Veri Bilimcisi Olmamanız İçin 7 Neden - KDnuggets

Plato tarafından yeniden yayınlandı

İzleyiciler: 0

Veri Bilimcisi Olmamanız İçin 7 Neden
Editöre göre resim

Gelecek vaat eden bir veri bilimci misiniz? Eğer öyleyse, veri bilimi kariyerine başarılı bir şekilde yönelen birçok kişiyi görmüş veya duymuşsunuzdur. Ve siz de bir gün geçiş yapmayı umuyorsunuz.

Veri bilimci olarak çalışmanın heyecan verici birkaç yanı var. Yapabilirsiniz:

Alanlar arasında aktarılabilen donanım ve teknik beceriler geliştirin
Verilerle hikayeler anlatın
İşle ilgili soruları verilerle yanıtlayın
İş sorunlarına etkili çözümler oluşturun

Ve daha fazlası. Tüm bunlar kulağa ne kadar heyecan verici gelse de, veri bilimci olmak daha fazla olmasa da aynı derecede zorludur. Peki bu zorluklardan bazıları nelerdir?

Haydi içeri girelim.

Kodlama ve teknik becerileriniz üzerinde çalışırken muhtemelen kendi başınıza çalışma konusunda rahat olacaksınız. Ancak bir veri bilimci olarak işbirliğine ve iletişime öncelik vermelisiniz. Çünkü veri bilimi, verileri karıştırmak ve sayıları tek başına hesaplamakla ilgili değildir.

Sadece aynı ekipte değil, çoğu zaman birden fazla ekipte diğer profesyonellerle işbirliği yapmanız gerekir. Bu nedenle, çeşitli ekipler ve paydaşlarla işbirliği yapma yeteneğiniz, teknik becerileriniz kadar önemlidir.

Ayrıca bulgularınızı ve içgörülerinizi iş dünyası liderleri de dahil olmak üzere teknik olmayan paydaşlara da iletebilmelisiniz.

Nisha Arya AhmedVeri bilimcisi ve teknik yazar olan , şunları paylaşıyor:

"Bir veri bilimi ekibinde, diğer veri bilimi profesyonelleriyle her görev, onların sorumlulukları ve bunların birlikte nasıl çalıştığı konusunda işbirliği yapacaksınız. Daha önce yapılmış bir işi tekrarlayıp daha fazla zaman ve kaynak tüketmek istemediğiniz için bu önemlidir. Ayrıca, işbirliği yapmanız gereken tek kişi veri uzmanları olmayacak; ürün, pazarlama ve diğer paydaşların da dahil olduğu işlevler arası bir ekibin parçası olacaksınız."

– Nisha Arya Ahmed, Veri Bilimcisi ve Teknik Yazar

Projeler üzerinde çalışmaktan, onları tamamlamaktan ve üretime göndermekten hoşlanan biriyseniz, veri bilimini ödüllendirici bir kariyer olarak görmeyebilirsiniz.

Bir projeye bir dizi hedefle (tekrarlanarak rafine edilmiş ve geliştirilmiş) başlasanız da, kuruluşun iş hedefleri değiştikçe çoğu zaman projelerin kapsamını da değiştirmek zorunda kalacaksınız. Belki paydaşlar umut verici yeni bir yön görüyorlardır.

Bu nedenle projelerin kapsamını etkili bir şekilde yeniden önceliklendirmeniz ve değiştirmeniz gerekecek. Ve en kötü durumda gerekirse projenizden vazgeçin.

Ayrıca, erken aşamadaki bir girişimde genellikle birden fazla şapka takmanız gerekecektir. Yani işiniz model oluşturmakla bitmiyor. Bir makine öğrenimi modelini üretime dağıtmayı başarsanız bile modelinizin performansını izlemeniz, sapmalara dikkat etmeniz, gerilemelere dikkat etmeniz ve modeli gerektiği gibi yeniden eğitmeniz gerekir.

Abid Ali AvanKDnuggets'ta Yazar, Editör ve Veri Bilimcisi şunları paylaşıyor:

“Bir şirkette çalışıyorsanız, çoğu zaman birden fazla ekip arasında geçiş yapmak ve aynı anda farklı projeler üzerinde çalışmak zorunda kalabilirsiniz. Ancak üzerinde çalıştığınız projelerin çoğu üretime bile geçemeyebilir.

Çünkü şirketin öncelikleri değişebilir ya da projelerin etkisi yeterince büyük olmayabilir. Ekipler ve projeler arasında sürekli geçiş yapmak yorucu olabilir ve neye katkıda bulunduğunuz konusunda kendinizi bilgisiz hissedebilirsiniz."

– Abid Ali Awan, Yazar, Editör ve KDnuggets'ta Veri Bilimcisi

Dolayısıyla veri bilimi projeleri üzerinde çalışmak, bir projeyi bitirip diğerine geçtiğiniz, baştan sona doğrusal bir süreç değildir.

