کی طرف سے تصویر کرولینا گرابووسکا
تقریباً 18 مہینے پہلے، میں COVID-19 وبائی مرض کی وجہ سے اپنی ملازمت سے ہاتھ دھو بیٹھا۔ میں کالج میں ایک پارٹ ٹائم ٹیوٹر کے طور پر کام کر رہا تھا۔ مجھے ٹیوشن سے جو رقم ملی وہ کھانے، پیٹرول اور میری گاڑی جیسے اخراجات پورے کرنے کے لیے استعمال ہوئی۔
حکومت کی طرف سے پورے ملک میں لاک ڈاؤن کی پابندیاں لگانے کے بعد میں پڑھائی جاری رکھنے سے قاصر رہا۔ میں کالج بھی نہیں جا سکا اور گھر پر پڑھنا پڑا۔
اگرچہ یہ سب سے پہلے خوفناک لگتا تھا، لیکن میں نے محسوس کیا کہ یونیورسٹی اور کام نہ کرنے سے میرا بہت سا وقت ضائع ہو جاتا ہے۔
میں نے اس وقت کے دوران اپنی مہارت کے سیٹ کو بڑھانے کی تلاش شروع کردی۔ کچھ تحقیق کرنے کے بعد، مجھے مشین لرننگ کا ایک آن لائن کورس ملا جو کافی دلچسپ لگ رہا تھا۔
یہ پہلا آن لائن کورس تھا جسے میں نے کبھی مکمل کیا تھا۔
اس کے بعد، میں نے اپنا زیادہ تر وقت پروجیکٹس بنانے، کوڈ سیکھنے، اور آن لائن سرٹیفیکیشن حاصل کرنے میں صرف کیا۔
اب — 18 مہینوں میں، میں نے ڈیٹا سائنس اور تجزیات کے شعبے میں اپنے علم سے متعدد آمدنی کے سلسلے بنائے ہیں۔
میں نے پہلے کچھ عرصے کے لیے ڈیٹا سائنس انٹرن کے طور پر ایک کمپنی جوائن کی اور اب وہاں کل وقتی کام کر رہا ہوں۔
سب سے پہلے، مجھے توقع تھی کہ میرا کام بنیادی طور پر ماڈل بلڈنگ پر مشتمل ہوگا۔
تاہم، ایک بار جب میں نے شمولیت اختیار کی، مجھے احساس ہوا کہ میرا کام صرف 10% ماڈل بلڈنگ تھا۔ باقی وقت، میں اور میری ٹیم نئے حل تلاش کر رہے تھے جو ہم کاروباری مسائل کو حل کرنے کے لیے تخلیق کر سکتے تھے۔
اکثر، ان مسائل کو حل کرنے کے لیے مشین لرننگ کی ضرورت بھی نہیں ہوتی تھی۔ ڈیٹا حل صرف کاروباری منطق پر مشتمل ہوسکتا ہے جس کا ایک سادہ ایس کیو ایل استفسار میں ترجمہ کیا گیا ہے۔
جو کام میں روزانہ کرتا ہوں اس میں سوالات کا جواب دینا شامل ہے جیسے:
- کمپنی A کے حریفوں کے بارے میں معلومات حاصل کرنے کے لیے ہم ڈیٹا کا استعمال کیسے کرتے ہیں؟
- ہم نے ایک کسٹمر فٹ فال پیشن گوئی ماڈل بنایا ہے۔ اس ماڈل کو جانچنے کے لیے ہم کاروباری استعمال کے کن معاملات کی شناخت کر سکتے ہیں؟ کیا یہ پیداواری ماحول میں بھی کام کرتا ہے جیسا کہ یہ ٹیسٹ کے ماحول میں کرتا ہے؟
- ہم اپنے کلائنٹس کے لیے سیگمنٹیشن اور کارکردگی کو مسلسل کیسے بہتر بنا سکتے ہیں؟ کیا ہم دستیاب ڈیٹا سے حقیقی زندگی کے منظرناموں کا اندازہ لگانے کے قابل ہیں؟
یہ میں روزانہ کی بنیاد پر جس قسم کے کام کرتا ہوں اس کی ایک بہت ہی تجریدی تفصیل ہے، لیکن میں اس بات پر زور دینا چاہتا ہوں کہ ڈیٹا سائنس حل بنانا ماڈل کی تعمیر سے شروع اور ختم نہیں ہوتا ہے۔
