Hvordan gå over til datavitenskap fra en annen bakgrunn?

Bing Image Creator
 

Hvis du har en bakgrunn som ikke er datavitenskap, vet du hvor mye arbeid det er å ta en jobb i datavitenskapens verden. Mulighetene til Data Science krever mange mennesker, men siden Data Science er så nytt i verden (ikke mer enn et tiår har gått!), er det svært få mennesker som er organisk kvalifisert til å være dataforskere i henhold til normene for datavitenskap. bedriftsverdenen.

Denne industrien skriker vekst og muligheter, og det er en av hovedgrunnene til at noen ønsker å gå over til en verden av datavitenskap selv om de kommer fra en helt annen bakgrunn.

OBS: Jeg er en av få som vet at Data Science kan trene for noen, ikke fra CS-bakgrunn, og jeg håper denne artikkelen hjelper deg med å finne veiledningen du trenger for å øke reisen din.

 

 

I denne artikkelen skal vi gå gjennom hvordan du bør nærme deg Data Science som en karriereovergang basert på tre ulike segmenter:

• For en som har aldri rørt noe emne som er nært relatert til datavitenskap på høyskolen.
• For noen fra en ikke-CS-bakgrunn, men med et par relevante emner knyttet til datavitenskap og hvem ønsker å bli dataforsker hvorfor ikke?

For en som har vært det jobbet lenge i en bransje, men ønsker nå å bytte til den fascinerende og skremmende verden av datavitenskap.

OBS: Synspunktene i denne artikkelen er mine alene, ha gjerne din egen mening eller tilnærminger til overgangen. Jeg ønsker deg det beste.

 

La oss komme rett inn i det.

Trinn I: Du er ikke nært beslektet med datavitenskap, men du ønsker å komme inn i det.

Vel, i dette tilfellet vil jeg si at den eneste innsatsen du vil anstrenge deg er mental og den krever mye tålmodighet. Det er ingen tvil om at datavitenskap er et veldig teknisk fag og involverer mange tall.

PS Prøv å sjekke dette først, for å identifisere hva som er veien å følge for å gjøre det stort innen Data Science. Du kan deretter gå videre og forstå tingene du må merke deg for å akselerere reisen din!

Start her:

 

Ting å merke seg i dette tilfellet:

• Datavitenskap er akkurat som alle andre fag, du kan alltid begynne å lære det når du har tid.
• Det er alltid tidlig nok, aldri for sent å starte.
• Data Science er en kombinasjon av informatikk, statistikk, matematikk på høyskolenivå, mye logisk tenkning og programmeringsspråk med andre verktøy du kan bruke.
• Kartlegg ferdighetene dine i hvert av domenene (eller spesielt det du ønsker å bli proff i), og fortsett med å lære mer om hvert.
• Hvis du ønsker å komme inn i analyser, press din statistikkkunnskap og også datarensing, etc. (Lær Excel så mye du kan, det er en velsignelse for analyser i små datasett og det beste verktøyet til å begynne med)
• For Data Viz, prøv å lære Tableau, PowerBI, etc., men samtidig forstå hvordan visualiseringer fungerer og hvordan du kan lage bedre bilder og dashboards.
• Primært for de første 2 månedene av læringen, fokuser på å lære disse i samme rekkefølge - Excel, SQL, Tableau, og hvis tiden tillater det, Python grunnleggende.

 

 

Med dette kan du gå inn i trinn II og fortsette å lære derfra.

Merk: Det vil ta tid hvis du er ny på Data Science, så det er bare å være tålmodig og stole på prosessen. Det ordner seg!

Trinn II: Du har vært relatert til noen fag innen datavitenskap, men du har ikke vært helt inne på det.

Dette var et lignende stadium som mitt, og jeg kan fortelle deg at det krever ganske mye innsats å studere datavitenskap. Det avhenger av mange faktorer som du vil se etter hvert, men det er ikke veldig vanskelig med måten verden har åpnet dører for åpen kildekode-læring og tilbudt kunnskap til alle som ønsker det (selv om de kommer fra en ikke-CS) bakgrunn).