İki farklı kuruluştaki bir veri bilimcinin hayatındaki bir gün tamamen farklı olabilir. Bir veri bilimcinin, makine öğrenimi mühendisinin ve MLOps mühendisinin rolleri çoğu zaman birbiriyle örtüşen birçok işlevselliğe sahiptir.

Tahmine dayalı modeller oluşturmakla çok ilgilenen bir veri bilimci olduğunuzu varsayalım. Ve ilginizi çeken bir organizasyonda veri bilimci rolünü üstlendiniz.

Ancak tüm gününüzü e-tablolardaki rakamları hesaplayarak ve raporlar hazırlayarak geçirirseniz şaşırmayın. Veya SQL kullanarak veritabanlarından veri çekmek. Verileri SQL ile karıştırmanın ve işle ilgili sorulara yanıt bulmanın veri analisti rolüne daha uygun olacağını düşünebilirsiniz.

Diğer bazı durumlarda ise modelleri oluşturmak ve üretime dağıtmak, sapmaları izlemek ve gerektiğinde modeli yeniden eğitmekten sorumlu olabilirsiniz. Bu durumda, siz aynı zamanda bir veri bilimcisiniz MLOps mühendisi.

Abid'in veri kariyerindeki rol akışkanlığı hakkında neler söylediğini dinleyelim:

““Veri Bilimcisi” olarak anılma konusunda her zaman kafam karışıyor. Bu ne anlama geliyor? Veri Analisti, İş Zekası Mühendisi, Makine Öğrenimi Mühendisi, MLOps Mühendisi veya yukarıdakilerin tümü miyim? Daha küçük bir şirkette veya yeni bir girişimde çalışıyorsanız, şirket içindeki rolünüz değişkendir. Ancak daha büyük organizasyonlarda roller arasında daha net bir ayrım olabilir. Ancak bu, rolün tamamen tanımlandığını garanti etmez. Bir veri bilimcisi olabilirsiniz; ancak yaptığınız işin büyük kısmı belki de iş hedefleriyle uyumlu analiz raporları oluşturmak olacaktır."

– Abid Ali Awan, Yazar, Editör ve KDnuggets'ta Veri Bilimcisi

Bir veri bilimci olarak, teknik açıdan ilgi çekici ancak konuyla daha az alakalı projelerin peşinde koşmak yerine, çabalarınızı iş üzerinde en önemli etkiye sahip olan projelere yönlendirmelisiniz. Bu amaçla iş hedeflerini anlamak aşağıdaki nedenlerden dolayı önemlidir:

İş hedeflerini anlamak, projelerinizi organizasyonun değişen ihtiyaçlarına göre uyarlamanıza ve yeniden önceliklendirmenize olanak tanır.
Bir veri bilimi projesinin başarısı genellikle iş üzerindeki etkisiyle ölçülür. Dolayısıyla, iş hedeflerinin iyi anlaşılması, teknik yönleri somut iş sonuçlarıyla ilişkilendirerek bir projenin başarısını değerlendirmek için net bir çerçeve sağlar.

Matthew MayoKDnuggets Genel Yayın Yönetmeni ve Veri Bilimcisi, iş sonuçlarına kayıtsızlığın maliyetini paylaşıyor:

“Bir veri bilimci olarak, eğer iş hedeflerine kayıtsızsanız, lazer işaretleyiciyi kovalayan bir kedi gibi olabilirsiniz; kendinizi aşırı aktif ve amaçsız, büyük ihtimalle pek değerli hiçbir şeyi başaramamış bulacaksınız. İş hedeflerini anlamak ve bunları işten veri konuşmasına çevirebilmek çok önemli becerilerdir; bu beceriler olmadan kendinizi en karmaşık, alakasız modelleri oluşturmaya zaman ayırırken bulabilirsiniz. İşe yarayan bir karar ağacı, her gün son teknoloji ürünü bir başarısızlığı yener!”

– Matthew Mayo, Genel Yayın Yönetmeni ve Veri Bilimcisi, KDnuggets

Bu konuda Nisha'nın söyledikleri şöyle:

"Yaptığınız her şeyin arkasında bir neden olması gerekir. Bu, eyleminizden önce gelen niyetinizdir. Veri dünyasına gelince, işi ve zorlukları anlamak zorunludur. Bu olmadan, süreç boyunca kafanız karışacaktır. Bir veri bilimi projesinde attığınız her adımda projeyi motive eden hedeflere atıfta bulunmak isteyeceksiniz."

– Nisha Arya Ahmed, Veri Bilimcisi ve Teknik Yazar

Bu nedenle veri bilimi yalnızca sayıları hesaplamak ve karmaşık modeller oluşturmaktan ibaret değildir. Daha çok iş başarısını artırmak için verilerden yararlanmakla ilgilidir.

