مختلف پس منظر سے ڈیٹا سائنس میں کیسے منتقل کیا جائے؟

بنگ امیج تخلیق کار
 

اگر آپ نان کمپیوٹر سائنسز کے پس منظر سے ہیں، تو آپ کو معلوم ہے کہ ڈیٹا سائنس کی دنیا میں نوکری کو ختم کرنے کے لیے یہ کتنا کام ہے۔ ڈیٹا سائنس کے مواقع بہت سارے لوگوں کو طلب کرتے ہیں لیکن ڈیٹا سائنس دنیا کے لیے بالکل نیا ہونے کے ساتھ (ایک دہائی سے زیادہ نہیں گزرا ہے!)، بہت کم لوگ ایسے ہیں جو ڈیٹا سائنسدان بننے کے لیے باضابطہ طور پر اہل ہیں کارپوریٹ دنیا.

یہ صنعت ترقی اور مواقع کی چیخ و پکار کرتی ہے اور یہی ایک بنیادی وجہ ہے کہ کوئی شخص ڈیٹا سائنس کی دنیا میں منتقل ہونا چاہے گا حالانکہ وہ بہت مختلف پس منظر سے آتا ہے۔

نوٹ: میں ان چند لوگوں میں سے ہوں جو جانتے ہیں کہ ڈیٹا سائنس کسی کے لیے کام کر سکتی ہے، نہ کہ CS کے پس منظر سے اور مجھے امید ہے کہ یہ مضمون آپ کو اپنے سفر کو بڑھانے کے لیے درکار رہنمائی تلاش کرنے میں مدد کرے گا۔

 

 

اس آرٹیکل میں، ہم اس بات پر جائیں گے کہ آپ کو تین مختلف حصوں کی بنیاد پر کیریئر کی منتقلی کے طور پر ڈیٹا سائنس سے کیسے رجوع کرنا چاہیے:

• کسی ایسے شخص کے لیے جس کے پاس ہے۔ کبھی بھی ڈیٹا سائنس سے متعلق کسی بھی موضوع کو قریب سے نہیں چھوا۔ کالج میں.
• سے کسی کے لیے ایک غیر CS پس منظر لیکن ڈیٹا سائنس سے متعلق کچھ متعلقہ مضامین کے ساتھ اور جو ڈیٹا سائنٹسٹ بننا چاہتا ہے کیوں نہیں؟

کسی ایسے شخص کے لیے جو رہا ہے۔ ایک طویل عرصے سے انڈسٹری میں کام کر رہے ہیں لیکن اب سوئچ کرنا چاہتے ہیں۔ ڈیٹا سائنس کی دلچسپ اور خوفناک دنیا میں۔

نوٹ: اس مضمون کے خیالات اکیلے میرے ہیں، بلا جھجھک اپنی رائے یا تبدیلی کی طرف نقطہ نظر رکھیں۔ میں آپ کے لیے نیک خواہشات کا اظہار کر رہا ہوں۔

 

چلو اس میں ابھی داخل ہوں۔

مرحلہ I: آپ کا ڈیٹا سائنس سے گہرا تعلق نہیں ہے لیکن آپ اس میں جانا چاہتے ہیں۔

ٹھیک ہے، اس معاملے میں، میں کہوں گا کہ آپ صرف ذہنی کوشش کریں گے اور اس کے لئے بہت صبر کی ضرورت ہے. اس میں کوئی شک نہیں کہ ڈیٹا سائنس ایک بہت تکنیکی مضمون ہے اور اس میں بہت سارے نمبر شامل ہیں۔

PS پہلے اسے چیک کرنے کی کوشش کریں، اس بات کی نشاندہی کرنے کے لیے کہ ڈیٹا سائنس میں اسے بڑا بنانے کے لیے کیا راستہ اختیار کرنا ہے۔ اس کے بعد آپ آگے بڑھ سکتے ہیں اور ان چیزوں کو سمجھ سکتے ہیں جنہیں آپ اپنے سفر کو تیز کرنے کے لیے نوٹ کرنے کی ضرورت ہے!

