Bing Image Creator
אם אתה מרקע שאינו מדעי המחשב, אתה יודע את כמות העבודה שזה, לפצח עבודה בעולם של Data Science. ההזדמנויות של Data Science מצריכות הרבה אנשים, אך מכיוון ש-Data Science הוא כל כך חדש בעולם (לא חלף יותר מעשור!), יש מעט מאוד אנשים בעלי הסמכה אורגנית להיות מדעני נתונים לפי הנורמות של עולם התאגידים.
התעשייה הזו צועקת צמיחה והזדמנויות וזו אחת הסיבות העיקריות לכך שמישהו ירצה לעבור לעולם של Data Science אם כי מגיע מרקע שונה מאוד.
הערה: אני אחד הבודדים שיודעים ש-Data Science יכול לעבוד עבור מישהו, לא מרקע של CS ואני מקווה שמאמר זה יעזור לך למצוא את ההדרכה הדרושה לך כדי להגביר את המסע שלך.
במאמר זה, נעבור על האופן שבו עליך לגשת ל-Data Science כמעבר קריירה בהתבסס על שלושה פלחים שונים:
- למי שיש לו מעולם לא נגע בשום נושא הקשור קשר הדוק ל-Data Science במכללה.
- למישהו מ רקע שאינו מדעי המחשב אבל עם כמה נושאים רלוונטיים הקשורים למדעי הנתונים ומי רוצה להיות מדען נתונים למה לא?
למי שהיה עובד בתעשייה הרבה זמן אבל עכשיו רוצה לעבור לעולם המרתק והמרתיע של Data Science.
הערה: הדעות במאמר זה הן שלי בלבד, אל תהסס לחוות דעה משלך או גישות משלך לקראת המעבר. אני מאחל לך את הטוב ביותר.
בואו ניכנס לזה ישר.
שלב I: אתה לא קשור קשר הדוק ל-Data Science אבל אתה רוצה להיכנס לזה.
ובכן, במקרה הזה, הייתי אומר שהמאמץ היחיד שתפעיל הוא נפשי וזה דורש הרבה סבלנות. אין ספק ש-Data Science הוא נושא מאוד טכני וכולל הרבה מספרים.
נ.ב. נסה לבדוק את זה קודם, כדי לזהות מהי הדרך ללכת כדי לעשות את זה גדול ב-Data Science. לאחר מכן תוכל להמשיך הלאה ולהבין את הדברים שאתה צריך לשים לב כדי להאיץ את המסע שלך!
דברים שכדאי לשים אליהם לב במקרה זה:
- Data Science הוא בדיוק כמו כל נושא אחר, אתה תמיד יכול להתחיל ללמוד אותו בכל פעם שאתה מוצא את הזמן.
- זה תמיד מוקדם מספיק, אף פעם לא מאוחר מדי להתחיל.
- Data Science הוא שילוב של מדעי המחשב, סטטיסטיקה, מתמטיקה ברמת המכללה, הרבה חשיבה לוגית ושפות תכנות עם כלים אחרים שבהם אתה יכול להשתמש.
- תאר את המיומנות שלך בכל אחד מהתחומים (או במיוחד זה שאתה רוצה להיות בו מקצוען) והמשיך ללמוד עוד על כל אחד מהם.
- אם אתה רוצה להיכנס לניתוח, דחף את הידע שלך בסטטיסטיקה וגם ניקוי נתונים וכו'. (למד את Excel כמה שאתה יכול, זו ברכה לניתוח במערכי נתונים קטנים והכלי הטוב ביותר מלכתחילה)
- עבור Data Viz, נסה ללמוד Tableau, PowerBI וכו', אך במקביל, הבן כיצד עובדות הדמיות ואיך אתה יכול ליצור ויזואליות ודשבורדים טובים יותר.
- בעיקר במשך החודשיים הראשונים של הלמידה שלך, התמקד בלימוד אלה באותו סדר - Excel, SQL, Tableau, ואם הזמן מאפשר, יסודות Python.
עם זה, אתה יכול לעבור לשלב II ולהמשיך ללמוד משם.
הערה: זה ייקח זמן אם אתה חדש ב-Data Science, אז רק צריך להיות סבלני ולסמוך על התהליך. זה יעבוד!
שלב ב': היית קשור לכמה נושאים במדעי הנתונים אבל לא התעסקת בזה לגמרי.
