Olvassa el ezt, mielőtt karriert váltana az adattudományra - KDnuggets

Újra kiadta Platón

Követő: 0

Olvassa el ezt, mielőtt karriert váltana az adattudományra
A kép szerzője

Azért olvassa ezt, mert azon gondolkodik, hogy csatlakozzon a törekvő adattudósok soraihoz. És ki hibáztathat? Az adattudomány egyre növekvő terület, még egy évtizeddel a Harvard Business Review hírhedt „legszexibb munkája” elismerése után is. Jelenleg az Egyesült Államok Munkaügyi Statisztikai Hivatala jósolja az adatkutatók foglalkoztatási rátája 35 százalékkal nő 2022-ről 2032-re. Hasonlítsuk össze az átlagos munkahely-növekedési rátával, amely mindössze 5 százalék.

Más dolgok is járnak rá:

Jól fizetett (ismét a BLS talált 103 2022 dollár medián fizetés XNUMX-ben)
Magas életminőséggel jár (az átlagosnál magasabb munkahelyi boldogság szerint a Career Explorerhez)
A legutóbbi forduló ellenére a munkahely biztonsága megvan elbocsátások – mert nagy az igény a szerepre

Rengeteg okunk van tehát a pályára törni.

Olvassa el ezt, mielőtt karriert váltana az adattudományra
Forrás: https://www.bls.gov/ooh/math/data-scientists.html

Az adattudomány azonban nagyon tág terület, sok különböző munkakörrel és készségekkel, amelyeket ismernie kell, mielőtt elkezdi. Ez a cikk végigvezeti Önt a különböző irányokon, és azt, hogy mit kell tudnia az adattudományba való bejutáshoz.

A sikeres átmenethez a adattudományi karrier, you’ll need to follow a structured approach:

Mérje fel a adattudományi készségek és azonosítani a hiányosságokat.
Szerezzen gyakorlati tapasztalatokat azokon a területeken, ahol gyenge.
Hálózat. Csatlakozzon adattudományi csoportokhoz, vegyen részt találkozókon, és vegyen részt fórumokon.

Merüljünk mélyebbre.

Mérje fel kiinduló pozícióját

Mit tudsz már, és hogyan alkalmazható az adattudományban? Gondoljon a következőkre: bármilyen programozási tudása, statisztikai készsége vagy adatelemzési tapasztalata.

Ezután azonosítsa készségeinek hiányosságait, különösen azokat, amelyek elengedhetetlenek az adattudományhoz. Az SQL valóban kötelező, de a Python vagy R programozás, a fejlett statisztika, a gépi tanulás és az adatvizualizáció is rendkívül előnyös.

Once you’ve pinpointed these gaps, seek relevant education or training to fill them. This could be through online courses, university programs, bootcamps, or self-study, with a focus on practical, hands-on learning.

Gyakorlati tapasztalat

Nem szabad csak videókat nézni és blogbejegyzéseket olvasni. A gyakorlati tapasztalat kulcsfontosságú az adattudományban. Vegyen részt olyan projektekben, amelyek lehetővé teszik új készségeinek valós helyzetekben való alkalmazását. Ezek lehetnek személyes projektek, nyílt forráskódú platformokhoz való hozzájárulások vagy adatversenyeken való részvétel, például a Kaggle-n.

Ha rendelkezik néhány alapvető kezdő készséggel, érdemes lehet gyakorlati hely vagy szabadúszó munka keresésére, hogy iparági tapasztalatot szerezzen.

A legfontosabb, dokumentálja minden projektjét és tapasztalatát egy portfólióban, kiemelve a problémamegoldó folyamatot, az alkalmazott technikákat és a munkád hatását.

Hálózat

Az adattudományba való betörés gyakran azon múlik, hogy kiket ismer, azon túl, hogy mit tud. Keressen mentorokat, vegyen részt találkozókon, konferenciákon és workshopokon, hogy megismerje az új trendeket, és vegyen részt olyan online adattudományi közösségekben, mint a Stack Overflow, a GitHub vagy a Reddit. Ezek a platformok lehetővé teszik, hogy másoktól tanuljon, megossza tudását, és észrevegye az adattudományi közösségen belül.

