Как перейти к науке о данных с другого фона?

Создатель изображений Bing
 

Если вы не имеете опыта работы в области компьютерных наук, вы знаете, какой это объем работы, чтобы найти работу в мире науки о данных. Возможности науки о данных требуют большого количества людей, но поскольку наука о данных является настолько новой для мира (прошло не более десяти лет!), очень мало людей, которые органически квалифицированы для того, чтобы быть учеными данных в соответствии с нормами. корпоративный мир.

Эта отрасль кричит о росте и возможностях, и это одна из главных причин, по которой кто-то захочет перейти в мир науки о данных, хотя и имеет совершенно другой опыт.

Примечание: Я один из немногих, кто знает, что наука о данных может работать для кого-то, кто не имеет опыта работы с CS, и я надеюсь, что эта статья поможет вам найти руководство, необходимое для ускорения вашего путешествия.

 

 

В этой статье мы рассмотрим, как вы должны подходить к науке о данных как к карьерному переходу на основе трех разных сегментов:

• Для тех, у кого есть никогда не касался какой-либо темы, тесно связанной с наукой о данных в колледже
• Для кого-то из фон, не связанный с CS, но с парой соответствующих предметов, связанных с наукой о данных И кто хочет быть Data Scientist, почему бы и нет?

Для того, кто был работает в отрасли в течение длительного времени, но теперь хочет переключиться в увлекательный и пугающий мир науки о данных.

Примечание: Взгляды в этой статье принадлежат только мне, не стесняйтесь высказывать свое мнение или подходы к переходу. Я желаю вам всего наилучшего.

 

Давайте приступим к делу.

Стадия I: вы не имеете близкого отношения к науке о данных, но хотите в нее вникнуть.

Что ж, в этом случае я бы сказал, что единственное усилие, которое вы приложите, — умственное, и оно требует большого терпения. Нет никаких сомнений в том, что наука о данных — это очень техническая тема, в которой используется множество чисел.

PS Попробуйте сначала проверить это, чтобы определить, по какому пути следует следовать, чтобы добиться успеха в науке о данных. Затем вы можете двигаться дальше и понимать, что вам нужно отметить, чтобы ускорить свое путешествие!

Начало здесь:

 

На что обратить внимание в этом случае:

• Наука о данных, как и любой другой предмет, вы всегда можете начать изучать ее, когда найдете время.
• Всегда достаточно рано, никогда не поздно начать.
• Наука о данных — это сочетание компьютерных наук, статистики, математики на уровне колледжа, большого количества логического мышления и языков программирования с другими инструментами, которые вы можете использовать.
• Отметьте свои навыки в каждой из областей (или особенно в той, в которой вы хотите стать профессионалом) и продолжайте изучать каждую из них.
• Если вы хотите заняться аналитикой, продвигайте свои знания статистики, а также очистку данных и т. д. (изучите Excel как можно больше, это благословение для аналитики в небольших наборах данных и лучший инструмент для начала)
• Для Data Viz попробуйте изучить Tableau, PowerBI и т. д., но в то же время поймите, как работают визуализации и как вы можете улучшить визуальные эффекты и информационные панели.
• В первую очередь в течение первых 2 месяцев обучения сосредоточьтесь на изучении этих предметов в том же порядке — Excel, SQL, Tableau и, если позволяет время, основах Python.

 

 

При этом вы можете перейти на этап II и продолжить обучение оттуда.

Примечание. Если вы новичок в науке о данных, это займет время, поэтому просто наберитесь терпения и доверьтесь процессу. Это сработает!

Стадия II: вы были связаны с некоторыми предметами в области науки о данных, но вы не занимались ею полностью.

Это был тот же этап, что и у меня, и я могу вам сказать, что изучение Data Science требует значительных усилий. Это зависит от многих факторов, как вы в конечном итоге увидите, но это не очень сложно, учитывая то, как мир открывает двери для обучения с открытым исходным кодом и предлагает знания всем, кто этого желает (даже если они приходят из не-CS). фон).