זה היה שלב דומה לשלי ואני יכול לומר לך שנדרש מאמץ לא קטן כדי ללמוד מדע נתונים. זה תלוי בהרבה גורמים כפי שתראו בסופו של דבר, אבל זה לא מאוד קשה עם האופן שבו העולם פותח דלתות ללמידה בקוד פתוח ומציע ידע לכל מי שחפץ בכך (גם אם הם באים ממוסד שאינו CS) רקע כללי).
דברים שכדאי לשים אליהם לב במקרה זה:
- Data Science הוא תחום קשה אם אתה מנסה להסתכל עליו כמכלול. פשוט התחל לראות כל רכיב שאתה רוצה להתמקד בו כחלקים מהפאזל הגדול, ותהיה בסדר.
- אם אתה רוצה להתעכב על הצד של Data Viz של Data Science, התמקד בהבנת האופן שבו לוחות מחוונים וחיבורי נתונים עובדים ולמד סיפורי נתונים.
- למי שרוצה להיכנס ל- Machine Learning, נסה להבין איך לעבוד עם Python או R, אם אתה הולך עם Python - למד ספריות כמו NumPy, Pandas, Scikit Learn, SciPy, Matplotlib ו- Seaborn.
- הבן את הרעיון התיאורטי מאחורי ML כדי להבין יותר את האלגוריתמים שלך. זה אמור לקחת זמן אבל הבנת התהליך חשובה יותר מקידוד אלגוריתם ML בדרגה גבוהה.
- אם אתה רוצה לדחוף את הצד האנליטי שלך - למד סטטיסטיקה מסקנת, והבין כיצד ניתן להשתמש בנתונים כדי ליצור פתרונות מונעי נתונים. למד כיצד לעבוד עם נתונים שאינם מובנים ולנקות כמה שיותר מערכי נתונים.
- מעבר לפקודות CRUD הרגילות ב-SQL כדי להבין בצורה מושלמת איך JOINS עובדים ואיך עובדים עם MySQL/PostgreSQL. אם אתה רוצה לדחוף את זה עם Excel, למד כיצד להשתמש ב-Data Analysis Toolpak וכיצד ליצור מאקרו.
- הבן כיצד פועלים נתוני סדרות זמן ודע כיצד למשוך נתונים ממקורות ולבצע תחזיות של סדרות זמן כדי לדחוף את הלמידה שלך.
לא פעם, אתה תהיה אחד מההמונים שילמדו הרבה כלים ויקבלו שליטה על הכל ברמה בינונית.
אני ממליץ לך בחום למצוא את הנישה שלך ולהתקדם בה. עם כמות הידע והתחרות שיש בעולם מדעי הנתונים, נסה למצוא את הנישה שלך וודא שאתה מוצא את חותמך בתחרות עם הכישורים הייחודיים שלך.
שלב שלישי: אתה כבר מקצוען בתעשייה אבל אתה רוצה להתחיל ב-Data Science עכשיו!
יש אנשים שאני מכיר שהיו בתפקידים מדהימים בחייהם לפני שהחליטו שהם רוצים להיות חלק מ-Data Science. זה טבעי לרצות לעשות שינוי בקריירה אחרי תקופה ארוכה של עבודה בתעשייה מסוימת ויש כמה דברים שרכשתי מאנשים שאני מכיר שהיו בתפקיד דומה ויכולים לעזור לך במקרה הזה.
דברים שכדאי לשים אליהם לב במקרה זה:
- ברגע שאתה מקצוען בתעשייה מסוימת, זה יכול להיות בגלל שינוי בבחירות בחיים או דרישה לשיפור מיומנויות, שמביא אותך ל-Data Science
- בכל מקרה, תפקידי ניהול ב-Data Science יהיו שמחים יותר לקבל מישהו עם חשיפה תאגידית כבדה בתעשייה
- שיפור המיומנויות במדעי הנתונים עם הידע הקיים שלך בתעשייה יכול להיות אחד הדברים הטובים ביותר שיכולים לקרות עם המעבר שלך בקריירה. Data Science, תוך כדי משחק על מדעי המחשב וגם על כלים וטכניקות, מסתמך במידה רבה על ידע בתחום.
