Läs detta innan du byter karriär till datavetenskap - KDnuggets

Återutgiven av Platon

anhängare: 0

Läs detta innan du byter karriär till datavetenskap
Bild av författare

Du läser det här för att du funderar på att gå med i raden av blivande dataforskare. Och vem kan klandra dig? Datavetenskap är ett växande område, till och med ett decennium efter dess nu ökända "sexigaste jobb"-utmärkelse från Harvard Business Review. US Bureau of Labor Statistics för närvarande förutspår sysselsättningsgraden för datavetare kommer att växa med 35 procent från 2022 till 2032. Jämför det med den genomsnittliga sysselsättningstillväxten, som bara är 5 procent.

Det har andra saker för sig:

Det är välbetalt (igen, BLS hittade en medianlön på 103 2022 USD XNUMX)
Det kommer med en hög livskvalitet (högre än genomsnittet jobbrelaterad lycka enligt till karriärutforskaren)
Det finns anställningstrygghet trots den senaste omgången av uppsägningar – för att det finns så stor efterfrågan på rollen

Så det finns gott om anledningar att vilja bryta sig in på fältet.

Läs detta innan du byter karriär till datavetenskap
Källa: https://www.bls.gov/ooh/math/data-scientists.html

Men datavetenskap är ett väldigt brett område, med många olika jobbtitlar och färdigheter du behöver känna till innan du börjar. Den här artikeln guidar dig genom de olika riktningarna du kan gå och vad du behöver veta för var och en för att komma in i datavetenskap.

Att göra en framgångsrik övergång till en datavetenskapskarriärmåste du följa ett strukturerat tillvägagångssätt:

Bedöm din datavetenskapliga färdigheter och identifiera luckor.
Få praktisk erfarenhet inom de områden där du är svag.
Nätverk. Gå med i datavetenskapsgrupper, delta i möten och bidra till forum.

Låt oss dyka djupare.

Bedöm din utgångsposition

Vad vet du redan och hur kan det tillämpas inom datavetenskap? Tänk på: alla programmeringskunskaper, statistiska färdigheter eller erfarenhet av dataanalys du har.

Identifiera sedan luckorna i dina färdigheter, särskilt de som är viktiga för datavetenskap. SQL är ett riktigt måste, men Python- eller R-programmering, avancerad statistik, maskininlärning och datavisualisering är också extremt fördelaktiga.

När du har identifierat dessa luckor, sök relevant utbildning eller träning för att fylla dem. Detta kan vara genom onlinekurser, universitetsprogram, bootcamps eller självstudier, med fokus på praktiskt lärande.

Praktisk erfarenhet

Du ska inte bara titta på videor och läsa blogginlägg. Praktisk erfarenhet är avgörande inom datavetenskap. Engagera dig i projekt som låter dig tillämpa dina nya färdigheter i verkliga scenarier. Det kan vara personliga projekt, bidrag till plattformar med öppen källkod eller deltagande i datatävlingar som de på Kaggle.

Om du har några grundläggande startkunskaper, kanske du vill överväga att söka praktikplatser eller frilansarbete för att få branscherfarenhet.

Viktigast, dokumentera alla dina projekt och erfarenheter i en portfölj, belysa din problemlösningsprocess, de tekniker du använde och effekten av ditt arbete.

nätverks

Att bryta sig in i datavetenskap handlar ofta om vem du känner, utöver vad du vet. Hitta mentorer, delta i möten, konferenser och workshops för att lära dig om nya trender och engagera dig i datavetenskapsgemenskaper online som Stack Overflow, GitHub eller Reddit. Dessa plattformar låter dig lära dig av andra, dela dina kunskaper och bli uppmärksammad inom datavetenskapsgemenskapen.

Om du vill bli datavetare från grunden, är det vettigt att tänka på de färdigheter du behöver för att utveckla som ett träd. Det finns "trunk"-färdigheter som är gemensamma för alla datavetenskapliga jobb, och sedan har varje specialitet "branch"-färdigheter som fortsätter att förgrena sig till mer och mer specialiserade roller.

Det finns tre huvudsakliga färdigheter som varje dataforskare behöver, oavsett vilken riktning de går i:

Datamanipulation/tvistelse med SQL

Datavetenskap handlar i grunden om att hantera och organisera stora datamängder. För att göra det behöver du känna till SQL. Det är d viktigt verktyg för datamanipulation och gräl.

Läs detta innan du byter karriär till datavetenskap
Bild av författare

Mjuka färdigheter

Datavetenskap sker inte i ett vakuum. Du måste spela trevligt med andra, vilket innebär att polera upp dina mjuka färdigheter. Att kunna kommunicera komplexa datafynd på ett tydligt och begripligt sätt till icke-tekniska intressenter är lika viktigt som teknisk kompetens. Dessa inkluderar effektiv kommunikation, problemlösning och affärsmannaskap.

Problemlösning hjälper till att hantera komplexa datautmaningar, medan affärsmannaskap säkerställer att datadrivna lösningar är i linje med organisationens mål.

