Lees dit voordat u een carrièreswitch maakt naar datawetenschap - KDnuggets

Heruitgegeven door Plato

volgers: 0

Lees dit voordat u een carrièreswitch maakt naar Data Science
Afbeelding door auteur

Je leest dit omdat je erover denkt om je aan te sluiten bij aspirant-datawetenschappers. En wie kan jou de schuld geven? Datawetenschap is een groeiend vakgebied, zelfs tien jaar na de inmiddels beruchte ‘meest sexy baan’-onderscheiding van de Harvard Business Review. Het Amerikaanse Bureau of Labor Statistics momenteel voorspelt de werkgelegenheidsgraad voor datawetenschappers zal tussen 35 en 2022 met 2032 procent groeien. Vergelijk dat eens met de gemiddelde banengroei, die slechts 5 procent bedraagt.

Er zijn nog andere dingen die ervoor zorgen:

Het is goed betaald (nogmaals, de BLS gevonden een gemiddeld salaris van $ 103 in 2022)
Het gaat gepaard met een hoge levenskwaliteit (hoger dan gemiddeld werkgerelateerd geluk). volgens naar Carrièreverkenner)
Er is werkzekerheid ondanks de recente ronde van ontslagen – omdat er zoveel vraag is naar de rol

Er zijn dus genoeg redenen om het veld in te willen gaan.

Lees dit voordat u een carrièreswitch maakt naar Data Science
Bron: https://www.bls.gov/ooh/math/data-scientists.html

Maar datawetenschap is een heel breed vakgebied, met veel verschillende functietitels en vaardigheden die je moet kennen voordat je aan de slag gaat. Dit artikel begeleidt u bij de verschillende richtingen die u kunt inslaan en wat u voor elke richting moet weten om kennis te maken met data science.

Om een succesvolle transitie naar een data science carrière, moet u een gestructureerde aanpak volgen:

Beoordeel uw data science vaardigheden en hiaten identificeren.
Doe praktijkervaring op in de gebieden waar u zwak bent.
Netwerk. Sluit u aan bij datawetenschapsgroepen, woon bijeenkomsten bij en draag bij aan forums.

Laten we dieper duiken.

Beoordeel uw uitgangspositie

Wat weet je al en hoe kan dit worden toegepast in data science? Denk aan: eventuele programmeerkennis, statistische vaardigheden of ervaring met data-analyse die u heeft.

Identificeer vervolgens de hiaten in uw vaardigheden, met name die welke essentieel zijn voor datawetenschap. SQL is een echte must, maar Python- of R-programmering, geavanceerde statistieken, machine learning en datavisualisatie zijn ook uiterst nuttig.

Zodra u deze hiaten heeft vastgesteld, zoekt u naar relevante opleiding of training om deze op te vullen. Dit kan zijn via online cursussen, universitaire programma's, bootcamps of zelfstudie, met de nadruk op praktisch, praktijkgericht leren.

Praktische ervaring

Je moet niet alleen video's bekijken en blogposts lezen. Praktische ervaring is cruciaal in data science. Neem deel aan projecten waarmee u uw nieuwe vaardigheden in praktijkscenario's kunt toepassen. Dit kunnen persoonlijke projecten zijn, bijdragen aan open-sourceplatforms of deelname aan datawedstrijden zoals die op Kaggle.

Als je over een aantal basisvaardigheden beschikt, kun je overwegen om stages of freelancewerk te zoeken om ervaring in de sector op te doen.

Belangrijker, documenteer al uw projecten en ervaringen in een portfolio, waarin uw probleemoplossend proces, de technieken die u hebt gebruikt en de impact van uw werk worden benadrukt.

Netwerk

Het doorbreken van data science komt vaak neer op wie je kent, naast wat je weet. Vind mentoren, neem deel aan bijeenkomsten, conferenties en workshops om meer te weten te komen over nieuwe trends, en neem deel aan online datawetenschapsgemeenschappen zoals Stack Overflow, GitHub of Reddit. Met deze platforms kunt u van anderen leren, uw kennis delen en opgemerkt worden binnen de data science-gemeenschap.

