จะเปลี่ยนไปสู่วิทยาศาสตร์ข้อมูลจากภูมิหลังที่แตกต่างกันได้อย่างไร

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

จะเปลี่ยนไปสู่วิทยาศาสตร์ข้อมูลจากภูมิหลังที่แตกต่างกันได้อย่างไร
ผู้สร้างรูปภาพ Bing

หากคุณไม่ได้มีความรู้พื้นฐานด้านวิทยาการคอมพิวเตอร์มาก่อน คุณจะทราบดีว่าต้องทำงานมากขนาดไหนจึงจะแตกงานในโลกของวิทยาศาสตร์ข้อมูลได้ โอกาสของ Data Science นั้นต้องการคนจำนวนมาก แต่ด้วย Data Science ที่ยังใหม่สำหรับโลก (ผ่านไปไม่ถึงทศวรรษ!) มีคนน้อยมากที่มีคุณสมบัติเหมาะสมที่จะเป็น data science ตามบรรทัดฐานของ โลกขององค์กร

อุตสาหกรรมนี้ต้องการการเติบโตและโอกาส และนั่นเป็นหนึ่งในเหตุผลสำคัญที่ทำให้บางคนต้องการเปลี่ยนเข้าสู่โลกของ Data Science แม้ว่าจะมาจากภูมิหลังที่แตกต่างกันมากก็ตาม

หมายเหตุ ฉันเป็นหนึ่งในไม่กี่คนที่รู้ว่าวิทยาศาสตร์ข้อมูลสามารถทำงานให้กับใครบางคนได้ ไม่ใช่จากพื้นฐานด้าน CS และฉันหวังว่าบทความนี้จะช่วยให้คุณพบคำแนะนำที่จำเป็นในการยกระดับการเดินทางของคุณ

จะเปลี่ยนไปสู่วิทยาศาสตร์ข้อมูลจากภูมิหลังที่แตกต่างกันได้อย่างไร

ในบทความนี้ เราจะอธิบายว่าคุณควรใช้ Data Science อย่างไรในการเปลี่ยนอาชีพโดยพิจารณาจากสามกลุ่มที่แตกต่างกัน:

สำหรับคนที่มี ไม่เคยแตะต้องเรื่องที่เกี่ยวข้องกับ Data Science เลย ในวิทยาลัย
สำหรับใครบางคนจาก ภูมิหลังที่ไม่ใช่ CS แต่มีวิชาที่เกี่ยวข้องสองสามวิชาที่เกี่ยวข้องกับ Data Science & ใครอยากเป็นนักวิทยาศาสตร์ข้อมูลทำไมไม่?

สำหรับคนที่เคยเป็น ทำงานในวงการมานานแต่ตอนนี้อยากเปลี่ยน สู่โลกแห่ง Data Science อันน่าทึ่งและน่ากลัว

หมายเหตุ ความคิดเห็นในบทความนี้เป็นของฉันคนเดียว อย่าลังเลที่จะมีความคิดเห็นหรือแนวทางของคุณเองต่อการเปลี่ยนแปลง ฉันขอให้คุณดีที่สุด

มาดูกันเลย

Stage I: คุณไม่ได้เกี่ยวข้องกับ Data Science อย่างใกล้ชิด แต่คุณต้องการเข้าร่วม

ในกรณีนี้ ฉันจะบอกว่าความพยายามเพียงอย่างเดียวที่คุณต้องใช้คือจิตใจและต้องใช้ความอดทนอย่างมาก ไม่ต้องสงสัยเลยว่า Data Science เป็นวิชาเชิงเทคนิคและเกี่ยวข้องกับตัวเลขจำนวนมาก

PS ลองตรวจสอบข้อมูลนี้ก่อน เพื่อระบุว่าเส้นทางใดที่ต้องปฏิบัติตามเพื่อให้มีขนาดใหญ่ใน Data Science จากนั้นคุณสามารถดำเนินการต่อและทำความเข้าใจสิ่งที่คุณต้องทราบเพื่อเร่งการเดินทางของคุณ!

