קרא את זה לפני שתבצע מעבר קריירה למדעי הנתונים - KDnuggets

תמונה מאת המחבר
 

אתה קורא את זה כי אתה חושב להצטרף לשורות מדעני נתונים שואפים. ומי יכול להאשים אותך? מדעי הנתונים הוא תחום צומח, אפילו עשור לאחר פרס "העבודה הסקסית ביותר" הידוע לשמצה שלו מ-Harvard Business Review. הלשכה האמריקאית לסטטיסטיקה של העבודה כרגע צופה שיעור התעסוקה של מדעני נתונים יגדל ב-35 אחוזים מ-2022 עד 2032. השווה את זה לשיעור הגידול הממוצע בעבודה, שהוא רק 5 אחוזים.

יש לזה דברים אחרים:

• זה משולם היטב (שוב, ה-BLS מצא שכר חציוני של 103 אלף דולר ב-2022)
• זה מגיע עם איכות חיים גבוהה (אושר גבוה מהממוצע הקשור לעבודה פי לסייר הקריירה)
• יש ביטחון תעסוקתי למרות הסבב האחרון של פיטורים - כי יש כל כך הרבה ביקוש לתפקיד

אז יש המון סיבות לרצות לפרוץ לתחום.

 

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

אבל מדעי הנתונים הם תחום רחב מאוד, עם הרבה כותרות עבודה ומערך מיומנויות שאתה צריך לדעת לפני שאתה מתחיל. מאמר זה ידריך אותך דרך הכיוונים השונים שאתה יכול ללכת, ומה שאתה צריך לדעת עבור כל אחד מהם כדי להיכנס למדעי הנתונים.

כדי לבצע מעבר מוצלח לתוך א קריירת מדעי הנתונים, תצטרך לפעול לפי גישה מובנית:

• העריך את שלך כישורי מדע נתונים ולזהות פערים.
• קבל ניסיון מעשי בתחומים שבהם אתה חלש.
• רֶשֶׁת. הצטרף לקבוצות מדעי הנתונים, השתתף במפגשים ותרום לפורומים.

בואו נצלול עמוק יותר.

העריכו את עמדת ההתחלה שלכם

מה אתה כבר יודע וכיצד ניתן ליישם את זה במדעי הנתונים? חשבו על: כל ידע בתכנות, כישורים סטטיסטיים או ניסיון בניתוח נתונים שיש לכם.

לאחר מכן, זהה את הפערים במיומנויות שלך, במיוחד אלה החיוניים למדעי הנתונים. SQL הוא חובה אמיתית, אבל תכנות Python או R, סטטיסטיקה מתקדמת, למידת מכונה והדמיית נתונים הם גם מועילים ביותר.

לאחר שזיהית את הפערים הללו, חפש השכלה או הכשרה רלוונטיים כדי למלא אותם. זה יכול להיות באמצעות קורסים מקוונים, תוכניות אוניברסיטאות, מחנות אתחול או לימוד עצמי, עם התמקדות בלמידה מעשית.

ניסיון מעשי

אתה לא צריך רק לצפות בסרטונים ולקרוא פוסטים בבלוג. ניסיון מעשי הוא חיוני במדעי הנתונים. עסוק בפרויקטים המאפשרים לך ליישם את הכישורים החדשים שלך בתרחישים בעולם האמיתי. זה יכול להיות פרויקטים אישיים, תרומות לפלטפורמות קוד פתוח או השתתפות בתחרויות נתונים כמו אלו ב-Kaggle.

אם יש לך כמה כישורי התחלה בסיסיים, אולי תרצה לשקול לחפש התמחות או עבודה עצמאית כדי לצבור ניסיון בתעשייה.

הכי חשוב, לתעד את כל הפרויקטים והחוויות שלך בתיק עבודות, הדגשת תהליך פתרון הבעיות שלך, הטכניקות שבהן השתמשת וההשפעה של העבודה שלך.

רשת

פריצה למדעי הנתונים מסתכמת לרוב במי שאתה מכיר, בנוסף למה שאתה יודע. מצא מנטורים, השתתף במפגשים, כנסים וסדנאות כדי ללמוד על מגמות חדשות, ולעסוק בקהילות מדעיות מקוונות כמו Stack Overflow, GitHub או Reddit. פלטפורמות אלו מאפשרות לך ללמוד מאחרים, לשתף את הידע שלך ולקבל תשומת לב בתוך קהילת מדעי הנתונים.