Ha azt szeretnénk, hogy legyen a nulláról adattudós, ésszerű fának tekinteni azokat a készségeket, amelyeket fejlesztenie kell. Vannak „törzs” készségek, amelyek minden adattudományi munkára jellemzőek, majd minden szakterületnek vannak „ágazati” készségei, amelyek egyre több speciális szerepkörbe ágaznak ki.

Három fő készségre van szüksége minden adatkutatónak, függetlenül attól, hogy milyen irányba halad:

Adatmanipuláció/Vantatás SQL használatával

Az adattudomány alapvetően nagy adathalmazok kezelésében és rendszerezésében merül ki. Ehhez ismernie kell az SQL-t. Ez a nélkülözhetetlen eszköz az adatkezeléshez és a vitatkozáshoz.

Olvassa el ezt, mielőtt karriert váltana az adattudományra
A kép szerzője

Lágy készségek

Az adattudomány nem légüres térben történik. Kedvesen kell játszanod másokkal, ami azt jelenti, hogy fejleszted a puha készségeidet. Az összetett adatmegállapítások világos és érthető módon történő kommunikálása a nem műszaki érdekelt felekkel ugyanolyan fontos, mint a technikai készségek. Ide tartozik a hatékony kommunikáció, a problémamegoldás és az üzleti érzék.

A problémamegoldás segít az összetett adatkihívások kezelésében, míg az üzleti hozzáértés biztosítja, hogy az adatvezérelt megoldások összhangban legyenek a szervezeti célokkal.

Állandó tanulási attitűd

Az adattudomány más, mint ahol öt évvel ezelőtt volt. Csak nézze meg, hol tartunk ma a mesterséges intelligencia terén 2018-hoz képest. Folyamatosan új eszközök, technikák és elméletek jelennek meg. Ezért van szüksége egy folyamatos tanulási gondolkodásmódra, hogy naprakész legyen a legújabb fejlesztésekkel, és alkalmazkodjon az új technológiákhoz és módszerekhez a területen.

Önmotivációra lesz szüksége a tanuláshoz és az alkalmazkodáshoz, valamint proaktív megközelítésre az új ismeretek és készségek megszerzéséhez.

Bár vannak közös készségek, amint azt fentebb vázoltam, minden szerepkör megköveteli a saját specifikus készségkészletét. (Emlékszel? Ágazatok.) Például a statisztikai elemzés, a Python/R programozási ismeretek és az adatvizualizáció mind az adattudomány speciálisabb munkáira jellemző.

Olvassa el ezt, mielőtt karriert váltana az adattudományra
A kép szerzője

Bontsuk le az egyes adattudományokkal szomszédos szerepköröket, hogy lássa, mire van szüksége.

Üzleti/adatelemző

Igen, ez egy adattudományi szerep! Még ha az ellenzők nem is értenek egyet, akkor is úgy gondolom, hogy legalább lépcsőfokként kezelheti, ha az adattudományi karrier pályájára szeretne bekerülni.

Üzleti vagy adatelemzőként Ön felelős az adatbetekintések és az üzleti stratégia közötti szakadék áthidalásáért. Tökéletes azok számára, akik értik az üzleti igényeket, és azokat adatvezérelt megoldásokká alakítják át.

Alapkészségekként szüksége lesz rá üzleti intelligencia – nincs meglepetés –, erős elemző készség, adatlekérdező nyelvek ismerete, túlnyomórészt SQL. Ebben a szerepkörben a Python és az R nem kötelező, mert a fő feladat az adatok vitája.

Van egy vizualizációs komponens de munkakörétől függően ez azt is jelentheti, hogy irányítópultokat készíthet Tableau-ban vagy grafikonokat Excelben.