На что обратить внимание в этом случае:

• Наука о данных — сложная область, если вы попытаетесь взглянуть на нее в целом. Просто начните рассматривать каждый компонент, на котором вы хотите сосредоточиться, как часть большой головоломки, и все будет в порядке.
• Если вы хотите остановиться на стороне науки о данных, связанной с визуализацией данных, сосредоточьтесь на понимании того, как работают информационные панели и подключения к данным, и изучите рассказывание историй о данных.
• Для тех, кто хочет заняться машинным обучением, попробуйте понять, как работать с Python или R, если вы используете Python — изучите такие библиотеки, как NumPy, Pandas, Scikit Learn, SciPy, Matplotlib и Seaborn.
• Поймите теоретическую концепцию машинного обучения, чтобы лучше понимать свои алгоритмы. Это должно занять время, но понимание процесса важнее, чем кодирование полноценного алгоритма машинного обучения.
• Если вы хотите продвинуть свою сторону аналитики — изучите логическую статистику и поймите, как данные можно использовать для создания решений, основанных на данных. Узнайте, как работать с неструктурированными данными, и очистите как можно больше наборов данных.
• Выйдите за рамки обычных команд CRUD в SQL, чтобы в совершенстве понять, как работают JOINS и как работать с MySQL/PostgreSQL. Если вы хотите продвигать его с помощью Excel, узнайте, как использовать пакет инструментов анализа данных и как создавать макросы.
• Поймите, как работают данные временных рядов, и узнайте, как извлекать данные из источников и делать прогнозы временных рядов, чтобы ускорить ваше обучение.

 

 

Чаще всего вы будете одним из тех, кто изучит множество инструментов и разберется во всем на среднем уровне.

Я настоятельно рекомендую вам найти свою нишу и продвигаться в ней. Учитывая объем знаний и конкуренцию в мире науки о данных, попробуйте найти свою нишу и убедитесь, что вы найдете свое место в соревновании с вашими уникальными навыками.

Этап III: вы уже являетесь профессионалом в отрасли, но хотите начать заниматься наукой о данных прямо сейчас!

Есть люди, которых я знаю, которые были в удивительном положении в своей жизни, прежде чем решили, что они хотят быть частью науки о данных. Естественно хотеть изменить карьеру после долгого времени работы в определенной отрасли, и есть несколько вещей, которые я получил от людей, которых я знаю, которые были в аналогичной должности и могут помочь вам в этом случае.

На что обратить внимание в этом случае:

• Как только вы станете профессионалом в определенной отрасли, это может быть связано с изменением жизненного выбора или потребностью в повышении квалификации, что приведет вас к науке о данных.
• В любом случае, управленческие роли в науке о данных были бы счастливее иметь кого-то с большим корпоративным влиянием в отрасли.
• Повышение квалификации в области науки о данных с вашими существующими знаниями в отрасли может быть одним из лучших вещей, которые могут произойти с вашей карьерой. Наука о данных, играя на компьютерных науках, а также на инструментах и ​​методах, в значительной степени опирается на знание предметной области.
• Имея достаточные знания предметной области, вы можете стать специалистом по данным в своей области, используя силу данных для большего, чем то, что уже сделано.
• Отраслевые KPI и метрики могут быть дополнительно разработаны и автоматизированы с помощью Data Science, что также может открыть для вас новые возможности.
• Имея в своем арсенале дополнительные знания об инструментах обработки данных, вы можете стать тренером в своей области и помочь начинающим специалистам по обработке и анализу данных. Возможности безграничны.
• Инструменты и навыки, которые необходимо освоить на этом этапе, такие же, как и на этапах I и II, упомянутых ранее в этой статье.

В любом случае, лучше всего изучать науку о данных и придерживаться своей профессии из-за того, как сегодня мир переходит к науке о данных. Все, что вы делаете, можете и используете данные, а также использование их при принятии решений, сделает ваши решения намного лучше.

Трудно перейти в мир науки о данных не потому, что там сложно найти работу, а потому, что за нее борется так много людей. Возможности видят все, и люди знают, что будущее за данными, а также наука о данных.

Для тех, кто уже хорошо разбирается в науке о данных, следите за обновлениями, у меня будет еще одна часть этой статьи, в которой мы обсудим, как вы можете перейти от профессионала к эксперту в науке о данных.

 
 
Яш Гупта — энтузиаст по науке о данных и бизнес-аналитик, внештатный технический писатель и блоггер на Medium.com. Он заинтересован в том, чтобы делиться знаниями в области науки о данных с более широкой аудиторией в простой для восприятия форме. Он хочет поделиться своими знаниями со всеми, кто любит данные так же, как и он. Он пытается узнавать что-то новое каждый день и любит сопровождать начинающих энтузиастов данных в их путешествии.

 
Оригинал, Перемещено с разрешения.
 

• SEO-контент и PR-распределение. Получите усиление сегодня.
• ПлатонАйСтрим. Анализ данных Web3. Расширение знаний. Доступ здесь.
• Чеканка будущего с Эдриенн Эшли. Доступ здесь.
• Покупайте и продавайте акции компаний PREIPO® с помощью PREIPO®. Доступ здесь.
• Источник: 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