelkezik az iparágban
• Az adattudományi ismeretek bővítése az adott iparágban meglévő tudásával az egyik legjobb dolog, ami a karrierje során történhet. A Data Science, miközben a számítástechnikával, valamint az eszközökkel és technikákkal játszik, nagymértékben támaszkodik a tartományi ismeretekre.
• Elegendő területi tudás birtokában adattudós lehet a szakterületén, ha az adatok erejét többre használja ki, mint amit már megtett.
• Az iparág-specifikus KPI-k és metrikák továbbfejleszthetők és automatizálhatók a Data Science segítségével, és új ajtókat nyithatnak meg Ön előtt.
• Az adattudományi eszközökkel kapcsolatos további ismeretekkel a fegyvertárában oktatókká válhat a szakterületén, és segíthet a kezdő adattudósoknak. A lehetőségek korlátlanok.
• Az ebben a szakaszban elsajátítandó eszközök és készségek ugyanazok, mint a cikkben korábban említett I. és II. szakaszban.

Mindenesetre a legjobb, ha adattudományt tanulsz, és ragaszkodsz a szakterületedhez, mert a világ manapság átmenetben van az adattudományba. Minden, amit tesz, megtehet, és ha adatokat használ, és ezeket felhasználja a döntéshozatalban, sokkal jobbá teszi a döntéseit.

Nem azért nehéz áttérni az adattudomány világába, mert nehéz ott elhelyezkedni, hanem azért, mert nagyon sokan versengenek érte. A lehetőségeket mindenki látja, és az emberek tudják, hogy -Az adat a jövő - és a Data Science is.

Azok számára, akik már azonnal jártasak az adattudományban, maradjon velünk, ehhez a cikkhez egy másik rész is érkezik, amelyben megvitatjuk, hogyan válhat profiból az adattudomány szakértőjévé.

 
 
Yash Gupta adattudomány-rajongó és üzleti elemző, szabadúszó műszaki író és blogger a Medium.com-on. Érdekli az adattudományi ismeretek megosztása nagyobb közönséggel, könnyen fogyasztható módon. Tudását mindenkivel meg kívánja osztani, aki legalább annyira élvezi az adatokat, mint ő. Minden nap igyekszik valami újat tanulni, és szereti útjukon kalauzolni a kezdő adatrajongókat.

 
eredeti. Engedéllyel újra közzétéve.
 

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
• A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
• Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
• Forrás: 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