اگر آپ ڈیٹا سائنسدان کے خواہشمند ہیں، تو میں تجویز کرتا ہوں کہ آپ جس صنعت میں کام کرنا چاہتے ہیں اس میں ڈومین کا کچھ علم حاصل کریں۔
میں ڈیٹا سائنس کے شعبے میں اپنے تجربے کے بارے میں لکھتا ہوں۔
اگر میں کام پر کوئی پروجیکٹ بناتا ہوں، تو میں Kaggle پر اسی طرح کا ڈیٹا سیٹ تلاش کرتا ہوں اور تجزیہ کو نقل کرتا ہوں، اور اس کے ارد گرد ایک ٹیوٹوریل بناتا ہوں۔
میں نے شروع میں اپنے پورٹ فولیو کو بڑھانے کے لیے ڈیٹا سائنس ٹیوٹوریل لکھنا اور پوسٹ کرنا شروع کیا۔
اپنے کام کے بارے میں مضامین لکھنا میرے لیے دوسرے خواہشمند ڈیٹا سائنسدانوں سے رابطہ قائم کرنے کا ایک طریقہ تھا۔ یہ میرے لیے کوڈ بنانے اور ایم ایل ماڈل بنانے کی اپنی صلاحیت کو ظاہر کرنے کا ایک طریقہ بھی تھا۔
شروع میں، میں نے کبھی بھی یہ توقع نہیں کی تھی کہ میری تحریر کا معاوضہ ملے گا۔ میں نے صرف سوچا کہ یہ میرے ڈیٹا سائنس پورٹ فولیو کو بڑھانے کا ایک بہترین طریقہ ہے۔
تاہم، گزشتہ ایک سال کے دوران، جو کچھ شوق کے طور پر شروع ہوا تھا اس سے آمدنی پیدا ہونے لگی۔
میں اب صرف ڈیٹا سے متعلق سبق، پروجیکٹس، اور اپنے تجربات کے بارے میں لکھ کر غیر فعال آمدنی حاصل کرنے کے قابل ہوں۔
جیسا کہ میں نے ڈیٹا سائنس کمیونٹی میں آن لائن موجودگی پیدا کرنا شروع کی، مجھے متعدد فری لانس پیشکشیں ملنا شروع ہو گئیں۔ میں نے کلائنٹس کے لیے یک طرفہ بنیادوں پر مشین لرننگ ماڈلز بنائے ہیں، مدمقابل تجزیہ رپورٹیں بنائیں، اور ڈیٹا سائنس کے مضامین لکھے ہیں۔
جب میں نے شروع میں فری لانسنگ کے بارے میں سوچا تو میں نے ایک آن لائن پلیٹ فارم پر پروجیکٹس کے لیے مقابلہ کرنے اور بولی لگانے کی تصویر کشی کی۔
تاہم، میرے تمام فری لانس کلائنٹس میرے مضامین پڑھنے یا میرے پورٹ فولیو پراجیکٹس پر ایک نظر ڈالنے کے بعد مجھ تک پہنچے ہیں۔
کچھ مہینے پہلے، میں نے ایک کلسٹرنگ الگورتھم بنایا اور اس کے بارے میں ایک ٹیوٹوریل آن لائن پوسٹ کیا۔ اگلے دن، کسی نے مجھ سے رابطہ کیا، پوچھا کہ کیا میں ان کے کلائنٹ کے لیے کلسٹرنگ ماڈل بنانے میں دلچسپی رکھتا ہوں۔
فری لانسنگ نے مجھے اس ڈومین سے باہر بہت ساری مہارتوں سے لیس کیا ہے جس میں میں عام طور پر کام کرتا ہوں۔
میری کمپنی میں، میں جس ڈیٹا کے ساتھ کام کرتا ہوں وہ عام طور پر ایک مخصوص پری پروسیس شدہ فارمیٹ میں آتا ہے، اور میں اس ڈیٹا کو استعمال کرنے کے لیے SQL اور Python کے ساتھ استفسار کرتا ہوں۔