- עם מספיק ידע בתחום, אתה יכול להיות מדען נתונים בתחומך על ידי רתימת כוח הנתונים ליותר ממה שכבר נעשה
- מדדי KPI ומדדים ספציפיים לתעשייה ניתנים לפיתוח נוסף ואוטומציה באמצעות Data Science ויכולים לפתוח דלתות חדשות גם עבורך.
- עם הידע הנוסף של כלי מדעי הנתונים בארסנל שלך, אתה יכול להיות מאמנים בתחומך ולעזור למדעני נתונים מתחילים. האפשרויות הן בלתי מוגבלות.
- הכלים והמיומנויות ללמידה בשלב זה זהים למה שנעשה בשלבים I ושלב II שהוזכרו קודם לכן במאמר זה.
בכל מקרה, עדיף ללמוד מדע נתונים ולהיצמד לתחום המקצוע שלך בגלל האופן שבו העולם עובר היום למדעי הנתונים. כל מה שאתה עושה, יכול ומעורב בנתונים, והשימוש בהם בקבלת ההחלטות שלך, רק יהפוך את ההחלטות שלך להרבה יותר טובות.
קשה לעבור לעולם מדעי הנתונים לא בגלל שקשה למצוא עבודה, אלא בגלל שיש כל כך הרבה אנשים שמתחרים על זה. את ההזדמנויות רואים כולם ואנשים יודעים ש-Data is the future- וכך גם Data Science.
לכל מי שכבר מיומן מיד ב-Data Science, הישארו מעודכנים, יהיה לי חלק נוסף למאמר זה שייכנס בו נדון כיצד ניתן לעבור ממקצוען למומחה ב-Data Science.
יאש גופטה הוא חובב מדעי נתונים ואנליסט עסקי, כותב טכני עצמאי ובלוגר ב-Medium.com. הוא מעוניין לחלוק ידע במדעי הנתונים עם קהל גדול יותר בצורה קלה לצריכה. הוא רוצה לחלוק את הידע שלו עם כל מי שנהנה ממידע כמוהו. הוא מנסה ללמוד משהו חדש מדי יום ואוהב להדריך חובבי נתונים מתחילים במסעם.
מְקוֹרִי. פורסם מחדש באישור.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- קנה ומכירה של מניות בחברות PRE-IPO עם PREIPO®. גישה כאן.
- מקור: 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
- :יש ל
- :הוא
- :לֹא
- :איפה
- 13
- 7
- a
- אודות
- להאיץ
- נוסף
- מתקדם
- לאחר
- קדימה
- אַלגוֹרִיתְם
- אלגוריתמים
- לבד
- כְּבָר
- גם
- תמיד
- am
- מדהים
- כמות
- an
- אנליזה
- מנתח
- ניתוח
- ו
- אחר
- כל
- כל אחד
- גישה
- גישות
- ARE
- ארסנל
- מאמר
- AS
- At
- קהל מאזינים
- אוטומטי
- רקע
- מבוסס
- יסודות
- BE
- כי
- להיות
- היה
- לפני
- להתחיל
- מאחור
- להיות
- הטוב ביותר
- מוטב
- מעבר
- גָדוֹל
- ברכה
- לְהַגבִּיר
- מביא
- ניצני
- עסקים
- אבל
- by
- שיחה
- CAN
- קריירה
- מקרה
- שינוי
- בדיקה
- בחירות
- ניקוי
- מקרוב
- סִמוּל
- מִכלָלָה
- COM
- שילוב
- איך
- מגיע
- תחרות
- רְכִיב
- המחשב
- מושג
- חיבורי
- להמשיך
- משותף
- זוג
- סדק
- cs
- נתונים
- ניתוח נתונים
- מדע נתונים
- מדען נתונים
- נתונים מונחים
- מערכי נתונים
- עָשׂוֹר
- מחליטים
- קבלת החלטות
- החלטות
- דרישה
- תלוי
- מפותח
- אחר
- קשה
- לדון
- do
- עושה
- תחום
- תחומים
- עשה
- דלתות
- ספק
- כל אחד
