Read This Before Making A Career Switch To Data Science - KDnuggets

플라톤에 의해 재발행

팔로워 : 0

데이터 과학으로 경력을 전환하기 전에 이것을 읽으십시오
작성자 별 이미지

당신은 야심 찬 데이터 과학자 대열에 합류하는 것에 대해 생각하고 있기 때문에 이 글을 읽고 있습니다. 그리고 누가 당신을 비난할 수 있습니까? 데이터 과학은 Harvard Business Review에서 현재 악명 높은 "가장 섹시한 직업"으로 선정된 지 10년이 지난 지금도 성장하는 분야입니다. 현재 미국 노동통계국 예측 데이터 과학자의 고용률은 35년부터 2022년까지 2032% 증가할 것입니다. 이를 평균 직업 증가율인 5%와 비교해 보세요.

다른 일도 있습니다:

보수가 좋습니다 (다시 말하지만 BLS 발견 103년 평균 연봉은 2022달러)
높은 삶의 질(평균 직업 관련 행복도보다 높음) 따라 경력 탐험가에게)
최근의 라운드에도 불구하고 고용 안정성이 있습니다. 정리 해고 – 그 역할에 대한 수요가 너무 많기 때문에

따라서 현장에 진출하고 싶은 이유는 많습니다.

데이터 과학으로 경력을 전환하기 전에 이것을 읽으십시오
출처: https://www.bls.gov/ooh/math/data-scientists.html

그러나 데이터 과학은 매우 광범위한 분야이므로 시작하기 전에 알아야 할 다양한 직위와 기술 세트가 있습니다. 이 기사에서는 여러분이 갈 수 있는 다양한 방향과 데이터 과학에 들어가기 위해 각 방향에서 알아야 할 사항을 안내합니다.

성공적인 기업으로의 전환을 위해서는 데이터 과학 경력, 구조화된 접근 방식을 따라야 합니다.

당신의 평가 데이터 과학 기술 그리고 격차를 식별합니다.
자신이 취약한 부분을 직접 경험해 보세요.
회로망. 데이터 과학 그룹에 가입하고, 모임에 참석하고, 포럼에 참여하세요.

더 자세히 살펴 보겠습니다.

시작 위치 평가

이미 알고 있는 것은 무엇이며, 이를 데이터 과학에 어떻게 적용할 수 있나요? 프로그래밍 지식, 통계 기술 또는 데이터 분석 경험을 생각해 보십시오.

다음으로, 특히 데이터 과학에 필수적인 기술의 격차를 파악하세요. SQL은 필수이지만 Python 또는 R 프로그래밍, 고급 통계, 기계 학습 및 데이터 시각화도 매우 유용합니다.

이러한 격차를 정확히 파악한 후에는 이를 메울 수 있는 관련 교육이나 훈련을 받으십시오. 이는 실용적인 실습 학습에 초점을 맞춘 온라인 과정, 대학 프로그램, 부트캠프 또는 자습을 통해 이루어질 수 있습니다.

실무 경험

동영상만 보고 블로그 게시물을 읽어서는 안 됩니다. 데이터 과학에서는 실무 경험이 매우 중요합니다. 실제 시나리오에서 새로운 기술을 적용할 수 있는 프로젝트에 참여하세요. 이는 개인 프로젝트, 오픈 소스 플랫폼에 대한 기여, Kaggle과 같은 데이터 대회 참여 등이 될 수 있습니다.

기본적인 시작 기술이 있다면 업계 경험을 쌓기 위해 인턴십이나 프리랜서로 일하는 것을 고려해 볼 수 있습니다.

가장 중요한 것은, 모든 프로젝트와 경험을 포트폴리오에 기록하세요, 문제 해결 과정, 사용한 기술, 작업의 영향을 강조합니다.

네트워크

데이터 과학에 뛰어들려면 자신이 아는 것 외에도 아는 사람이 누구인지에 따라 결정되는 경우가 많습니다. 멘토를 찾고, 모임, 컨퍼런스, 워크숍에 참여하여 새로운 트렌드에 대해 알아보고, Stack Overflow, GitHub 또는 Reddit과 같은 온라인 데이터 과학 커뮤니티에 참여하세요. 이러한 플랫폼을 통해 다른 사람들로부터 배우고, 지식을 공유하고, 데이터 과학 커뮤니티 내에서 주목을 받을 수 있습니다.