İş hedeflerini sağlam bir şekilde anlamadığınız takdirde projeleriniz çözmeyi amaçladıkları iş sorunlarından sapabilir ve hem değerleri hem de etkileri azalabilir.

Model oluşturmak heyecan vericidir. Ancak buna giden yol o kadar da ilginç olmayabilir.

Zamanınızın büyük bir kısmını harcamayı bekleyebilirsiniz:

Veri toplama
Kullanılacak en alakalı veri alt kümesinin belirlenmesi
Verilerin analize uygun hale getirilmesi için temizlenmesi

Bu pek de heyecan verici olmayan bir iş. Çoğu zaman makine öğrenimi modellerini oluşturmanıza bile gerek kalmaz. Verileri bir veritabanına aldıktan sonra soruları yanıtlamak için SQL'i kullanabilirsiniz. Bu durumda bir makine öğrenimi modeli oluşturmanıza bile gerek kalmaz.

Abid, önemli işlerin çoğu zaman ilgi çekici olmadığına dair görüşlerini şöyle paylaşıyor:

“Aynı şeyi tekrar tekrar yapmak sıkıcı olabilir. Çoğu zaman, özellikle çeşitli veri kümeleriyle çalışırken oldukça zor olabilecek verileri temizleme görevi size atanabilir. Ayrıca veri doğrulama ve birim testleri yazma gibi görevler o kadar heyecan verici olmayabilir ancak gereklidir."

– Abid Ali Awan, Yazar, Editör ve KDnuggets'ta Veri Bilimcisi

Dolayısıyla, başarılı bir veri bilimi kariyerine sahip olmak için verilerle (iyi, kötü ve çirkin dahil) çalışma sürecinin tadını çıkarmalısınız. Çünkü veri bilimi tamamen verilerden değer elde etmekle ilgilidir. Bu genellikle en gösterişli modelleri oluşturmakla ilgili değildir.

Bir veri bilimci olarak (muhtemelen) her şeyi öğrendiğinizi söyleyebileceğiniz bir noktaya asla ulaşamayacaksınız. Neyi öğrenmeniz gerektiği ve ne kadar öğrenmeniz gerektiği, üzerinde çalıştığınız şeye bağlıdır.

İleriye dönük yeni bir çerçeveyi öğrenmek ve kullanmak gibi oldukça basit bir görev olabilir. Veya gelişmiş güvenlik ve performans için mevcut kod tabanını Rust gibi bir dile taşımak gibi daha meşakkatli bir şey. Teknik olarak güçlü olmanın yanı sıra, çerçeveleri, araçları ve programlama dillerini gerektiği gibi hızlı bir şekilde öğrenebilmeli ve geliştirebilmelisiniz.

Ayrıca gerekirse alan adı ve işletme hakkında daha fazla bilgi edinmeye istekli olmalısınız. Veri bilimi kariyeriniz boyunca tek bir alanda çalışmanız pek olası değildir. Örneğin, sağlık sektöründe veri bilimci olarak başlayabilir, ardından fintech, lojistik ve daha fazlasına geçebilirsiniz.

Yüksek lisans sırasında sağlık hizmetlerinde makine öğrenimi üzerinde, bir hastalık prognozu projesinde çalışma fırsatı buldum. Biyoloji'yi liseden sonra hiç okumadım. Dolayısıyla ilk birkaç haftanın tamamı belirli biyomedikal sinyallerin teknik özelliklerini, özelliklerini, özelliklerini ve çok daha fazlasını keşfetmekle geçti. Kayıtları ön işlemeye başlamadan önce bunlar çok önemliydi.

Kanval Mehreen, bir teknik yazar deneyimini bizimle paylaşıyor:

“Sonunda yeni bir beceri öğrenip 'Ah, işte bu, iyiyim' diye düşündüğünüzde hissettiğiniz o duyguyu bilirsiniz. Veri biliminde o an asla gelmez. Bu alan, sıklıkla ortaya çıkan yeni teknolojiler, araçlar ve metodolojilerle sürekli gelişmektedir. Dolayısıyla, öğrenmenin ikinci planda kaldığı belirli bir noktaya ulaşmayı tercih eden biriyseniz, veri bilimi kariyeri sizin için en iyi seçim olmayabilir.

Üstelik veri bilimi istatistik, programlama, makine öğrenimi ve alan bilgisinin güzel bir karışımıdır. Sağlıktan finansa, pazarlamaya kadar farklı alanları keşfetme fikri sizi heyecanlandırmıyorsa kariyerinizde kaybolmuş hissedebilirsiniz.”

– Kanwal Mehreen, Teknik Yazar

Dolayısıyla bir veri bilimci olarak sürekli öğrenmekten ve becerilerinizi geliştirmekten asla çekinmemelisiniz.