- מוקדם יותר
- מוקדם
- מאמץ
- מספיק
- נלהב
- חובבי
- לַחֲלוּטִין
- וכו '
- Ether (ETH)
- אֲפִילוּ
- בסופו של דבר
- כל
- כל יום
- כולם
- הכל
- Excel
- קיימים
- מומחה
- חשיפה
- גורמים
- מקסים
- להרגיש
- מעטים
- שדה
- מציאת
- סוף
- ראשון
- להתמקד
- לעקוב
- בעד
- תחזיות
- חופשי
- עצמאי
- החל מ-
- נוסף
- לקבל
- Go
- צמיחה
- הדרכה
- לִתְלוֹת
- לקרות
- רתימה
- יש
- he
- בִּכְבֵדוּת
- כבד
- לעזור
- עוזר
- כאן
- מאוד
- שֶׁלוֹ
- לקוות
- איך
- איך
- HTTPS
- i
- חולה
- לזהות
- if
- ii
- תמונה
- מיד
- חשוב
- in
- תעשייה
- מעוניין
- ביניים
- אל תוך
- מעורב
- IT
- שֶׁלָה
- עבודה
- מצטרף
- מסע
- רק
- KDnuggets
- לדעת
- ידע
- שפות
- גדול יותר
- מְאוּחָר
- לִלמוֹד
- למידה
- רמה
- ספריות
- החיים
- כמו
- לינקדין
- הגיוני
- ארוך
- הרבה זמן
- נראה
- מגרש
- מכונה
- למידת מכונה
- פקודות מאקרו
- לעשות
- ניהול
- רב
- הרבה אנשים
- סימן
- המונים
- מתמטיקה
- matplotlib
- בינוני
- נפשי
- מוּזְכָּר
- מדדים
- יכול
- ML
- חודשים
- יותר
- המהלך
- הרבה
- טבעי
- צורך
- צרכי
- לעולם לא
- חדש
- לא
- נוֹרמָלִי
- עַכשָׁיו
- מספרים
- קהות
- of
- הצעה
- לעתים קרובות
- on
- ONE
- רק
- לפתוח
- קוד פתוח
- פתיחה
- דעה
- הזדמנויות
- הזדמנות
- or
- להזמין
- באופן אורגני
- אחר
- הַחוּצָה
- יותר
- שֶׁלוֹ
- דובי פנדה
- חלק
- מסוים
- במיוחד
- סבלנות
- חולה
- אֲנָשִׁים
- רשות
- חתיכות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- עמדה
- עמדות
- אפשרויות
- אפשרי
- כּוֹחַ
- ראשוני
- מִקצוֹעָן
- תהליך
- מקצוע
- מקצועי
- תכנות
- שפות תכנות
- דחוף
- חִידָה
- פיתון
- מוסמך
- סיבות
- להמליץ
- קָשׁוּר
- רלוונטי
- כביש
- תפקידים
- s
- אותו
- לומר
- מדע
- מדעים
- מַדְעָן
- מדענים
- ים ים
- לִרְאוֹת
- ראות
- לראות
- מגזרים
- תחושה
- סדרה
- שיתוף
- שיתוף
- צריך
- צד
- דומה
- מְיוּמָנוּת
- מיומן
- מיומנויות
- קטן
- So
- פתרונות
- כמה
- מישהו
- משהו
- מקור
- מקורות
- SQL
- התמחות
- התחלה
- סטטיסטיקה
- להשאר
- מקל
- סיפורים
- לימוד
- נושא
- מתג
- תמונת חיה
- לקחת
- לוקח
- טכני
- טכניקות
- לספר
- מֵאֲשֶׁר
- זֶה
- השמיים
- העולם
- שֶׁלָהֶם
- אז
- תיאורטי
- שם.
- אלה
- הֵם
- דברים
- חושב
- זֶה
- אם כי?
- שְׁלוֹשָׁה
- זמן
- סדרת זמן
- ל
- היום
- גַם
- כלי
- כלים
- נגע
- לקראת
- מַעֲבָר
- המעבר
- סומך
- להבין
- הבנה
- ייחודי
- בלתי מוגבל
- להשתמש
- מְשׁוּמָשׁ
- באמצעות
- מאוד
- נופים
- חזותיים
- רוצה
- רוצה
- היה
- דֶרֶך..
- we
- webp
- מה
- מה
- בכל פעם
- בזמן
- מי
- כל
- למה
- יצטרך
- משאלות
- בברכה
- עם
- תיק עבודות
- להתאמן
- עובד
- עובד
- עוֹלָם
- היה
- סופר
- אתה
- זפירנט