אם אתה רוצה להפוך למדען נתונים מאפס, הגיוני לחשוב על הכישורים שתצטרך לפתח כעץ. יש כישורי "תא מטען" המשותפים לכל עבודה במדעי הנתונים, ואז לכל התמחות יש כישורי "ענף" שממשיכים להסתעף לתפקידים מיוחדים יותר ויותר.

ישנן שלוש מיומנויות עיקריות שכל מדען נתונים צריך, לא משנה לאיזה כיוון הם הולכים:

מניפולציה/ריב נתונים באמצעות SQL

מדעי הנתונים מסתכם בעצם בטיפול וארגון מערכי נתונים גדולים. כדי לעשות זאת, אתה צריך לדעת SQL. זה מה היא כלי חיוני למניפולציה של נתונים והתנצחויות.

 

תמונה מאת המחבר

מיומנויות רכות

מדע הנתונים לא קורה בחלל ריק. אתה צריך לשחק יפה עם אחרים, מה שאומר לשפר את הכישורים הרכים שלך. היכולת לתקשר ממצאי נתונים מורכבים בצורה ברורה ומובנת לבעלי עניין לא טכניים חשובה לא פחות מהמיומנויות הטכניות. אלה כוללים תקשורת יעילה, פתרון בעיות וחוש עסקי.

פתרון בעיות מסייע בהתמודדות עם אתגרי נתונים מורכבים, בעוד שחוש עסקי מבטיח שפתרונות מונעי נתונים מתאימים ליעדים הארגוניים.

גישה ללמידה מתמדת

מדע הנתונים שונה מהמקום בו היה אפילו לפני חמש שנים. רק תראה איפה אנחנו נמצאים היום עם AI בהשוואה לשנת 2018. יש כלים, טכניקות ותיאוריות חדשות שצצים כל הזמן. לכן אתה צריך חשיבה למידה מתמשכת כדי להישאר מעודכן בפיתוחים האחרונים ולהסתגל לטכנולוגיות ומתודולוגיות חדשות בתחום.

תזדקק למוטיבציה עצמית ללמוד ולהסתגל, כמו גם לגישה פרואקטיבית לרכישת ידע ומיומנויות חדשים.

בעוד שישנן מיומנויות נפוצות כפי שתיארתי לעיל, כל תפקיד דורש מערך מיומנויות ספציפי משלו. (זוכרים? סניפים.) לדוגמה, ניתוח סטטיסטי, כישורי תכנות ב-Python/R והדמיית נתונים הם כולם ספציפיים למשרות מיוחדות יותר במדעי הנתונים.

 

תמונה מאת המחבר
 

בוא נפרק כל תפקיד סמוך למדעי הנתונים כדי שתוכל לראות מה אתה צריך.

מנתח עסקים/נתונים

כן, זהו תפקיד במדעי הנתונים! גם אם המתנגדים לא מסכימים, אני עדיין מאמין שאתה יכול להתייחס לזה כאל קפיצה לכל הפחות אם אתה שואף להיכנס למסלול הקריירה של מדעי הנתונים.

כמנתח עסקים או נתונים, אתה אחראי לגשר על הפער בין תובנות נתונים ואסטרטגיה עסקית. זה מושלם עבור אלה שיש להם כישרון להבין את הצרכים העסקיים ולתרגם אותם לפתרונות מונעי נתונים.

כישורי ליבה, תצטרך בינה עסקית - אין הפתעות שם -, מיומנויות אנליטיות חזקות, מיומנות בשפות שאילתות נתונים, בעיקר SQL. בתפקיד זה, Python ו-R הם אופציונליים מכיוון שהמשימה העיקרית היא סכסוך נתונים.

יש רכיב הדמיה אבל בהתאם לעבודה שלך, זה יכול להיות יצירת לוחות מחוונים ב-Tableau או גרפים ב-Excel.