Adatelemzés

Ez a szerepkör az adatok értelmezésére összpontosít, hogy gyakorlati betekintést nyújtson. Ez egy nagyszerű munka az Ön számára, ha szereti a számokat történetekké és üzleti stratégiákká alakítani.

Határozott fogantyúra lesz szüksége statisztikai elemzés és adatvizualizáció – bár ezek lehetnek tablóműszerfalak és/vagy Excel-grafikonok). Ebben is jártasságra lesz szükséged elemzési eszközök mint Excel, Tableau és SQL. A Python/R ismét nem kötelező, de ne feledje, hogy valóban segíthet a statisztikák és az automatizálás megvalósításában.

Gépi tanulás

A gépi tanulással foglalkozó tudósok prediktív modelleket és algoritmusokat fejlesztenek adatvezérelt előrejelzések vagy döntések meghozatalához. Ezek a szerepek azok számára alkalmasak, akik erősen érdeklődnek az AI és a modellépítés iránt.

Az alapkészségeket illetően nincs meglepetés: szüksége lesz a az algoritmusok alapos ismerete, a gépi tanulási keretrendszerekkel (például TensorFlow és PyTorch) szerzett tapasztalat, valamint erős programozási ismeretek. A Python és/vagy az R már nem kötelező, de kötelező.

Adattechnika

Ez a szerepkör az adatfolyamok architektúrájára, kezelésére és karbantartására összpontosít. Jól illeszkedik azok számára, akik élvezik az adatáramlás és -tárolás kezelésének és optimalizálásának technikai kihívásait.

Ahhoz, hogy ebbe a munkába kerüljön, szüksége lesz pljártasság az adatbázis-kezelésben, az ETL-folyamatokban, valamint jártasság az olyan big data technológiákban, mint a Hadoop és a Spark. Neked is szükséged lesz adatfolyam-automatizálásban való jártasság olyan technológiák használatával, mint az Airflow.

Üzleti intelligencia

Az üzleti intelligencia területén minden a vizualizációk felépítéséről szól. Mesemondók és erős üzleti érzékkel rendelkező emberek számára nagyszerű.

Profinak kell lennie az olyan irányítópult-technológiákban, mint a Tableau és a Qlik, mivel ezeket az eszközöket fogja használni a vizualizációk elkészítéséhez. Adatkezelési készségekre (olvasható: SQL-ismeretekre) is szüksége lesz az adatlekérdezések optimalizálásához, amelyek felgyorsítják az irányítópult teljesítményét.

Ahogy a cikkben korábban említettem, az adattudomány gyorsan fejlődő terület. Folyamatosan nyílnak új állások és szerepek. Visszatérve a fa hasonlatához, szeretem azt gondolni, hogy új ágak kerülnek a fő adattudományi törzsbe. Jelenleg felhőmérnökök, SQL-specialisták, DevOps-szerepek és még sok más – mindegyik továbbra is kapcsolódik ehhez az adattudományi pályához. Tehát ez a cikk csak egy rövid áttekintést nyújt azokról az irányokról, amelyeket az adattudományban követhet.

Sőt, emlékeznie kell arra is, hogy az adattudomány kihívásokkal jár a hat számjegyű fizetéshez. Nagyon meredek a tanulási görbe, és a tanulás valójában soha nem ér véget. Az új technológiák, trendek és eszközök gyorsan és nehezen jönnek – és ha meg akarja tartani a munkáját, lépést kell tartania.

Mindezek ellenére ez egy nagyszerű karrierlehetőség. A három fő kompetenciával, amelyeket az öv alatt említettem, jól felkészült lesz arra, hogy bármelyiket elvállalja adattudományi szerepkör ami vonz téged.

Nate Rosidi adattudós és termékstratégia. Emellett analitikát tanító adjunktus, és az alapítója StrataScratch, egy platform, amely segíti az adattudósokat az interjúkra való felkészülésben a vezető cégektől származó valódi interjúkérdések segítségével. Kapcsolatba lépni vele Twitter: StrataScratch or LinkedIn.