データサイエンスにキャリアを切り替える前にお読みください - KDnuggets

プラトン再発行

フォロワー： 0

データサイエンスにキャリアを切り替える前にこれをお読みください
著者による画像

あなたは、意欲的なデータサイエンティストの仲間入りを考えているので、これを読んでいます。そして誰があなたを責めることができるでしょうか？データサイエンスは、今や悪名高いハーバードビジネスレビューで「最もセクシーな仕事」として表彰されてから 10 年が経過したにもかかわらず、成長分野です。米国労働統計局は現在、予測データサイエンティストの雇用率は 35 年から 2022 年までに 2032% 増加すると予想されています。これを平均の雇用増加率 (わずか 5%) と比較してください。

他にも次のようなことが行われます。

給料もいいです（これもBLSです）発見 103 年の平均給与は 2022 万 XNUMX ドル）
高い生活の質（仕事に関連した幸福度が平均より高い）が得られる従った Career Explorer へ）
最近の緊急事態にも関わらず雇用の安定はあるレイオフ – その役割に対する需要が非常に高いため

したがって、この分野に参入したい理由はたくさんあります。

データサイエンスにキャリアを切り替える前にこれをお読みください
出典: https://www.bls.gov/ooh/math/data-scientists.html

しかし、データサイエンスは非常に幅広い分野であり、始める前に知っておく必要のあるさまざまな役職やスキルセットがたくさんあります。この記事では、データサイエンスに進むためにさまざまな方向性と、それぞれの方向性で知っておくべきことについて説明します。

への移行を成功させるには、データサイエンスのキャリア、構造化されたアプローチに従う必要があります。

あなたの評価データサイエンススキルそしてギャップを特定します。
自分の苦手な分野を実際に経験してみましょう。
通信網。データサイエンスグループに参加し、ミートアップに参加し、フォーラムに貢献します。

もっと深く掘り下げましょう。

開始位置を評価する

あなたはすでに何を知っていますか?そしてそれをデータサイエンスにどのように応用できるでしょうか?あなたが持っているプログラミングの知識、統計スキル、またはデータ分析の経験について考えてみましょう。

次に、自分のスキル、特にデータサイエンスに不可欠なスキルのギャップを特定します。 SQL は必須ですが、Python または R プログラミング、高度な統計、機械学習、データ視覚化も非常に有益です。

これらのギャップを特定したら、それらを埋めるために関連する教育やトレーニングを求めてください。これは、実践的な実践学習に焦点を当てた、オンラインコース、大学のプログラム、ブートキャンプ、または独学を通じて行うことができます。

実地体験

ただビデオを見たり、ブログ記事を読んだりするべきではありません。データサイエンスでは実践的な経験が非常に重要です。新しいスキルを現実世界のシナリオに適用できるプロジェクトに参加してください。これは、個人的なプロジェクト、オープンソースプラットフォームへの貢献、または Kaggle のようなデータコンテストへの参加である可能性があります。

基本的な開始スキルを持っている場合は、業界経験を積むためにインターンシップやフリーランスの仕事を探すことを検討するとよいでしょう。

最も重要なことは、 すべてのプロジェクトと経験をポートフォリオに文書化する、問題解決プロセス、使用したテクニック、仕事の影響を強調します。

ネットワーク

データサイエンスに参入するには、多くの場合、何を知っているかに加えて、誰を知っているかが重要になります。メンターを見つけ、ミートアップ、カンファレンス、ワークショップに参加して新しいトレンドについて学び、Stack Overflow、GitHub、Reddit などのオンラインデータサイエンスコミュニティに参加してください。これらのプラットフォームを使用すると、他の人から学び、知識を共有し、データサイエンスコミュニティ内で注目を集めることができます。

あなたがしたい場合ゼロからデータサイエンティストになる, 開発する必要があるスキルをツリーとして考えるのが理にかなっています。データサイエンスのすべての仕事に共通する「幹」のスキルがあり、さらに各専門分野には「枝」のスキルがあり、より専門的な役割に枝分かれし続けます。

データサイエンティストがどの方向に進むかに関係なく、データサイエンティストには主に 3 つのスキルが必要です。

SQL を使用したデータ操作/ラングリング

データサイエンスは基本的に、大規模なデータセットの処理と整理に要約されます。これを行うには、SQL の知識が必要です。それは　データ操作とラングリングに不可欠なツール。

データサイエンスにキャリアを切り替える前にこれをお読みください
著者による画像

ソフトスキル

データサイエンスは単独で行われるわけではありません。他の人たちと仲良くする必要があります。これは、ソフトスキルを磨くことを意味します。複雑なデータ結果を技術者以外の関係者に明確かつわかりやすい方法で伝えることができることは、技術的なスキルと同じくらい重要です。これらには、効果的なコミュニケーション、問題解決、ビジネス洞察力が含まれます。