یہاں سے شروع کرو:

 

اس معاملے میں نوٹ کرنے کی چیزیں:

• ڈیٹا سائنس بالکل کسی دوسرے مضمون کی طرح ہے، جب بھی آپ کو وقت ملے آپ اسے سیکھنا شروع کر سکتے ہیں۔
• یہ ہمیشہ کافی جلدی ہوتا ہے، شروع کرنے میں کبھی دیر نہیں ہوتی۔
• ڈیٹا سائنس کمپیوٹر سائنسز، شماریات، کالج کی سطح کی ریاضی، بہت ساری منطقی سوچ، اور پروگرامنگ زبانوں کا مجموعہ ہے جس میں دوسرے ٹولز ہیں جنہیں آپ استعمال کر سکتے ہیں۔
• ہر ایک ڈومین میں اپنی مہارت کا خاکہ بنائیں (یا خاص طور پر جس میں آپ پرو جانا چاہتے ہیں) اور ہر ایک کے بارے میں مزید سیکھنے کے ساتھ آگے بڑھیں۔
• اگر آپ تجزیات میں جانا چاہتے ہیں تو اپنے اعداد و شمار کے علم اور ڈیٹا کی صفائی وغیرہ کو آگے بڑھائیں۔ (ایکسل کو جتنا ہو سکے سیکھیں، یہ چھوٹے ڈیٹا سیٹس میں تجزیات کے لیے ایک نعمت اور شروع کرنے کا بہترین ٹول ہے)
• ڈیٹا ویز کے لیے، ٹیبلاؤ، پاور بی آئی وغیرہ سیکھنے کی کوشش کریں لیکن ساتھ ہی یہ سمجھیں کہ تصورات کیسے کام کرتے ہیں اور آپ کس طرح بہتر بصری اور ڈیش بورڈ بنا سکتے ہیں۔
• بنیادی طور پر اپنے سیکھنے کے پہلے 2 مہینوں کے لیے، ان کو ایک ہی ترتیب میں سیکھنے پر توجہ مرکوز کریں — ایکسل، ایس کیو ایل، ٹیبلاؤ، اور اگر وقت اجازت دے تو، ازگر کی بنیادی باتیں۔

 

 

اس کے ساتھ، آپ مرحلہ II میں جا سکتے ہیں اور وہاں سے سیکھنا جاری رکھ سکتے ہیں۔

نوٹ: اگر آپ ڈیٹا سائنس میں نئے ہیں تو اس میں وقت لگے گا، اس لیے صرف صبر کرنا چاہیے اور عمل پر بھروسہ کرنا چاہیے۔ یہ کام کرے گا!

مرحلہ II: آپ ڈیٹا سائنس کے کچھ مضامین سے متعلق رہے ہیں لیکن آپ اس میں پوری طرح شامل نہیں ہوئے ہیں۔

یہ میرے جیسا مرحلہ تھا اور میں آپ کو بتا سکتا ہوں کہ ڈیٹا سائنس کا مطالعہ کرنے کے لیے کافی محنت درکار ہوتی ہے۔ یہ بہت سارے عوامل پر منحصر ہے جیسا کہ آپ آخر کار دیکھیں گے، لیکن جس طرح سے دنیا اوپن سورس سیکھنے کے دروازے کھول رہی ہے اور ہر اس شخص کو علم کی پیشکش کر رہی ہے جو اس کی خواہش رکھتا ہے (چاہے وہ غیر CS سے ہی کیوں نہ ہوں) پس منظر)۔

اس معاملے میں نوٹ کرنے کی چیزیں:

• اگر آپ اسے مجموعی طور پر دیکھنے کی کوشش کرتے ہیں تو ڈیٹا سائنس ایک مشکل شعبہ ہے۔ بس ہر اس جزو کو دیکھنا شروع کریں جس پر آپ بڑی پہیلی کے ٹکڑوں کے طور پر توجہ مرکوز کرنا چاہتے ہیں، اور آپ بالکل ٹھیک ہو جائیں گے۔
• اگر آپ ڈیٹا سائنس کے ڈیٹا ویز کی طرف رہنا چاہتے ہیں، تو ڈیش بورڈز اور ڈیٹا کنکشن کیسے کام کرتے ہیں اس کو سمجھنے پر توجہ دیں اور ڈیٹا کی کہانی سنانے کو سیکھیں۔
• کسی ایسے شخص کے لیے جو مشین لرننگ میں جانا چاہتا ہے، یہ سمجھنے کی کوشش کریں کہ Python یا R کے ساتھ کیسے کام کیا جائے، اگر آپ Python کے ساتھ جاتے ہیں — NumPy، Pandas، Scikit Learn، SciPy، Matplotlib، اور Seaborn جیسی لائبریریاں سیکھیں۔
• اپنے الگورتھم کو مزید سمجھنے کے لیے ML کے پیچھے نظریاتی تصور کو بھی سمجھیں۔ اس میں وقت لگے گا لیکن اس عمل کو سمجھنا اعلیٰ درجے کے ML الگورتھم کو کوڈنگ کرنے سے زیادہ اہم ہے۔
• اگر آپ اپنے تجزیاتی پہلو کو آگے بڑھانا چاہتے ہیں تو — Inferential Statistics سیکھیں، اور سمجھیں کہ ڈیٹا کو ڈیٹا پر مبنی حل بنانے کے لیے کس طرح استعمال کیا جا سکتا ہے۔ ایسے ڈیٹا کے ساتھ کام کرنے کا طریقہ سیکھیں جو غیر ساختہ ہو اور زیادہ سے زیادہ ڈیٹا سیٹس کو صاف کریں۔
• ایس کیو ایل میں عام CRUD کمانڈز سے آگے بڑھ کر یہ سمجھنے کے لیے کہ JOINS کیسے کام کرتا ہے اور MySQL/PostgreSQL کے ساتھ کیسے کام کرتا ہے۔ اگر آپ اسے ایکسل کے ساتھ آگے بڑھانا چاہتے ہیں تو ڈیٹا اینالیسس ٹول پیک کو استعمال کرنے کا طریقہ اور میکرو بنانے کا طریقہ سیکھیں۔
• سمجھیں کہ ٹائم سیریز کا ڈیٹا کیسے کام کرتا ہے اور جانیں کہ ذرائع سے ڈیٹا کیسے نکالا جائے اور آپ کے سیکھنے کو آگے بڑھانے کے لیے ٹائم سیریز کی پیشن گوئی کیسے کی جائے۔

 

 

زیادہ کثرت سے، آپ ان لوگوں میں سے ایک ہوں گے جو بہت سارے اوزار سیکھیں گے اور درمیانی سطح پر ہر چیز پر قابو پالیں گے۔

میں آپ کو اپنی جگہ تلاش کرنے اور اس میں آگے بڑھنے کی سفارش کروں گا۔ ڈیٹا سائنس کی دنیا میں علم اور مسابقت کی مقدار کے ساتھ، اپنی جگہ تلاش کرنے کی کوشش کریں اور اس بات کو یقینی بنائیں کہ آپ اپنی منفرد مہارتوں کے ساتھ مقابلے میں اپنا نشان تلاش کریں۔

مرحلہ III: آپ پہلے سے ہی ایک صنعت میں پیشہ ور ہیں لیکن اب آپ ڈیٹا سائنس میں شروع کرنا چاہتے ہیں!

ایسے لوگ ہیں جن کو میں جانتا ہوں جو ڈیٹا سائنس کا حصہ بننے کا فیصلہ کرنے سے پہلے اپنی زندگی میں حیرت انگیز عہدوں پر رہے ہیں۔ کسی خاص صنعت میں طویل عرصے تک کام کرنے کے بعد کیرئیر میں تبدیلی کی خواہش کرنا فطری بات ہے اور میں نے ان لوگوں سے کچھ چیزیں حاصل کی ہیں جن کو میں جانتا ہوں جو اسی طرح کی پوزیشن میں ہیں اور اس معاملے میں آپ کی مدد کر سکتے ہیں۔

اس معاملے میں نوٹ کرنے کی چیزیں:

• ایک بار جب آپ کسی خاص صنعت میں پیشہ ور ہو جاتے ہیں، تو اس کی وجہ زندگی کے انتخاب میں تبدیلی یا اعلیٰ مہارت کے مطالبے کی وجہ سے ہو سکتا ہے، جو آپ کو ڈیٹا سائنس تک لے آتا ہے۔
• کسی بھی صورت میں، ڈیٹا سائنس میں انتظامی کردار زیادہ خوش ہوں گے کہ صنعت میں بھاری کارپوریٹ نمائش کے ساتھ کوئی
• کسی صنعت میں اپنے موجودہ علم کے ساتھ ڈیٹا سائنس میں مہارت حاصل کرنا ایک بہترین چیز ہوسکتی ہے جو آپ کے کیریئر کی منتقلی کے ساتھ ہوسکتی ہے۔ ڈیٹا سائنس، کمپیوٹر سائنسز اور ٹولز اور تکنیک پر کھیلتے ہوئے، ڈومین کے علم پر بہت زیادہ انحصار کرتا ہے۔
• ڈومین کے کافی علم کے ساتھ، آپ پہلے سے کیے جانے والے ڈیٹا سے زیادہ کے لیے ڈیٹا کی طاقت کو بروئے کار لا کر اپنے شعبے میں ڈیٹا سائنسدان بن سکتے ہیں۔
• صنعت کے لیے مخصوص KPIs اور میٹرکس کو ڈیٹا سائنس کے ساتھ مزید تیار اور خودکار بنایا جا سکتا ہے اور آپ کے لیے بھی نئے دروازے کھول سکتے ہیں۔
• اپنے ہتھیاروں میں ڈیٹا سائنس ٹولز کے اضافی علم کے ساتھ، آپ اپنے فیلڈ میں ٹرینر بن سکتے ہیں اور ابھرتے ہوئے ڈیٹا سائنسدانوں کی مدد کر سکتے ہیں۔ امکانات لامحدود ہیں۔
• اس مرحلے میں سیکھنے کے اوزار اور ہنر وہی ہیں جو پہلے اس مضمون میں بیان کیے گئے مرحلے I اور II میں کیے جا رہے تھے۔

کسی بھی صورت میں، ڈیٹا سائنس سیکھنا اور اپنے پیشے کے شعبے پر قائم رہنا بہتر ہے کیونکہ آج دنیا جس طرح سے ڈیٹا سائنس میں تبدیل ہو رہی ہے۔ آپ جو کچھ بھی کرتے ہیں، کر سکتے ہیں، اور اس میں ڈیٹا شامل ہے، اور اسے اپنی فیصلہ سازی میں استعمال کرنا، آپ کے فیصلوں کو بہت بہتر بنائے گا۔

ڈیٹا سائنس کی دنیا میں منتقل ہونا مشکل ہے اس لیے نہیں کہ ملازمت حاصل کرنا مشکل ہے، بلکہ اس لیے کہ بہت سارے لوگ اس کے لیے کوشاں ہیں۔ مواقع ہر کوئی دیکھتا ہے اور لوگ جانتے ہیں کہ -ڈیٹا مستقبل ہے- اور اسی طرح ڈیٹا سائنس ہے۔

کسی کے لیے جو پہلے سے ہی ڈیٹا سائنس میں مہارت رکھتا ہے، دیکھتے رہیں، میرے پاس اس مضمون کا ایک اور حصہ آرہا ہے جس میں ہم اس بات پر تبادلہ خیال کریں گے کہ آپ ڈیٹا سائنس کے ماہر سے کیسے جا سکتے ہیں۔

 
 
یش گپتا ایک ڈیٹا سائنس کے شوقین اور کاروباری تجزیہ کار، فری لانس ٹیکنیکل رائٹر، اور Medium.com پر ایک بلاگر ہے۔ وہ ڈیٹا سائنس کے علم کو زیادہ سے زیادہ سامعین کے ساتھ استعمال میں آسان طریقے سے بانٹنے میں دلچسپی رکھتا ہے۔ وہ اپنے علم کو ہر اس شخص کے ساتھ بانٹنا چاہتا ہے جو ڈیٹا سے اتنا ہی لطف اندوز ہوتا ہے جتنا وہ کرتا ہے۔ وہ روزانہ کچھ نیا سیکھنے کی کوشش کرتا ہے اور ابھرتے ہوئے ڈیٹا کے شوقین افراد کو ان کے سفر میں رہنمائی کرنا پسند کرتا ہے۔

 
حقیقی. اجازت کے ساتھ دوبارہ پوسٹ کیا۔
 

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ایڈریین ایشلے کے ساتھ مستقبل کا نقشہ بنانا۔ یہاں تک رسائی حاصل کریں۔
• PREIPO® کے ساتھ PRE-IPO کمپنیوں میں حصص خریدیں اور بیچیں۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: 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