Jak przejść do nauki o danych z innego tła?

Kreator obrazów Bing
 

Jeśli nie jesteś informatykiem, wiesz, ile pracy kosztuje znalezienie pracy w świecie Data Science. Możliwości nauki o danych wymagają wielu osób, ale ponieważ nauka o danych jest tak nowa na świecie (nie minęło więcej niż dekada!), bardzo niewiele osób ma organiczne kwalifikacje do bycia naukowcami danych zgodnie z normami świecie korporacji.

Ta branża krzyczy o wzroście i możliwościach i jest to jeden z głównych powodów, dla których ktoś chciałby przejść do świata Data Science, mimo że pochodzi z zupełnie innego środowiska.

Uwaga: Jestem jednym z nielicznych, którzy wiedzą, że Data Science może się sprawdzić dla kogoś, kto nie ma doświadczenia w CS i mam nadzieję, że ten artykuł pomoże ci znaleźć wskazówki, których potrzebujesz, aby przyspieszyć swoją podróż.

 

 

W tym artykule omówimy, w jaki sposób należy podejść do nauki o danych jako przejścia do kariery w oparciu o trzy różne segmenty:

• Dla kogoś, kto ma nigdy nie dotknął żadnego tematu ściśle związanego z Data Science na studiach.
• Dla kogoś z tło inne niż CS, ale z kilkoma odpowiednimi przedmiotami związanymi z nauką o danych a kto chce zostać naukowcem danych, dlaczego nie?

Dla kogoś, kto był pracuje w branży od dłuższego czasu, ale teraz chce się zmienić do fascynującego i zniechęcającego świata Data Science.

Uwaga: Poglądy w tym artykule są wyłącznie moje, możesz mieć własne zdanie lub podejście do przejścia. Życzę ci wszystkiego najlepszego.

 

Przejdźmy od razu do tego.

Etap I: Nie jesteś blisko związany z Data Science, ale chcesz się w to zagłębić.

Cóż, w tym przypadku powiedziałbym, że jedynym wysiłkiem, jaki podejmiesz, jest wysiłek umysłowy i wymaga on dużo cierpliwości. Nie ma wątpliwości, że nauka o danych jest bardzo technicznym przedmiotem i obejmuje wiele liczb.

PS Spróbuj najpierw to sprawdzić, aby określić, jaką drogą należy podążać, aby odnieść sukces w nauce o danych. Następnie możesz przejść dalej i zrozumieć rzeczy, na które musisz zwrócić uwagę, aby przyspieszyć swoją podróż!

Zacznij tutaj:

 

Na co należy zwrócić uwagę w tym przypadku:

• Data Science jest jak każdy inny przedmiot, zawsze możesz zacząć się go uczyć, kiedy tylko znajdziesz na to czas.
• Zawsze jest wystarczająco wcześnie, nigdy nie jest za późno, aby zacząć.
• Data Science to połączenie informatyki, statystyki, matematyki na poziomie uniwersyteckim, mnóstwa logicznego myślenia i języków programowania z innymi narzędziami, których możesz użyć.
• Określ swoje umiejętności w każdej z domen (a szczególnie w tej, w której chcesz zostać zawodowcem) i dowiedz się więcej o każdej z nich.
• Jeśli chcesz zająć się analityką, poszerz swoją wiedzę o statystyki, a także czyszczenie danych itp. (ucz się Excela jak najwięcej, to błogosławieństwo dla analityki w małych zbiorach danych i najlepsze narzędzie na początek)
• W przypadku Data Viz spróbuj nauczyć się Tableau, PowerBI itp., ale jednocześnie zrozum, jak działają wizualizacje i jak możesz tworzyć lepsze wizualizacje i pulpity nawigacyjne.
• Przede wszystkim przez pierwsze 2 miesiące nauki skup się na nauce tych elementów w tej samej kolejności — Excel, SQL, Tableau i, jeśli czas na to pozwoli, podstawy Pythona.

 

 

Dzięki temu możesz przejść do etapu II i stamtąd kontynuować naukę.

Uwaga: to zajmie trochę czasu, jeśli jesteś nowy w Data Science, więc po prostu musisz być cierpliwy i zaufać procesowi. Ułóży się!

Etap II: Byłeś związany z niektórymi przedmiotami w Data Science, ale nie interesowałeś się tym całkowicie.

To był podobny etap do mojego i mogę powiedzieć, że studiowanie Data Science wymaga sporo wysiłku. Jak się później przekonasz, zależy to od wielu czynników, ale nie jest to bardzo trudne, biorąc pod uwagę sposób, w jaki świat otwiera drzwi do otwartego uczenia się i oferuje wiedzę każdemu, kto jej pragnie (nawet jeśli pochodzi z nie-CS tło).