Konstant lärande attityd

Datavetenskap skiljer sig från där den var för fem år sedan. Se bara var vi är idag med AI jämfört med 2018. Det dyker ständigt upp nya verktyg, tekniker och teorier. Det är därför du behöver ett kontinuerligt inlärningstänk för att hålla dig uppdaterad med den senaste utvecklingen och anpassa dig till nya teknologier och metoder inom området.

Du behöver självmotivation för att lära och anpassa dig, samt ett proaktivt förhållningssätt för att skaffa nya kunskaper och färdigheter.

Även om det finns gemensamma färdigheter som jag beskrev ovan, kräver varje roll sin egen specifika kompetens. (Kom ihåg? Filialer.) Till exempel är statistisk analys, programmeringskunskaper i Python/R och datavisualisering specifika för mer specialiserade jobb inom datavetenskap.

Läs detta innan du byter karriär till datavetenskap
Bild av författare

Låt oss bryta ner varje roll i angränsande datavetenskap så att du kan se vad du behöver.

Affärs-/dataanalytiker

Ja, det här är en datavetenskaplig roll! Även om nejsägarna inte håller med, tror jag fortfarande att du åtminstone kan behandla det som ett språngbräda om du siktar på att komma in på karriärspåret för datavetenskap.

Som affärs- eller dataanalytiker är du ansvarig för att överbrygga klyftan mellan datainsikter och affärsstrategi. Det är perfekt för dem som har en förmåga att förstå affärsbehov och översätta dem till datadrivna lösningar.

Som kärnkunskaper behöver du business intelligence – inga överraskningar där –, starka analytiska färdigheter, kunskaper i dataförfrågningsspråk, övervägande SQL. I den här rollen är Python och R valfria eftersom huvuduppgiften är att datatvista.

Det finns en visualiseringskomponent men beroende på ditt jobb kan det innebära att skapa instrumentpaneler i Tableau eller grafer i Excel.

Data Analytics

Denna roll fokuserar på att tolka data för att ge handlingsbara insikter. Det är ett bra jobb för dig om du tycker om att översätta siffror till berättelser och affärsstrategier.

Du behöver ett fast grepp om statistisk analys och datavisualisering – men återigen, dessa kan vara tablåinstrumentpaneler och/eller Excel-diagram). Du behöver även kunskaper i analysverktyg tycka om Excel, Tableau och SQL. Python/R är återigen valfria, men kom ihåg att de verkligen kan hjälpa till med att implementera statistik och automatisering.

Maskininlärning

Maskinlärande forskare utvecklar prediktiva modeller och algoritmer för att göra datadrivna förutsägelser eller beslut. Dessa roller passar dig som har ett stort intresse för AI och modellbygge.

Inga överraskningar när det gäller kärnkunskaper: du behöver en djup förståelse av algoritmer, erfarenhet av ramverk för maskininlärning som TensorFlow och PyTorch, och starka programmeringsfärdigheter. Python och/eller R är inte längre valfria utan ett måste.

Datateknik

I denna roll fokuserar du på arkitektur, hantering och underhåll av datapipelines. Det passar bra för individer som gillar de tekniska utmaningarna med att hantera och optimera dataflöde och lagring.

För att komma in i det här jobbet behöver du eexpertis inom databashantering, ETL-processer och kunskaper i big data-teknologier som Hadoop och Spark. Du behöver också kompetens inom datapipeline-automatisering med hjälp av tekniker som Airflow.

Beslutsstöd

Inom business intelligence handlar det om att bygga visualiseringar. Det är bra för berättare och personer med ett starkt affärssinne.

Du måste vara ett proffs med instrumentpanelstekniker som Tableau och Qlik eftersom det är de verktyg du kommer att använda för att bygga ut dina visualiseringar. Du behöver också kunskaper om datamanipulering (läs: SQL-kunskaper) för att hjälpa till att optimera datafrågor som gör instrumentpanelens prestanda snabbare.

Som jag nämnde tidigare i artikeln är datavetenskap ett område i snabb utveckling. Nya jobb och roller öppnar sig hela tiden. För att gå tillbaka till min trädanalogi, gillar jag att tänka på det som att nya grenar läggs till på huvuddatavetenskapsstammen. Det finns nu molningenjörer, SQL-specialister, DevOps-roller och mer – alla fortfarande anslutna till det datavetenskapsspåret. Så den här artikeln ger bara ett kort urval av riktningarna du kan gå med datavetenskap.

Mer än så bör du också komma ihåg att datavetenskap kommer med utmaningar kopplade till den sexsiffriga lönechecken. Det finns en mycket brant inlärningskurva, och inlärningen tar aldrig riktigt slut. Nya tekniker, trender och verktyg kommer alla snabbt och hårt – och om du vill behålla ditt jobb måste du hänga med.

Med det sagt är det ett bra karriäralternativ. Med de tre huvudkompetenserna jag nämnde under ditt bälte kommer du att vara väl rustad att ta dig an alla datavetenskaplig roll som tilltalar dig.

Nate Rosidi är datavetare och inom produktstrategi. Han är också adjungerad professor som undervisar i analys och är grundaren av StrataScratch, en plattform som hjälper datavetare att förbereda sig för sina intervjuer med riktiga intervjufrågor från toppföretag. Ta kontakt med honom Twitter: StrataScratch or LinkedIn.