Veri Bilimine Kariyer Geçişi Yapmadan Önce Bunu Okuyun – KDnuggets

Yazara göre resim
 

Bunu okuyorsunuz çünkü gelecek vadeden veri bilimcilerin saflarına katılmayı düşünüyorsunuz. Peki seni kim suçlayabilir? Veri bilimi, Harvard Business Review tarafından şu anda meşhur olan "en seksi iş" ödülünden on yıl sonra bile büyüyen bir alandır. ABD Çalışma İstatistikleri Bürosu şu anda tahmin Veri bilimcilerin istihdam oranı 35'den 2022'ye kadar yüzde 2032 artacak. Bunu, yalnızca yüzde 5 olan ortalama iş büyüme oranıyla karşılaştırın.

Bunun için başka şeyler de var:

• İyi maaş alıyor (yine BLS bulundu 103'de ortalama maaş 2022 bin dolar)
• Yüksek bir yaşam kalitesiyle birlikte gelir (ortalama işle ilgili mutluluktan daha yüksek) göre Kariyer Gezgini'ne)
• Son dönemdeki denetimlere rağmen iş güvenliği var işten çıkarmalar – çünkü bu role çok fazla talep var

Dolayısıyla sahaya çıkmak için pek çok neden var.

 

Kaynak: https://www.bls.gov/ooh/math/data-scientists.html
 

Ancak veri bilimi, başlamadan önce bilmeniz gereken birçok farklı iş unvanı ve beceri seti içeren çok geniş bir alandır. Bu makale, gidebileceğiniz çeşitli yönler ve her biri için veri bilimine girmek için bilmeniz gerekenler konusunda size rehberlik edecektir.

Başarılı bir geçiş yapmak için veri bilimi kariyeriyapılandırılmış bir yaklaşım izlemeniz gerekir:

• Değerlendirin veri bilimi becerileri ve boşlukları belirleyin.
• Zayıf olduğunuz alanlarda uygulamalı deneyim edinin.
• Ağ. Veri bilimi gruplarına katılın, buluşmalara katılın ve forumlara katkıda bulunun.

Daha derine inelim.

Başlangıç ​​Pozisyonunuzu Değerlendirin

Zaten ne biliyorsunuz ve veri biliminde nasıl uygulanabilir? Şunu düşünün: sahip olduğunuz herhangi bir programlama bilgisi, istatistiksel beceri veya veri analizi deneyimi.

Daha sonra, becerilerinizdeki, özellikle de veri bilimi için gerekli olan boşlukları belirleyin. SQL gerçekten bir zorunluluktur, ancak Python veya R programlama, gelişmiş istatistikler, makine öğrenimi ve veri görselleştirme de son derece faydalıdır.

Bu boşlukları belirledikten sonra, bunları doldurmak için ilgili eğitim veya öğretimi arayın. Bu, pratik, uygulamalı öğrenmeye odaklanan çevrimiçi kurslar, üniversite programları, eğitim kampları veya kendi kendine çalışma yoluyla olabilir.

Uygulamalı Deneyim

Sadece video izlememeli ve blog yazılarını okumamalısınız. Veri biliminde uygulamalı deneyim çok önemlidir. Yeni becerilerinizi gerçek dünya senaryolarına uygulamanıza olanak tanıyan projelere katılın. Bu kişisel projeler, açık kaynak platformlarına katkılar veya Kaggle'daki gibi veri yarışmalarına katılım olabilir.

Bazı temel başlangıç ​​becerileriniz varsa endüstri deneyimi kazanmak için staj veya serbest çalışma aramayı düşünebilirsiniz.

En önemlisi, tüm projelerinizi ve deneyimlerinizi bir portföyde belgeleyin, problem çözme sürecinizi, kullandığınız teknikleri ve çalışmanızın etkisini vurgulayın.

ağ

Veri bilimine girmek genellikle bildiklerinizin yanı sıra kimi tanıdığınızla da ilgilidir. Yeni trendler hakkında bilgi edinmek için mentorlar bulun, buluşmalara, konferanslara ve atölye çalışmalarına katılın ve Stack Overflow, GitHub veya Reddit gibi çevrimiçi veri bilimi topluluklarına katılın. Bu platformlar başkalarından öğrenmenize, bilginizi paylaşmanıza ve veri bilimi topluluğu içinde fark edilmenize olanak tanır.

