How To Transition Into Data Science From A Different Background?

プラトン再発行

フォロワー： 0

異なるバックグラウンドからデータサイエンスに移行するには?
Bing イメージクリエーター

コンピュータサイエンスのバックグラウンドを持っていない場合は、データサイエンスの世界で仕事を見つけるのにどれだけの労力がかかるかをご存知でしょう。データサイエンスの機会は多くの人を必要としますが、データサイエンスは世界にとって非常に新しいものであるため (XNUMX 年以上経過していません!)、データサイエンティストになる資格を有機的に持っている人はほとんどいません。企業の世界。

この業界は成長と機会を切望しており、それが、まったく異なるバックグラウンドを持っていても、誰かがデータサイエンスの世界に移行したいと考える主な理由の XNUMX つです。

注：私は、CS のバックグラウンドを持っていない人でもデータサイエンスがうまくいくことを知っている数少ない人物の XNUMX 人です。

異なるバックグラウンドからデータサイエンスに移行するには?

この記事では、次の XNUMX つの異なるセグメントに基づいて、キャリア移行としてデータサイエンスにアプローチする方法について説明します。

持っている人のために データサイエンスに密接に関連する話題には触れたことがない 大学で。
誰かのために CS 以外のバックグラウンドを持っているが、データサイエンスに関連する関連科目がいくつかある & 誰がデータサイエンティストになりたいのですか?

された人のために 業界で長く働いているが、転職したい データサイエンスの魅力的で困難な世界へ。

注：この記事の見解は私個人のものであり、移行に対する独自の意見やアプローチを自由に持ってください。ご多幸をお祈り申し上げます。

さっそく始めましょう。

ステージ I: データサイエンスとはあまり関係がありませんが、データサイエンスに取り組みたいと考えています。

そうですね、この場合、あなたが発揮する唯一の努力は精神的なものであり、それには多くの忍耐が必要です. データサイエンスが非常に技術的な主題であり、多くの数字が関係していることは間違いありません。

PS 最初にこれをチェックして、データサイエンスで大きくなるためにたどるべき道を特定してください. 次に進み、旅を加速するために注意する必要があることを理解してください。

ここから始める：

異なるバックグラウンドからデータサイエンスに移行するには?

この場合の注意事項:

データサイエンスは他の教科と同じで、時間があればいつでも学習を開始できます。
始めるのに遅すぎることはありません。
データサイエンスは、コンピューターサイエンス、統計学、大学レベルの数学、多くの論理的思考、およびプログラミング言語と、使用できる他のツールを組み合わせたものです。
各ドメイン (または特にプロになりたい分野) で自分のスキルを図解し、それぞれについてさらに学習を進めてください。
分析に取り組みたい場合は、統計の知識とデータクリーニングなどをプッシュしてください。 (できる限り Excel を学びましょう。Excel は小さなデータセットでの分析に役立ち、最初に最適なツールです)
データ Viz については、Tableau や PowerBI などを学習してみてください。同時に、ビジュアライゼーションがどのように機能するか、より優れたビジュアルとダッシュボードを作成する方法を理解してください。
主に学習の最初の 2 か月間は、Excel、SQL、Tableau、そして時間が許せば Python の基本を同じ順序で学習することに集中してください。

異なるバックグラウンドからデータサイエンスに移行するには?

これにより、ステージ II に移行し、そこから学習を続けることができます。

注: データサイエンスに慣れていない場合は時間がかかるため、辛抱強くプロセスを信頼する必要があります。それはうまくいくでしょう！

ステージ II: データサイエンスの一部の科目に関連したことがありますが、完全には取り込んでいません。

これは私と似たような段階で、データサイエンスを学ぶにはかなりの努力が必要であることがわかります。最終的には多くの要因に左右されますが、世界がオープンソース学習の扉を開き、それを望む人に知識を提供してきた方法を考えると、それほど難しいことではありません (彼らがコンピュータサイエンス以外の出身であっても)。バックグラウンド）。

この場合の注意事項:

全体で見ようとすると、データサイエンスは難しい分野です。焦点を当てたいすべてのコンポーネントを大きなパズルのピースとして見始めるだけで、問題はなくなります。
データサイエンスのデータ Viz の側面に注目したい場合は、ダッシュボードとデータ接続がどのように機能するかを理解し、データストーリーテリングを学ぶことに重点を置いてください。
機械学習を始めたい人は、Python または R を使用する方法を理解してください。Python を使用する場合は、NumPy、Pandas、Scikit Learn、SciPy、Matplotlib、Seaborn などのライブラリを学習してください。
ML の背後にある理論的概念を理解して、アルゴリズムをより理解してください。時間はかかりますが、高度な ML アルゴリズムをコーディングするよりも、プロセスを理解することが重要です。
分析面を強化したい場合は、推論統計を学び、データを使用してデータ駆動型ソリューションを作成する方法を理解してください。構造化されていないデータを処理し、できるだけ多くのデータセットをクリーンアップする方法を学びます。
SQL の通常の CRUD コマンドを超えて、JOINS の仕組みと MySQL/PostgreSQL の操作方法を完全に理解します。 Excelでプッシュしたい場合は、データ分析ツールパックの使い方とマクロの作り方を学んでください。
時系列データがどのように機能するかを理解し、ソースからデータを取得して時系列予測を作成して学習を進める方法を理解します。

異なるバックグラウンドからデータサイエンスに移行するには?

多くの場合、あなたは中級レベルで多くのツールを学び、すべてのコツをつかむ大衆の XNUMX 人になるでしょう。

あなたのニッチを見つけて、それを進めることを強くお勧めします. データサイエンスの世界には膨大な知識と競争があるため、ニッチな分野を見つけて、独自のスキルで競争に勝ち抜くようにしてください。

ステージ III: あなたはすでに業界のプロですが、今すぐデータサイエンスを始めたいと考えています。

データサイエンスの一部になりたいと決心する前に、人生で素晴らしい立場にあった人を知っています。特定の業界で長い間働いた後、キャリアを変えたいと思うのは当然のことです。私が知っている、同じような立場にあった人たちから得た情報がいくつかあります。この場合、あなたを助けることができます.

この場合の注意事項:

あなたが特定の業界の専門家になったら、それは人生の選択肢の変化やスキルアップへの要求が原因で、データサイエンスにたどり着く可能性があります。
いずれにせよ、データサイエンスの管理職は、業界で企業との露出が多い人がいる方が幸せです.
業界での既存の知識を使用してデータサイエンスのスキルを向上させることは、キャリアの移行で起こりうる最高のことの XNUMX つです。データサイエンスは、コンピューターサイエンスだけでなく、ツールや技術にも取り組んでいますが、ドメインの知識に大きく依存しています。
十分なドメイン知識があれば、すでに行われていること以上にデータの力を活用することで、その分野のデータサイエンティストになることができます
業界固有の KPI と指標は、データサイエンスを使用してさらに開発および自動化することができ、新しい扉を開くこともできます。
データサイエンスツールに関する追加の知識があれば、その分野のトレーナーになり、新進気鋭のデータサイエンティストを支援できます。可能性は無限です。
この段階で習得するツールとスキルは、この記事で前述した段階 I と段階 II で行っていたことと同じです。

いずれにせよ、今日の世界はデータサイエンスに移行しているため、データサイエンスを学び、自分の専門分野に固執することが最善です。あなたができること、できること、データが関与すること、そしてそれを意思決定に使用することは、あなたの意思決定をより良くするだけです.

データサイエンスの世界に移行するのが難しいのは、就職が難しいからではなく、それを求めて争う人が非常に多いからです。機会は誰もが目にしており、人々は「データは未来である」ことを知っており、データサイエンスもそうです。

すぐにデータサイエンスのスキルを身に付けた人は、この記事の別の部分で、プロからデータサイエンスのエキスパートになる方法について説明します。

ヤシュ・グプタ データサイエンス愛好家およびビジネスアナリストであり、フリーランスのテクニカルライターであり、Medium.com のブロガーでもあります。彼は、データサイエンスの知識をより多くの聴衆と使いやすい方法で共有することに関心を持っています。彼は、彼と同じようにデータを楽しんでいるすべての人に彼の知識を共有したいと考えています。彼は毎日何か新しいことを学ぼうとし、新進気鋭のデータ愛好家を旅に導くのが大好きです。

元の。許可を得て転載。