問題解決は複雑なデータの課題に取り組むのに役立ちますが、ビジネス洞察力はデータドリブンのソリューションが組織の目標と一致することを保証します。

絶え間ない学習姿勢

データサイエンスは 2018 年前とは異なります。 XNUMX 年と比較して、AI の現在の状況を見てください。新しいツール、技術、理論が常に登場しています。そのため、最新の開発状況を常に把握し、現場の新しいテクノロジーや方法論に適応するには、継続的な学習の考え方が必要です。

学習して適応するための自発的な意欲と、新しい知識やスキルを習得するための積極的なアプローチが必要です。

上で概説したように共通のスキルがありますが、各役割には独自の特定のスキルセットが必要です。 (覚えていますか? ブランチ。) たとえば、統計分析、Python/R のプログラミングスキル、データの視覚化はすべて、データサイエンスのより専門的な仕事に特有のものです。

データサイエンスにキャリアを切り替える前にこれをお読みください
著者による画像

何が必要かを理解できるように、データサイエンスに関連する各役割を分類してみましょう。

ビジネス/データアナリスト

はい、これはデータサイエンスの役割です。たとえ否定論者が同意しなかったとしても、データサイエンスのキャリアトラックへの参入を目指しているのであれば、少なくとも踏み台として扱うことができると私は信じています。

ビジネスアナリストまたはデータアナリストとして、あなたはデータの洞察とビジネス戦略の間のギャップを埋める責任を負います。ビジネスニーズを理解し、それをデータ駆動型のソリューションに変換するコツを持っている人に最適です。

コアスキルとして必要となるのは、 ビジネスインテリジェンス (当然のことですが)、強力な分析スキル、データクエリ言語 (主に SQL) の熟練度。この役割では、主なタスクはデータラングリングであるため、Python と R はオプションです。

あり 視覚化コンポーネント ただし、仕事によっては、Tableau でダッシュボードを作成したり、Excel でグラフを作成したりすることになる場合があります。

データ分析

この役割は、データを解釈して実用的な洞察を提供することに重点を置いています。数字をストーリーやビジネス戦略に変換するのが好きな人には、素晴らしい仕事です。

しっかりとした対応が必要になります 統計分析とデータの視覚化 – ただし、繰り返しになりますが、これらは Tableau ダッシュボードや Excel グラフである可能性があります)。の熟練度も必要になります分析ツールような Excel、Tableau、SQL。 Python/R は再びオプションですが、統計と自動化の実装に非常に役立つことを覚えておいてください。

機械学習

機械学習の科学者は、データに基づいた予測や意思決定を行うための予測モデルとアルゴリズムを開発します。これらの役割は、AI とモデル構築に強い関心を持つ人に適しています。

コアスキルについては驚くことではありません。 アルゴリズムに対する深い理解、TensorFlow や PyTorch などの機械学習フレームワークの経験、および強力なプログラミングスキル。 Python や R はもはやオプションではなく、必須です。

データ工学

この役割では、データパイプラインのアーキテクチャ、管理、メンテナンスに集中していただきます。データフローとストレージの管理と最適化という技術的な課題を楽しみたい人に最適です。

この仕事に就くには、e が必要ですデータベース管理、ETL プロセスの専門知識、および Hadoop や Spark などのビッグデータテクノロジの熟練度。 あなたも必要になります データパイプライン自動化の熟練度 エアフローなどのテクノロジーを使用します。

ビジネス·インテリジェンス

ビジネスインテリジェンスでは、視覚化を構築することがすべてです。ストーリーテラーやビジネスセンスの高い人に最適です。

Tableau や Qlik などのダッシュボードテクノロジはビジュアライゼーションの構築に使用するツールであるため、その知識に精通している必要があります。また、ダッシュボードのパフォーマンスを高速化するデータクエリを最適化するためのデータ操作スキル (SQL スキル) も必要です。

この記事の前半で述べたように、データサイエンスは急速に進化している分野です。新しい仕事や役割が常に開かれています。ツリーのたとえ話に戻りますが、私はツリーをデータサイエンスのメインの幹に追加される新しい枝として考えるのが好きです。現在、クラウドエンジニア、SQL スペシャリスト、DevOps の役割などがあり、これらすべてが依然としてデータサイエンストラックに接続されています。したがって、この記事では、データサイエンスの方向性について簡単に説明します。

それ以上に、データサイエンスには 6 桁の給与に伴う課題が伴うことも覚えておく必要があります。学習曲線は非常に急勾配であり、学習が本当に終わることはありません。新しいテクノロジー、トレンド、ツールはすべて、急速かつ困難に登場します。仕事を続けたいのであれば、追いつく必要があります。

そうは言っても、それは素晴らしいキャリアの選択肢です。先ほど述べた 3 つの主要な能力を身に付けていれば、どんな課題にも取り組む準備が整います。データサイエンスの役割それはあなたにとって魅力的です。

ネイト・ロシディ データサイエンティストであり、製品戦略に携わっています。彼はまた、分析を教える非常勤教授であり、ストラタスクラッチ、データサイエンティストがトップ企業からの実際の面接の質問で面接の準備をするのを支援するプラットフォーム。彼とつながる Twitter：StrataScratch or LinkedIn.