Eğer istersen sıfırdan veri bilimcisi olunBir ağaç olarak geliştirmeniz gereken becerileri düşünmek mantıklıdır. Her veri bilimi işinde ortak olan "ana" beceriler vardır ve her uzmanlığın giderek daha uzmanlaşmış rollere dallanmaya devam eden "dal" becerileri vardır.

Hangi yöne giderse gitsin her veri bilimcinin ihtiyaç duyduğu üç temel beceri vardır:

SQL Kullanarak Veri İşleme / Tartışma

Veri bilimi temel olarak büyük veri kümelerinin işlenmesi ve düzenlenmesinden ibarettir. Bunu yapmak için SQL bilmeniz gerekir. Bu the Veri işleme ve tartışma için temel araç.

 

Yazara göre resim

Hassas Yetenek

Veri bilimi boşlukta gerçekleşmez. Başkalarıyla iyi oynamanız gerekiyor, bu da sosyal becerilerinizi geliştirmek anlamına geliyor. Karmaşık veri bulgularını teknik olmayan paydaşlara açık ve anlaşılır bir şekilde aktarabilmek, teknik beceriler kadar önemlidir. Bunlar etkili iletişimi, problem çözmeyi ve iş zekasını içerir.

Sorun çözme, karmaşık veri sorunlarının üstesinden gelmeye yardımcı olurken iş zekası, veri odaklı çözümlerin kurumsal hedeflerle uyumlu olmasını sağlar.

Sürekli Öğrenme Tutumu

Veri bilimi beş yıl öncesinden bile farklı. 2018'e kıyasla yapay zeka konusunda bugün nerede olduğumuza bir bakın. Sürekli olarak yeni araçlar, teknikler ve teoriler ortaya çıkıyor. Bu nedenle, en son gelişmelerden haberdar olmak ve alandaki yeni teknolojilere ve metodolojilere uyum sağlamak için sürekli öğrenme zihniyetine ihtiyacınız var.

Yeni bilgi ve beceriler edinme konusunda proaktif bir yaklaşımın yanı sıra, öğrenmek ve uyum sağlamak için kendi kendine motivasyona ihtiyacınız olacak.

Yukarıda özetlediğim gibi ortak beceriler olsa da, her rol kendine özgü beceri seti gerektirir. (Hatırladınız mı? Dallar.) Örneğin, istatistiksel analiz, Python/R'de programlama becerileri ve veri görselleştirmenin tümü, veri bilimindeki daha uzmanlaşmış işlere özgüdür.

 

Yazara göre resim
 

Neye ihtiyacınız olduğunu görebilmeniz için veri bilimine bitişik her rolü ayrı ayrı inceleyelim.

İş/Veri Analisti

Evet, bu bir veri bilimi rolüdür! Karşı çıkanlar aynı fikirde olmasa bile, veri bilimi kariyer yoluna girmeyi hedefliyorsanız bunu en azından bir basamak taşı olarak değerlendirebileceğinize inanıyorum.

Bir iş veya veri analisti olarak, veri öngörüleri ile iş stratejisi arasındaki boşluğu kapatmaktan sorumlusunuz. İş ihtiyaçlarını anlama ve bunları veri odaklı çözümlere dönüştürme becerisine sahip olanlar için mükemmeldir.

Temel beceriler olarak ihtiyacınız olacak iş zekası - bunda sürpriz yok - güçlü analitik beceriler, veri sorgulama dillerinde yeterlilik, ağırlıklı olarak SQL. Bu rolde Python ve R isteğe bağlıdır çünkü asıl görev veri tartışmasıdır.

Var görselleştirme bileşeni ancak işinize bağlı olarak Tableau'da gösterge tabloları veya Excel'de grafikler oluşturmak anlamına gelebilir.

Veri Analizi

Bu rol, eyleme geçirilebilir bilgiler sağlamak için verileri yorumlamaya odaklanır. Rakamları hikayelere ve iş stratejilerine dönüştürmekten hoşlanıyorsanız, bu sizin için harika bir iş.