เริ่มที่นี่:

จะเปลี่ยนไปสู่วิทยาศาสตร์ข้อมูลจากภูมิหลังที่แตกต่างกันได้อย่างไร

สิ่งที่ควรทราบในกรณีนี้:

Data Science ก็เหมือนกับวิชาอื่นๆ คุณสามารถเริ่มเรียนรู้ได้ทุกเมื่อที่คุณมีเวลา
มันเร็วพอเสมอ ไม่มีคำว่าสายเกินไปที่จะเริ่มต้น
วิทยาศาสตร์ข้อมูลเป็นการผสมผสานระหว่างวิทยาการคอมพิวเตอร์ สถิติ คณิตศาสตร์ระดับวิทยาลัย การคิดเชิงตรรกะมากมาย และภาษาโปรแกรมด้วยเครื่องมืออื่นๆ ที่คุณสามารถใช้ได้
จัดทำแผนภูมิทักษะของคุณในแต่ละโดเมน (หรือโดยเฉพาะอย่างยิ่งโดเมนที่คุณต้องการเป็นมืออาชีพ) และเรียนรู้เพิ่มเติมเกี่ยวกับแต่ละโดเมน
หากคุณต้องการทำการวิเคราะห์ ให้เพิ่มพูนความรู้ด้านสถิติและการล้างข้อมูล ฯลฯ (เรียนรู้ Excel ให้มากที่สุด เป็นประโยชน์สำหรับการวิเคราะห์ในชุดข้อมูลขนาดเล็กและเป็นเครื่องมือที่ดีที่สุดในการเริ่มต้น)
สำหรับ Data Viz ให้ลองเรียนรู้ Tableau, PowerBI และอื่นๆ แต่ในขณะเดียวกัน ให้ทำความเข้าใจว่าการแสดงภาพทำงานอย่างไร และวิธีการสร้างภาพและแดชบอร์ดที่ดีขึ้น
โดยหลักแล้วในช่วง 2 เดือนแรกของการเรียนรู้ของคุณ ให้เน้นการเรียนรู้เหล่านี้ตามลำดับเดียวกัน — Excel, SQL, Tableau และหากมีเวลา ให้ใช้ Python เบื้องต้น

จะเปลี่ยนไปสู่วิทยาศาสตร์ข้อมูลจากภูมิหลังที่แตกต่างกันได้อย่างไร

ด้วยสิ่งนี้ คุณสามารถเข้าสู่ด่าน II และเรียนรู้ต่อจากตรงนั้นได้

หมายเหตุ: อาจต้องใช้เวลาหากคุณยังใหม่กับ Data Science ดังนั้นคุณต้องอดทนและเชื่อมั่นในกระบวนการนี้ มันจะได้ผล!

ขั้นที่ XNUMX: คุณมีความเกี่ยวข้องกับบางวิชาใน Data Science แต่คุณไม่ได้เข้าร่วมทั้งหมด

นี่เป็นขั้นตอนที่คล้ายกับของฉันและฉันสามารถบอกคุณได้ว่าการศึกษา Data Science นั้นต้องใช้ความพยายามพอสมควร มันขึ้นอยู่กับปัจจัยหลายอย่างที่คุณจะเห็นในที่สุด แต่ก็ไม่ได้ยากนักกับวิธีที่โลกเปิดประตูสำหรับการเรียนรู้แบบโอเพ่นซอร์สและมอบความรู้ให้กับทุกคนที่ต้องการ (แม้ว่าพวกเขาจะมาจากที่ไม่ใช่ CS พื้นหลัง).

สิ่งที่ควรทราบในกรณีนี้:

วิทยาศาสตร์ข้อมูลเป็นสาขาที่ยากหากคุณพยายามมองโดยรวม แค่เริ่มเห็นทุกองค์ประกอบที่คุณต้องการโฟกัสเป็นชิ้นส่วนของจิ๊กซอว์ชิ้นใหญ่ แล้วคุณก็จะสบายดี
หากคุณต้องการอาศัยด้าน Data Viz ของ Data Science ให้เน้นไปที่การทำความเข้าใจว่าแดชบอร์ดและการเชื่อมต่อข้อมูลทำงานอย่างไร และเรียนรู้การเล่าเรื่องข้อมูล
สำหรับคนที่ต้องการเข้าสู่การเรียนรู้ของเครื่อง ลองทำความเข้าใจวิธีการทำงานกับ Python หรือ R ถ้าคุณใช้ Python — เรียนรู้ไลบรารี เช่น NumPy, Pandas, Scikit Learn, SciPy, Matplotlib และ Seaborn
ทำความเข้าใจแนวคิดเชิงทฤษฎีที่อยู่เบื้องหลัง ML เพื่อให้เข้าใจถึงอัลกอริทึมของคุณมากขึ้น ควรใช้เวลา แต่การทำความเข้าใจกระบวนการมีความสำคัญมากกว่าการเข้ารหัสอัลกอริทึม ML ระดับสูง
หากคุณต้องการผลักดันด้านการวิเคราะห์ของคุณ — เรียนรู้สถิติเชิงอนุมาน และทำความเข้าใจว่าข้อมูลสามารถนำมาใช้เพื่อสร้างโซลูชันที่ขับเคลื่อนด้วยข้อมูลได้อย่างไร เรียนรู้วิธีทำงานกับข้อมูลที่ไม่มีโครงสร้างและล้างชุดข้อมูลให้ได้มากที่สุด
ก้าวไปไกลกว่าคำสั่ง CRUD ทั่วไปใน SQL เพื่อทำความเข้าใจอย่างถ่องแท้ถึงวิธีการทำงานของ JOINS และวิธีทำงานกับ MySQL/PostgreSQL หากคุณต้องการผลักดันด้วย Excel เรียนรู้วิธีใช้ Data Analysis Toolpak และวิธีสร้างมาโคร
ทำความเข้าใจว่าข้อมูลอนุกรมเวลาทำงานอย่างไร และรู้วิธีดึงข้อมูลจากแหล่งที่มาและคาดการณ์อนุกรมเวลาเพื่อผลักดันการเรียนรู้ของคุณ

จะเปลี่ยนไปสู่วิทยาศาสตร์ข้อมูลจากภูมิหลังที่แตกต่างกันได้อย่างไร

บ่อยกว่านั้นคุณจะเป็นหนึ่งในมวลชนที่จะเรียนรู้เครื่องมือมากมายและเข้าใจทุกอย่างในระดับกลาง

ฉันขอแนะนำให้คุณค้นหาเฉพาะของคุณและไปขั้นสูงในนั้น ด้วยจำนวนความรู้และการแข่งขันที่มีอยู่มากมายในโลกของวิทยาศาสตร์ข้อมูล ลองค้นหาเฉพาะกลุ่มของคุณและตรวจสอบให้แน่ใจว่าคุณได้คะแนนในการแข่งขันด้วยทักษะเฉพาะของคุณ

Stage III: คุณเป็นมืออาชีพในอุตสาหกรรมนี้แล้ว แต่คุณต้องการเริ่มต้นใน Data Science ทันที!

มีคนที่ฉันรู้จักซึ่งเคยอยู่ในตำแหน่งที่น่าทึ่งในชีวิตก่อนที่จะตัดสินใจว่าพวกเขาต้องการเป็นส่วนหนึ่งของ Data Science เป็นเรื่องปกติที่อยากจะเปลี่ยนอาชีพหลังจากทำงานในอุตสาหกรรมนั้นมาเป็นเวลานาน และมีบางสิ่งที่ฉันได้มาจากคนที่ฉันรู้จักซึ่งเคยอยู่ในตำแหน่งที่คล้ายคลึงกันและสามารถช่วยคุณในกรณีนี้ได้

สิ่งที่ควรทราบในกรณีนี้:

เมื่อคุณเป็นมืออาชีพในอุตสาหกรรมใดอุตสาหกรรมหนึ่งแล้ว อาจเป็นเพราะทางเลือกในชีวิตที่เปลี่ยนไปหรือความต้องการในการเพิ่มทักษะ ซึ่งนำคุณไปสู่วิทยาศาสตร์ข้อมูล
ไม่ว่าในกรณีใด บทบาทการจัดการใน Data Science จะมีความสุขมากกว่าหากมีคนที่มีส่วนร่วมในองค์กรจำนวนมากในอุตสาหกรรมนี้
การยกระดับทักษะด้านวิทยาศาสตร์ข้อมูลด้วยความรู้ที่มีอยู่ในอุตสาหกรรมอาจเป็นหนึ่งในสิ่งที่ดีที่สุดที่สามารถเกิดขึ้นได้กับการเปลี่ยนอาชีพของคุณ วิทยาศาสตร์ข้อมูลในขณะที่เล่นในวิทยาการคอมพิวเตอร์และเครื่องมือและเทคนิคต่างๆ ต้องอาศัยความรู้ด้านโดเมนอย่างมาก
ด้วยความรู้ด้านโดเมนที่เพียงพอ คุณสามารถเป็นนักวิทยาศาสตร์ข้อมูลในสายงานของคุณได้โดยควบคุมพลังของข้อมูลให้มากกว่าที่กำลังทำอยู่
KPI และเมตริกเฉพาะอุตสาหกรรมสามารถพัฒนาเพิ่มเติมและทำให้เป็นอัตโนมัติด้วย Data Science และสามารถเปิดประตูใหม่ให้คุณได้เช่นกัน
ด้วยความรู้เพิ่มเติมเกี่ยวกับเครื่องมือวิทยาศาสตร์ข้อมูลในคลังแสงของคุณ คุณสามารถเป็นผู้ฝึกสอนในสาขาของคุณและช่วยนักวิทยาศาสตร์ข้อมูลรุ่นใหม่ได้ ความเป็นไปได้ไม่จำกัด
เครื่องมือและทักษะที่ต้องเรียนรู้ในขั้นนี้จะเหมือนกับที่ทำในขั้นที่ XNUMX และขั้นที่ XNUMX ที่กล่าวถึงก่อนหน้านี้ในบทความนี้

ไม่ว่าในกรณีใด จะเป็นการดีที่สุดที่จะเรียนรู้วิทยาการข้อมูลและยึดตามสาขาอาชีพของคุณ เนื่องจากวิธีที่โลกกำลังเปลี่ยนไปสู่วิทยาการข้อมูลในทุกวันนี้ ทุกสิ่งที่คุณทำ ทำได้ และมีข้อมูลที่เกี่ยวข้อง และการใช้ข้อมูลนั้นในการตัดสินใจ จะทำให้การตัดสินใจของคุณดีขึ้นมากเท่านั้น

การเปลี่ยนเข้าสู่โลกของวิทยาศาสตร์ข้อมูลเป็นเรื่องยาก ไม่ใช่เพราะหางานยาก แต่เพราะมีคนมากมายแย่งชิงกัน ทุกคนมองเห็นโอกาสและผู้คนรู้ว่า -ข้อมูลคืออนาคต- และวิทยาศาสตร์ข้อมูลก็เช่นกัน

สำหรับใครก็ตามที่เชี่ยวชาญด้าน Data Science อยู่แล้ว โปรดอดใจรอ เราจะมีอีกตอนสำหรับบทความนี้ที่เราจะพูดถึงวิธีเปลี่ยนจากมือโปรเป็นผู้เชี่ยวชาญใน Data Science

ยาช คุปตะ เป็นผู้ที่ชื่นชอบวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ธุรกิจ นักเขียนด้านเทคนิคอิสระ และบล็อกเกอร์ที่ Medium.com เขาสนใจที่จะแบ่งปันความรู้ด้านวิทยาศาสตร์ข้อมูลกับผู้ชมจำนวนมากขึ้นด้วยวิธีที่ง่ายต่อการบริโภค เขาปรารถนาที่จะแบ่งปันความรู้ของเขากับทุกคนที่ชื่นชอบข้อมูลมากเท่ากับที่เขามี เขาพยายามเรียนรู้สิ่งใหม่ๆ ทุกวัน และชอบที่จะชี้นำผู้ที่ชื่นชอบข้อมูลรุ่นใหม่ในการเดินทางของพวกเขา

Original. โพสต์ใหม่โดยได้รับอนุญาต