Na co należy zwrócić uwagę w tym przypadku:

• Data Science to trudna dziedzina, jeśli spróbujesz spojrzeć na nią jako całość. Po prostu zacznij postrzegać każdy element, na którym chcesz się skupić, jako elementy wielkiej układanki, a wszystko będzie dobrze.
• Jeśli chcesz skupić się na stronie Data Viz Data Science, skup się na zrozumieniu, jak działają pulpity nawigacyjne i połączenia danych, i naucz się opowiadania historii danych.
• Dla kogoś, kto chce rozpocząć przygodę z uczeniem maszynowym, spróbuj zrozumieć, jak pracować z Pythonem lub R, jeśli używasz Pythona — naucz się bibliotek takich jak NumPy, Pandas, Scikit Learn, SciPy, Matplotlib i Seaborn.
• Zapoznaj się z teoretyczną koncepcją uczenia maszynowego, aby lepiej zrozumieć swoje algorytmy. Powinno to zająć trochę czasu, ale zrozumienie procesu jest ważniejsze niż kodowanie wysokiej jakości algorytmu ML.
• Jeśli chcesz poszerzyć swoją wiedzę analityczną — poznaj statystyki inferencyjne i dowiedz się, jak można wykorzystać dane do tworzenia rozwiązań opartych na danych. Dowiedz się, jak pracować z danymi, które nie mają struktury, i czyścić jak najwięcej zestawów danych.
• Wyjdź poza zwykłe polecenia CRUD w SQL, aby doskonale zrozumieć, jak działają JOINS i jak pracować z MySQL/PostgreSQL. Jeśli chcesz wypchnąć to za pomocą programu Excel, dowiedz się, jak korzystać z Data Analysis Toolpak i jak tworzyć makra.
• Dowiedz się, jak działają dane szeregów czasowych i dowiedz się, jak pobierać dane ze źródeł i tworzyć prognozy szeregów czasowych, aby przyspieszyć naukę.

 

 

Częściej niż nie, będziesz jedną z mas, które nauczą się wielu narzędzi i zrozumieją wszystko na poziomie średniozaawansowanym.

Gorąco polecam znalezienie swojej niszy i rozwinięcie się w niej. Biorąc pod uwagę ilość wiedzy i konkurencję w świecie nauki o danych, spróbuj znaleźć swoją niszę i upewnij się, że odnajdziesz się w konkurencji dzięki swoim unikalnym umiejętnościom.

Etap III: Jesteś już profesjonalistą w branży, ale teraz chcesz zacząć w Data Science!

Są ludzie, których znam, którzy byli w niesamowitych sytuacjach w swoim życiu, zanim zdecydowali, że chcą być częścią Data Science. To naturalne, że po długim czasie pracy w określonej branży chcesz zmienić zawód i jest kilka rzeczy, które pozyskałem od ludzi, których znam, którzy byli w podobnej sytuacji i mogą ci pomóc w tym przypadku.

Na co należy zwrócić uwagę w tym przypadku:

• Gdy jesteś profesjonalistą w określonej branży, może to być spowodowane zmianą wyborów życiowych lub potrzebą podnoszenia kwalifikacji, które prowadzą Cię do Data Science
• W każdym razie stanowiska kierownicze w Data Science byłyby szczęśliwsze, gdyby ktoś miał dużą ekspozycję korporacyjną w branży
• Podnoszenie kwalifikacji w Data Science przy użyciu istniejącej wiedzy w branży może być jedną z najlepszych rzeczy, które mogą się zdarzyć podczas zmiany kariery. Data Science, bawiąc się informatyką, a także narzędziami i technikami, w dużej mierze opiera się na wiedzy dziedzinowej.
• Mając wystarczającą wiedzę na temat domeny, możesz zostać naukowcem danych w swojej dziedzinie, wykorzystując moc danych do czegoś więcej niż to, co jest już zrobione
• Specyficzne dla branży KPI i metryki mogą być dalej rozwijane i automatyzowane dzięki Data Science i mogą otworzyć nowe drzwi również dla Ciebie.
• Mając dodatkową wiedzę na temat narzędzi do nauki danych w swoim arsenale, możesz zostać trenerem w swojej dziedzinie i pomóc początkującym naukowcom danych. Możliwości są nieograniczone.
• Narzędzia i umiejętności do nauki na tym etapie są takie same, jak te, które były wykonywane na Etapie I i Etapie II wspomnianym wcześniej w tym artykule.

W każdym razie najlepiej jest uczyć się nauki o danych i trzymać się swojego zawodu ze względu na sposób, w jaki świat przechodzi dzisiaj do nauki o danych. Wszystko, co robisz, możesz i wykorzystujesz dane oraz wykorzystywanie ich w procesie podejmowania decyzji, sprawi, że Twoje decyzje będą o wiele lepsze.

Trudno jest przejść do świata nauki o danych nie dlatego, że trudno jest w nim znaleźć pracę, ale dlatego, że walczy o nią tak wielu ludzi. Możliwości są dostrzegane przez wszystkich i ludzie wiedzą, że -Dane to przyszłość- podobnie jak Data Science.

Dla każdego, kto jest już od razu biegły w Data Science, bądź na bieżąco, będę miał kolejną część tego artykułu, w której omówimy, jak możesz przejść od profesjonalisty do eksperta w Data Science.

 
 
Jasz Gupta jest entuzjastą Data Science i analitykiem biznesowym, niezależnym pisarzem technicznym i blogerem w Medium.com. Interesuje go dzielenie się wiedzą z zakresu nauki o danych z szerszą publicznością w łatwy do wykorzystania sposób. Swoją wiedzą pragnie dzielić się z każdym, kto tak jak on lubi dane. Codziennie stara się uczyć czegoś nowego i uwielbia przewodzić początkującym entuzjastom danych w ich podróży.

 
Oryginalny. Przesłane za zgodą.
 

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoAiStream. Analiza danych Web3. Wiedza wzmocniona. Dostęp tutaj.
• Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
• Kupuj i sprzedawaj akcje spółek PRE-IPO z PREIPO®. Dostęp tutaj.
• Źródło: 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