당신이 원하는 경우 처음부터 데이터 과학자가 되어보세요, 개발하는 데 필요한 기술을 나무로 생각하는 것이 합리적입니다. 모든 데이터 과학 직무에 공통적인 "트렁크" 기술이 있으며, 각 전문 분야에는 점점 더 전문화된 역할로 계속해서 분기되는 "분기" 기술이 있습니다.

어떤 방향으로 진행하든 데이터 과학자에게 필요한 세 가지 주요 기술은 다음과 같습니다.

SQL을 사용한 데이터 조작/랭글링

데이터 과학은 기본적으로 대규모 데이터 세트를 처리하고 구성하는 것으로 요약됩니다. 그러기 위해서는 SQL을 알아야 합니다. 그것은 전에, 데이터 조작 및 랭글링을 위한 필수 도구입니다.

데이터 과학으로 경력을 전환하기 전에 이것을 읽으십시오
작성자 별 이미지

소프트 스킬

데이터 과학은 진공 상태에서 발생하지 않습니다. 다른 사람들과 잘 어울려야 하는데, 이는 소프트 스킬을 강화하는 것을 의미합니다. 기술적 지식이 없는 이해관계자에게 복잡한 데이터 결과를 명확하고 이해하기 쉬운 방식으로 전달할 수 있는 능력은 기술적 능력만큼 중요합니다. 여기에는 효과적인 의사소통, 문제 해결, 비즈니스 통찰력이 포함됩니다.

문제 해결은 복잡한 데이터 문제를 해결하는 데 도움이 되는 반면, 비즈니스 통찰력은 데이터 기반 솔루션이 조직 목표에 부합하도록 보장합니다.

끊임없는 학습 태도

데이터 과학은 2018년 전과는 다릅니다. XNUMX년과 비교하여 현재 AI의 위치를 살펴보십시오. 새로운 도구, 기술 및 이론이 끊임없이 등장하고 있습니다. 그렇기 때문에 최신 개발 상황을 파악하고 해당 분야의 새로운 기술과 방법론에 적응하려면 지속적인 학습 사고 방식이 필요합니다.

학습하고 적응하려면 스스로 동기를 부여해야 할 뿐만 아니라 새로운 지식과 기술을 습득하기 위한 적극적인 접근 방식도 필요합니다.

위에서 설명한 것처럼 공통 기술이 있지만 각 역할에는 고유한 특정 기술이 필요합니다. (기억하세요? 분기.) 예를 들어 통계 분석, Python/R의 프로그래밍 기술, 데이터 시각화는 모두 데이터 과학 분야의 보다 전문화된 작업에 특화됩니다.

데이터 과학으로 경력을 전환하기 전에 이것을 읽으십시오
작성자 별 이미지

필요한 것이 무엇인지 확인할 수 있도록 각 데이터 과학 관련 역할을 세분화해 보겠습니다.

비즈니스/데이터 분석가

네, 이것은 데이터 과학 역할입니다! 반대자들이 동의하지 않더라도, 데이터 과학 경력을 쌓고자 한다면 최소한 디딤돌로 삼을 수 있다고 믿습니다.

비즈니스 또는 데이터 분석가로서 귀하는 데이터 통찰력과 비즈니스 전략 간의 격차를 해소하는 일을 담당하고 있습니다. 비즈니스 요구 사항을 이해하고 이를 데이터 기반 솔루션으로 변환하는 데 능숙한 사람들에게 적합합니다.

핵심 기술로는 비즈니스 인텔리전스 – 놀라운 일이 아닙니다 – 강력한 분석 기술, 데이터 쿼리 언어(주로 SQL)에 대한 능숙함. 이 역할에서 Python과 R은 선택 사항입니다. 주요 작업은 데이터 랭글링이기 때문입니다.

이있다 시각화 구성 요소 하지만 업무에 따라 Tableau에서 대시보드를 만들거나 Excel에서 그래프를 만드는 것을 의미할 수도 있습니다.