Als u wilt word een datawetenschapper vanaf het begin, is het logisch om de vaardigheden die je nodig hebt om te ontwikkelen als een boom te beschouwen. Er zijn ‘stam’-vaardigheden die gemeenschappelijk zijn voor elke data science-baan, en elke specialiteit heeft ‘branche’-vaardigheden die zich blijven vertakken naar steeds meer gespecialiseerde rollen.

Er zijn drie hoofdvaardigheden die elke datawetenschapper nodig heeft, ongeacht welke richting hij opgaat:

Gegevensmanipulatie/-ruzie met behulp van SQL

Datawetenschap komt in feite neer op het omgaan met en organiseren van grote datasets. Om dat te doen, moet u SQL kennen. Het is de essentieel hulpmiddel voor gegevensmanipulatie en ruzie.

Lees dit voordat u een carrièreswitch maakt naar Data Science
Afbeelding door auteur

Soft skills of sociale vaardigheden

Datawetenschap vindt niet plaats in een vacuüm. Je moet aardig met anderen spelen, wat betekent dat je je zachte vaardigheden moet verbeteren. Het kunnen communiceren van complexe gegevensbevindingen op een duidelijke en begrijpelijke manier aan niet-technische belanghebbenden is net zo belangrijk als technische vaardigheden. Deze omvatten effectieve communicatie, probleemoplossing en zakelijk inzicht.

Probleemoplossing helpt bij het aanpakken van complexe data-uitdagingen, terwijl zakelijk inzicht ervoor zorgt dat datagestuurde oplossingen in lijn zijn met de organisatiedoelen.

Constante leerhouding

Datawetenschap is anders dan vijf jaar geleden. Kijk maar eens waar we vandaag staan met AI vergeleken met 2018. Er komen voortdurend nieuwe tools, technieken en theorieën bij. Daarom heb je een continue leermentaliteit nodig om op de hoogte te blijven van de nieuwste ontwikkelingen en je aan te passen aan nieuwe technologieën en methodologieën in het veld.

Je hebt zelfmotivatie nodig om te leren en je aan te passen, evenals een proactieve benadering om nieuwe kennis en vaardigheden te verwerven.

Hoewel er gemeenschappelijke vaardigheden zijn, zoals ik hierboven heb geschetst, vereist elke rol zijn eigen specifieke vaardigheden. (Weet je nog? Branches.) Statistische analyse, programmeervaardigheden in Python/R en datavisualisatie zijn bijvoorbeeld allemaal specifiek voor meer gespecialiseerde banen in datawetenschap.

Lees dit voordat u een carrièreswitch maakt naar Data Science
Afbeelding door auteur

Laten we elke data science-aangrenzende rol opsplitsen, zodat u kunt zien wat u nodig heeft.

Business/Data Analist

Ja, dit is een data science-rol! Zelfs als de nee-zeggers het daar niet mee eens zijn, geloof ik nog steeds dat je het op zijn minst als een opstapje kunt beschouwen als je een carrière in de datawetenschap wilt betreden.

Als bedrijfs- of data-analist ben jij verantwoordelijk voor het overbruggen van de kloof tussen data-inzichten en bedrijfsstrategie. Het is perfect voor degenen die een talent hebben om de zakelijke behoeften te begrijpen en deze te vertalen naar datagestuurde oplossingen.

Als kernvaardigheden heb je nodig business intelligence – geen verrassingen daar –, sterke analytische vaardigheden, vaardigheid in talen voor het opvragen van gegevens, voornamelijk SQL. In deze rol zijn Python en R optioneel omdat de hoofdtaak het bewerken van gegevens is.