Veri bilimcisi olmanın çeşitli zorluklarını daha önce özetlemiştik:

Kodlama ve model oluşturma teknik becerilerinin ötesine geçmek
Alanı ve iş hedeflerini anlama
Güncel kalmak için sürekli öğrenme ve becerilerinizi geliştirme
Projeleri tam anlamıyla bitirme endişesi olmadan proaktif olmak
Yeniden önceliklendirmeye, gerilemeye ve değişiklik yapmaya hazır olmak
Sıkıcı ama gerekli olan işi yapmak

Diğer tüm teknik rollerde olduğu gibi, işin zor kısmı değil veri bilimcisi olarak işe girmek. Başarılı bir veri bilimi kariyeri inşa etmektir.

Mathew Mayo, bir veri bilimci olarak bu zorlukları nasıl karşılamanız gerektiğini çok güzel bir şekilde özetliyor:

“İşinize başladığınız anda öğrenmeyi bırakabileceğiniz ve en son araçlar, püf noktaları ve teknikler hakkında asla endişelenmeyeceğiniz rahat bir kariyer mi arıyorsunuz? Veri bilimini unutun! Bir veri uzmanı olarak sessiz bir kariyer beklemek, yalnızca bir kokteyl şemsiyesi ve iyimser bir tavırla donanmış bir muson yağmurunda kuru bir yürüyüş beklemeye benzer.

Bu alan, teknik bulmacalar ve teknik olmayan bilmecelerle dolu, aralıksız bir inişli çıkışlı gibidir: Bir gün algoritmaların derinliklerine dalarsınız ve ertesi gün, regresyonun bir geri çekilme olduğunu düşünen birine bulgularınızı açıklamaya çalışırsınız. çocuksu davranış durumu. Ancak işin heyecanı bu zorluklarda yatıyor ve kafein bağımlısı beyinlerimizi eğlendiren de bu.

Eğer zorluklara karşı alerjiniz varsa örgü örmede daha fazla teselli bulabilirsiniz. Ancak veri seli ile yüzleşmekten henüz geri adım atmadıysanız, veri bilimi tam size göre bir fincan kahve olabilir.”

– Matthew Mayo, Genel Yayın Yönetmeni ve Veri Bilimcisi, KDnuggets

Kanwal'ın bu konudaki düşüncelerini dinleyelim:

“Şu gerçekle yüzleşelim: Veri bilimi her zaman sorunsuz ilerlemez. Veriler her zaman düzgün ve düzenli paketler halinde gelmez. Verileriniz bir fırtınadan geçmiş gibi görünebilir; bu eksik, tutarsız ve hatta hatalı olabilir. Analizle uygunluğunu sağlamak için bu verileri temizlemek ve ön işleme tabi tutmak zor olabilir.

Çok disiplinli bir alanda çalışırken teknik olmayan paydaşlarla etkileşimde bulunmanız gerekebilir. Onlara teknik kavramları ve bunların hedefleriyle nasıl uyumlu olduğunu açıklamak gerçekten zorlayıcı olabilir.

Bu nedenle, açık ve anlaşılır bir kariyer yolunu tercih eden biriyseniz, veri bilimi kariyeri sizin için engellerle dolu olabilir."

– Kanwal Mehreen, Teknik Yazar

Yani veri bilimi sadece matematik ve modellerden ibaret değil; verilerden kararlara geçmekle ilgilidir. Bu süreçte her zaman öğrenmeye ve becerilerinizi geliştirmeye, iş hedeflerini, pazar dinamiklerini anlamaya ve çok daha fazlasına istekli olmalısınız.

Dayanıklılıkla ilerlemek istediğiniz zorlu bir kariyer arıyorsanız, veri bilimi gerçekten sizin için iyi bir kariyer seçeneğidir. Mutlu keşifler!

Veri bilimi kariyerinin çeşitli yönlerine ilişkin görüşlerini paylaşan Matthew, Abid, Nisha ve Kanwal'a teşekkür ederim. Ve bu makaleyi çok daha ilginç ve keyifli bir okuma haline getirdiğiniz için!

Bala Priya C Hindistan'dan bir geliştirici ve teknik yazardır. Matematik, programlama, veri bilimi ve içerik oluşturmanın kesiştiği noktada çalışmayı seviyor. İlgi ve uzmanlık alanları DevOps, veri bilimi ve doğal dil işlemeyi içerir. Okumaktan, yazmaktan, kodlama yapmaktan ve kahve içmekten hoşlanıyor! Şu anda öğreticiler, nasıl yapılır kılavuzları, fikir yazıları ve daha fazlasını yazarak öğrenmek ve bilgisini geliştirici topluluğuyla paylaşmak için çalışıyor.