Sağlam bir tutuşa ihtiyacın olacak istatistiksel analiz ve veri görselleştirme – yine de bunlar tablo kontrol panelleri ve/veya Excel grafikleri olabilir). Ayrıca şu konularda uzmanlığa da ihtiyacınız olacak: analitik araçları sevmek Excel, Tablo ve SQL. Python/R bir kez daha isteğe bağlıdır, ancak istatistik ve otomasyonun uygulanmasında gerçekten yardımcı olabileceklerini unutmayın.

Makine öğrenme

Makine Öğrenimi bilim insanları, veriye dayalı tahminler veya kararlar vermek için tahmine dayalı modeller ve algoritmalar geliştirir. Bu roller, yapay zeka ve model oluşturmaya güçlü bir ilgi duyanlar için uygundur.

Temel beceriler konusunda sürpriz yok: Algoritmalara ilişkin derin anlayış, TensorFlow ve PyTorch gibi makine öğrenimi çerçevelerinde deneyim ve güçlü programlama becerileri. Python ve/veya R artık isteğe bağlı değil, sahip olunması gereken bir şey.

Veri Mühendisliği

Bu rol, veri işlem hatlarının mimarisine, yönetimine ve bakımına odaklanmanızı sağlar. Veri akışını ve depolamayı yönetme ve optimize etme konusundaki teknik zorluklardan hoşlanan kişiler için çok uygundur.

Bu işe girmek için şunlara ihtiyacınız olacak:veritabanı yönetimi, ETL süreçleri ve Hadoop ve Spark gibi büyük veri teknolojilerinde uzmanlık. Ayrıca ihtiyacınız olacak Veri hattı otomasyonunda yeterlilik Airflow gibi teknolojileri kullanıyor.

İş Zekası

İş zekasında her şey görselleştirmeler oluşturmakla ilgilidir. Hikaye anlatıcıları ve güçlü iş anlayışına sahip kişiler için harikadır.

Görselleştirmelerinizi oluşturmak için kullanacağınız araçlar olduğundan Tableau ve Qlik gibi kontrol paneli teknolojilerinde uzman olmanız gerekir. Kontrol paneli performansını hızlandıran veri sorgularını optimize etmeye yardımcı olmak için ayrıca veri işleme becerilerine (okuma: SQL becerileri) de ihtiyacınız olacak.

Yazının başında da bahsettiğim gibi veri bilimi hızla gelişen bir alan. Sürekli yeni işler ve roller açılıyor. Ağaç benzetmeme geri dönecek olursak, bunu ana veri bilimi gövdesine eklenen yeni dallar olarak düşünmeyi seviyorum. Artık bulut mühendisleri, SQL uzmanları, DevOps rolleri ve daha fazlası var; hepsi hâlâ bu veri bilimi yoluna bağlı. Dolayısıyla bu makale, veri biliminde izleyebileceğiniz yolların sadece kısa bir özetini sunuyor.

Dahası, veri biliminin bu altı haneli maaş çekine bağlı zorluklarla birlikte geldiğini de unutmamalısınız. Çok dik bir öğrenme eğrisi var ve öğrenme asla bitmiyor. Yeni teknolojiler, trendler ve araçların hepsi hızlı ve zor bir şekilde gelir ve eğer işinizi sürdürmek istiyorsanız, buna ayak uydurmalısınız.

Bütün bunlar söyleniyor, bu harika bir kariyer seçeneği. Kemerinizde bahsettiğim üç ana yeterlilik sayesinde, her türlü görevi üstlenebilecek donanıma sahip olacaksınız. veri bilimi rolü bu sana hitap ediyor.
 
 

Nate Rosidi bir veri bilimcisi ve ürün stratejisidir. Aynı zamanda analitik öğreten bir yardımcı profesördür ve kurucusudur. StrataScratch, veri bilimcilerinin en iyi şirketlerden gelen gerçek röportaj sorularıyla röportajlarına hazırlanmalarına yardımcı olan bir platform. onunla bağlantı kurun Twitter: StrataScratch or LinkedIn.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.kdnuggets.com/read-this-before-making-a-career-switch-to-data-science?utm_source=rss&utm_medium=rss&utm_campaign=read-this-before-making-a-career-switch-to-data-science