ניתוח נתונים

תפקיד זה מתמקד בפענוח נתונים כדי לספק תובנות ניתנות לפעולה. זו עבודה נהדרת עבורך אם אתה נהנה לתרגם מספרים לסיפורים ואסטרטגיות עסקיות.

תצטרך אחיזה איתנה ניתוח סטטיסטי והדמיית נתונים - אם כי שוב, אלה יכולים להיות לוחות מחוונים ו/או גרפים של Excel). תצטרך גם בקיאות ב כלי ניתוח כמו Excel, Tableau ו-SQL. Python/R הם שוב אופציונליים, אבל זכרו שהם באמת יכולים לעזור ביישום סטטיסטיקות ואוטומציה.

למידת מכונה

מדעני למידת מכונה מפתחים מודלים ואלגוריתמים חיזויים כדי לקבל תחזיות או החלטות מונעות נתונים. תפקידים אלו מתאימים למי שיש לו עניין רב בבינה מלאכותית ובבניית מודלים.

אין הפתעות לגבי כישורי הליבה: תצטרך א הבנה עמוקה של אלגוריתמים, ניסיון עם מסגרות למידת מכונה כמו TensorFlow ו- PyTorch, וכישורי תכנות חזקים. Python ו/או R כבר אינם אופציונליים אלא חובה.

הנדסת נתונים

תפקיד זה מתמקד בארכיטקטורה, ניהול ותחזוקה של צינורות נתונים. זה מתאים לאנשים שנהנים מהאתגרים הטכניים של ניהול ואופטימיזציה של זרימת נתונים ואחסון.

כדי להיכנס לעבודה זו, תצטרך eמיומנות בניהול מסדי נתונים, תהליכי ETL ובקיאות בטכנולוגיות ביג דאטה כמו Hadoop ו-Spark. אתה גם צריך מיומנות באוטומציה של צנרת נתונים באמצעות טכנולוגיות כגון Airflow.

בינה עסקית

בבינה עסקית, הכל עוסק בבניית הדמיות. זה נהדר עבור מספרי סיפורים ואנשים עם חוש עסקי חזק.

תצטרך להיות מקצוען עם טכנולוגיות לוח מחוונים כגון Tableau ו-Qlik מכיוון שאלו הכלים שבהם תשתמש כדי לבנות את ההדמיות שלך. תצטרך גם מיומנויות מניפולציה של נתונים (קרא: כישורי SQL) כדי לסייע באופטימיזציה של שאילתות נתונים שהופכות את ביצועי לוח המחוונים למהירים.

כפי שציינתי קודם במאמר, מדעי הנתונים הוא תחום שמתפתח במהירות. משרות ותפקידים חדשים נפתחים כל הזמן. כדי לחזור לאנלוגיית העץ שלי, אני אוהב לחשוב על זה כעל ענפים חדשים שמתווספים לגזע מדעי הנתונים הראשי. יש עכשיו מהנדסי ענן, מומחי SQL, תפקידי DevOps ועוד - כולם עדיין מחוברים למסלול מדעי הנתונים הזה. אז מאמר זה מספק רק חלק קצר מהכיוונים שאתה יכול ללכת עם מדעי הנתונים.

יותר מזה, אתה צריך גם לזכור שמדעי הנתונים מגיעים עם אתגרים הקשורים לתלוש המשכורת של שש ספרות. יש עקומת למידה תלולה מאוד, והלמידה אף פעם לא נגמרת באמת. טכנולוגיות, טרנדים וכלים חדשים מגיעים כולם מהר וקשה - ואם אתה רוצה לשמור על העבודה שלך, אתה צריך לעמוד בקצב.

כל זה נאמר, זו אפשרות קריירה נהדרת. עם שלושת הכישורים העיקריים שציינתי תחת החגורה שלך, אתה תהיה מצויד היטב להתמודד עם כל תפקיד מדעי הנתונים שמושך אותך.
 
 

נייט רוזידי הוא מדען נתונים ואסטרטגיית מוצר. הוא גם פרופסור עזר המלמד אנליטיקה, והוא המייסד של StrataScratch, פלטפורמה המסייעת למדעני נתונים להתכונן לראיונות שלהם עם שאלות ראיונות אמיתיות מחברות מובילות. התחבר אליו הלאה טוויטר: StrataScratch or לינקדין.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: 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