Er is een visualisatiecomponent maar afhankelijk van uw taak kan dit betekenen dat u dashboards in Tableau of grafieken in Excel moet maken.

gegevens Analytics

Deze rol richt zich op het interpreteren van gegevens om bruikbare inzichten te bieden. Het is een geweldige baan voor jou als je het leuk vindt om cijfers te vertalen naar verhalen en bedrijfsstrategieën.

Je hebt een stevige handgreep nodig statistische analyse en datavisualisatie – hoewel dit wederom tableau-dashboards en/of Excel-grafieken kunnen zijn). Je hebt ook vaardigheid nodig in analysetools als Excel, Tableau en SQL. Python/R zijn wederom optioneel, maar onthoud dat ze echt kunnen helpen bij het implementeren van statistieken en automatisering.

Machine leren

Machine Learning-wetenschappers ontwikkelen voorspellende modellen en algoritmen om datagestuurde voorspellingen of beslissingen te maken. Deze rollen zijn geschikt voor mensen met een sterke interesse in AI en modelbouw.

Geen verrassingen wat betreft kernvaardigheden: je hebt een diep begrip van algoritmen, ervaring met machine learning-frameworks zoals TensorFlow en PyTorch, en sterke programmeervaardigheden. Python en/of R zijn niet langer optioneel maar een must-have.

Data-engineering

In deze rol concentreer je je op de architectuur, het beheer en het onderhoud van datapijplijnen. Het is geschikt voor mensen die houden van de technische uitdagingen van het beheren en optimaliseren van de gegevensstroom en -opslag.

Om in deze baan te komen, heb je eexpertise in databasebeheer, ETL-processen en vaardigheid in big data-technologieën zoals Hadoop en Spark. Je hebt ook nodig vaardigheid in het automatiseren van datapijplijnen met behulp van technologieën zoals Airflow.

Business Intelligence

Bij business intelligence draait het allemaal om het bouwen van visualisaties. Het is geweldig voor verhalenvertellers en mensen met een sterk zakelijk inzicht.

Je moet een professional zijn met dashboardtechnologieën zoals Tableau en Qlik, aangezien dit de tools zijn die je gaat gebruiken om je visualisaties uit te bouwen. Je hebt ook vaardigheden op het gebied van gegevensmanipulatie nodig (lees: SQL-vaardigheden) om gegevensquery's te helpen optimaliseren die de dashboardprestaties snel maken.

Zoals ik eerder in het artikel al zei, is datawetenschap een snel evoluerend vakgebied. Er komen voortdurend nieuwe banen en functies bij. Om terug te gaan naar mijn boom-analogie: ik beschouw het graag als nieuwe vertakkingen die worden toegevoegd aan de belangrijkste datawetenschapsstam. Er zijn nu cloud-ingenieurs, SQL-specialisten, DevOps-rollen en meer – allemaal nog steeds verbonden met dat data science-traject. Dit artikel geeft dus slechts een korte schets van de richtingen die u met data science kunt inslaan.

Sterker nog, je moet ook onthouden dat datawetenschap uitdagingen met zich meebrengt die aan dat zescijferige salaris zijn verbonden. Er is een zeer steile leercurve en het leren houdt nooit echt op. Nieuwe technologieën, trends en tools komen allemaal snel en moeilijk – en als je je baan wilt behouden, moet je dat ook blijven doen.

Dat gezegd hebbende, het is een geweldige carrièremogelijkheid. Met de drie hoofdcompetenties die ik noemde, ben je goed toegerust om ze allemaal aan te kunnen rol van datawetenschap dat spreekt je aan.

Nate Rosidi is een datawetenschapper en in productstrategie. Hij is ook een adjunct-professor onderwijsanalyse en is de oprichter van StrataScratch, een platform dat datawetenschappers helpt bij het voorbereiden van hun interviews met echte interviewvragen van topbedrijven. Maak contact met hem op Twitter: StrataScratch or LinkedIn.