데이터 분석

이 역할은 실행 가능한 통찰력을 제공하기 위해 데이터를 해석하는 데 중점을 둡니다. 숫자를 이야기와 비즈니스 전략으로 변환하는 것을 좋아한다면 이는 훌륭한 직업입니다.

확고한 대처가 필요합니다 통계 분석 및 데이터 시각화 – 다시 말하지만 이는 Tableau 대시보드 및/또는 Excel 그래프일 수 있습니다. 에 대한 숙련도도 필요합니다. 분석 도구 처럼 엑셀, 태블로, SQL. Python/R은 다시 한 번 선택 사항이지만 통계 및 자동화 구현에 실제로 도움이 될 수 있다는 점을 기억하세요.

기계 학습

기계 학습 과학자는 데이터 기반 예측 또는 결정을 내리기 위해 예측 모델과 알고리즘을 개발합니다. 이러한 역할은 AI 및 모델 구축에 큰 관심이 있는 사람들에게 적합합니다.

핵심 기술에 대해서는 놀랄 일이 아닙니다. 알고리즘에 대한 깊은 이해, TensorFlow 및 PyTorch와 같은 기계 학습 프레임워크 경험, 강력한 프로그래밍 기술. Python 및/또는 R은 더 이상 선택 사항이 아니라 필수 사항입니다.

데이터 공학

이 역할을 통해 데이터 파이프라인의 아키텍처, 관리, 유지 관리에 집중하게 됩니다. 데이터 흐름과 스토리지를 관리하고 최적화하는 기술적 과제를 즐기는 개인에게 적합합니다.

이 직업을 얻으려면 e가 필요합니다.데이터베이스 관리, ETL 프로세스에 대한 전문 지식과 Hadoop 및 Spark와 같은 빅 데이터 기술에 대한 숙련도를 갖추고 있습니다. 당신은 또한 필요합니다 데이터 파이프라인 자동화에 대한 숙련도 Airflow와 같은 기술을 사용합니다.

비즈니스 인텔리전스

비즈니스 인텔리전스에서는 시각화 구축이 가장 중요합니다. 스토리텔러와 비즈니스 감각이 강한 사람들에게 적합합니다.

Tableau 및 Qlik과 같은 대시보드 기술은 시각화를 구축하는 데 사용되는 도구이므로 전문가가 되어야 합니다. 또한 대시보드 성능을 빠르게 만드는 데이터 쿼리를 최적화하는 데 도움이 되는 데이터 조작 기술(읽기: SQL 기술)이 필요합니다.

기사 앞부분에서 언급했듯이 데이터 과학은 빠르게 발전하는 분야입니다. 새로운 직업과 역할이 항상 열리고 있습니다. 트리 비유로 돌아가서 저는 이를 기본 데이터 과학 트렁크에 추가되는 새 가지로 생각하고 싶습니다. 이제 클라우드 엔지니어, SQL 전문가, DevOps 역할 등이 여전히 해당 데이터 과학 트랙에 연결되어 있습니다. 따라서 이 문서에서는 데이터 과학을 사용할 수 있는 방향에 대해 간략하게 설명합니다.

그보다 더 나아가, 데이터 과학에는 6자릿수 급여에 따른 어려움이 따른다는 점도 기억해야 합니다. 매우 가파른 학습 곡선이 있으며 학습은 실제로 끝나지 않습니다. 새로운 기술, 트렌드, 도구는 모두 빠르고 어려워집니다. 직장을 유지하려면 계속 따라가야 합니다.

말하자면, 그것은 훌륭한 직업 선택입니다. 제가 언급한 세 가지 주요 역량을 갖추면 어떤 일이든 잘 수행할 수 있습니다. 데이터 과학 역할 그것은 당신에게 호소합니다.

네이트 로시디 데이터 과학자이자 제품 전략 분야의 전문가입니다. 그는 분석을 가르치는 겸임 교수이기도 하며, 스트라타스크래치, 데이터 사이언티스트가 상위 기업의 실제 인터뷰 질문을 통해 인터뷰를 준비하는 데 도움이 되는 플랫폼입니다. 그와 연결 트위터: StrataScratch or 링크드인.