Ting å merke seg i dette tilfellet:

• Data Science er et tøft felt hvis du prøver å se på det som en helhet. Bare begynn å se hver komponent du vil fokusere på som deler av det store puslespillet, så går det helt fint.
• Hvis du vil dvele ved Data Viz-siden av Data Science, fokuser på å forstå hvordan dashbord og datatilkoblinger fungerer og lær deg datahistoriefortelling.
• For noen som ønsker å komme inn i maskinlæring, prøv å forstå hvordan du jobber med Python eller R, hvis du går med Python - lær biblioteker som NumPy, Pandas, Scikit Learn, SciPy, Matplotlib og Seaborn.
• Forstå det teoretiske konseptet bak ML for også å gi mer mening om algoritmene dine. Det bør ta tid, men å forstå prosessen er viktigere enn å kode en høyverdig ML-algoritme.
• Hvis du ønsker å forsterke din analytiske side - lær slutningsstatistikk, og forstå hvordan data kan brukes til å lage datadrevne løsninger. Lær hvordan du arbeider med data som er ustrukturert og renser så mange datasett som mulig.
• Gå utover de vanlige CRUD-kommandoene i SQL for å forstå perfekt hvordan JOINS fungerer og hvordan du jobber med MySQL/PostgreSQL. Hvis du vil presse det med Excel, lær hvordan du bruker Data Analysis Toolpak og hvordan du lager makroer.
• Forstå hvordan tidsseriedata fungerer og vet hvordan du henter data fra kilder og lager tidsserieprognoser for å fremme læringen din.

 

 

Oftere enn ikke vil du være en av massene som vil lære mange verktøy og få grep om alt på et mellomnivå.

Jeg vil på det sterkeste anbefale deg å finne din nisje og gå videre i den. Med mengden kunnskap og konkurranse der ute i datavitenskapsverdenen, prøv å finne din nisje og sørg for at du finner ditt merke i konkurransen med dine unike ferdigheter.

Trinn III: Du er allerede en proff i en bransje, men du vil begynne i Data Science nå!

Det er folk jeg kjenner som har vært i fantastiske posisjoner i livet før de bestemte seg for å være en del av Data Science. Det er naturlig å ønske å ha et karriereskifte etter å ha jobbet lenge i en bestemt bransje, og det er et par ting jeg har hentet fra folk jeg kjenner som har vært i en lignende stilling og kan hjelpe deg i dette tilfellet.

Ting å merke seg i dette tilfellet:

• Når du først er en profesjonell i en bestemt bransje, kan det være på grunn av en endring i livsvalg eller et krav om å oppgradere, som bringer deg til Data Science
• Uansett vil lederroller i Data Science være lykkeligere å ha noen med stor bedriftseksponering i bransjen
• Opplæring i datavitenskap med din eksisterende kunnskap i en bransje kan være noe av det beste som kan skje med karriereovergangen din. Datavitenskap, mens du spiller på informatikk og også på verktøy og teknikker, er sterkt avhengig av domenekunnskap.
• Med nok domenekunnskap kan du være en dataforsker innen ditt felt ved å utnytte kraften i data til mer enn det som allerede blir gjort
• Bransjespesifikke KPIer og beregninger kan videreutvikles og automatiseres med Data Science og kan åpne nye dører for deg også.
• Med den ekstra kunnskapen om datavitenskapelige verktøy i arsenalet ditt, kan du bli trenere innen ditt felt og hjelpe spirende dataforskere. Mulighetene er ubegrensede.
• Verktøyene og ferdighetene for å lære på dette stadiet er de samme som det som ble gjort i trinn I og trinn II nevnt tidligere i denne artikkelen.

Uansett er det best å lære datavitenskap og holde seg til fagfeltet ditt på grunn av måten verden går over til datavitenskap i dag. Alt du gjør, kan og har data involvert, og å bruke det i beslutningsprosessen din, vil bare gjøre beslutningene dine mye bedre.

Det er tøft å gå over til en verden av datavitenskap, ikke fordi det er vanskelig å få jobb, men fordi det er så mange som kjemper om det. Mulighetene blir sett av alle og folk vet at -Data er fremtiden- og det samme er Data Science.

For alle som allerede er umiddelbart dyktige i Data Science, følg med, jeg har en annen del for denne artikkelen som kommer inn der vi diskuterer hvordan du kan gå fra proff til ekspert i Data Science.

 
 
Yash Gupta er en datavitenskapsentusiast og forretningsanalytiker, frilans teknisk skribent og blogger på Medium.com. Han er interessert i å dele datavitenskapelig kunnskap med et større publikum på en enkel måte å konsumere. Han ønsker å dele sin kunnskap med alle som liker data like mye som han gjør. Han prøver å lære noe nytt hver dag og elsker å veilede spirende dataentusiaster på reisen deres.

 
original. Ompostet med tillatelse.
 

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoAiStream. Web3 Data Intelligence. Kunnskap forsterket. Tilgang her.
• Minting the Future med Adryenn Ashley. Tilgang her.
• Kjøp og selg aksjer i PRE-IPO-selskaper med PREIPO®. Tilgang her.
• kilde: https://www.kdnuggets.com/2023/05/transition-data-science-different-background.html?utm_source=rss&utm_medium=rss&utm_campaign=how-to-transition-into-data-science-from-a-different-background