تاہم، فری لانسنگ کرتے وقت، کلائنٹ کا ڈیٹا بہت مختلف فارمیٹس میں آتا ہے۔ اس میں سے زیادہ تر پروسیس یا ساختہ نہیں ہے، اور میں نے ڈیٹاسیٹس کے درمیان تعلقات کا پتہ لگانے اور اس کا احساس دلانے میں کافی وقت صرف کیا ہے۔
مجھے تجزیہ کرنے کے لیے بیرونی ڈیٹا بھی جمع کرنے کی ضرورت ہے، اور اس میں عام طور پر تھرڈ پارٹی ویب سائٹس کو سکریپ کرنا اور اوپن سورس ٹولز کا استعمال شامل ہے۔
مجھے ایسا لگتا ہے کہ فری لانسنگ نے مجھے اس علم سے روشناس کرایا ہے جو میرے پاس فی الحال میری روزمرہ کی ملازمت میں نہیں ہے، اور میں اپنے ہر پروجیکٹ کے ساتھ نئی چیزیں سیکھنے کے قابل ہوں۔
میں نے اوپر بتایا کہ میں نے ڈیٹا سائنس کا آن لائن کورس کیا، اور وہاں سے چیزیں بدل گئیں۔ آپ سوچ رہے ہوں گے کہ کیسے؟
مکمل طور پر ایماندار ہونے کے لئے، اپنا پہلا ڈیٹا سائنس آن لائن کورس کرنے کے بعد، میں نے کھویا ہوا محسوس کیا۔ میں نے تقریباً ایک مہینہ Scikit-Learn کے ساتھ مختلف الگورتھم اور ٹریننگ ماڈل سیکھنے میں گزارا۔
میں صرف یہ نہیں جانتا تھا کہ وہاں سے کہاں جانا ہے۔
میں نے ان لوگوں کے بارے میں مضامین پڑھنا شروع کیے جو ماسٹر ڈگری یا کسی پیشہ ورانہ اہلیت کے بغیر ڈیٹا سائنس کی نوکری حاصل کرنے میں کامیاب ہوئے۔ مجھے ڈومین کے علم کی اہمیت اور دستیاب ڈیٹا کی مدد سے مسائل کو حل کرنے کا احساس ہوا۔
میرے لیے یہ ضروری نہیں تھا کہ میں سب سے درست ماڈل بناؤں یا ماڈل کے پیچھے بنیادی الگورتھم کو سمجھوں۔
میں نے محسوس کیا کہ میرے لیے سب سے اہم مہارت ڈیٹا کا استعمال کرتے ہوئے مسائل کو حل کرنے کی صلاحیت تھی۔ اس کا مطلب یہ تھا کہ مجھے مشین لرننگ الگورتھم سے آگے جانا تھا۔
میں نے بزنس اینالیٹکس اور ایم ایل انجینئرنگ کے کورسز لیے۔ میں نے تھیوری پر خرچ کرنے سے زیادہ وقت کوڈ سیکھنے میں صرف کیا۔ میں نے SQL اور ڈیٹا ہیرا پھیری سیکھنے میں وقت گزارا۔
پھر، میں نے ویب سکریپنگ کی مدد سے آن لائن سائٹس سے اپنا ڈیٹا اکٹھا کیا۔ میں نے کسی مسئلے کو حل کرنے کے لیے ڈیٹا کا استعمال کیا اور اس کے ساتھ ایک سادہ مشین لرننگ ویب ایپ بنائی۔
اس طرح، میں نے آہستہ آہستہ وہ مہارتیں حاصل کیں جو ایک اینڈ ٹو اینڈ ڈیٹا سائنسدان بننے کے لیے درکار ہیں۔
یہاں تک کہ میری ملازمت میں ڈیٹا اینالیٹکس ٹیم کے اندر بھی، اگر کوئی ایسے منصوبے ہیں جو ہمارے روزمرہ کے کام کے دائرہ کار سے باہر ہیں (ایسے منصوبے جن کے لیے بیرونی ڈیٹا اکٹھا کرنا یا ایک نئے الگورتھم کی ضرورت ہوتی ہے)، تو میں وہی ہوں جسے عام طور پر اس کے لیے تفویض کیا جاتا ہے۔
ایک خواہشمند ڈیٹا سائنسدان کے طور پر، آپ کے لیے آن لائن بہت سارے وسائل دستیاب ہیں۔ بہت زیادہ، درحقیقت، کہ آپ نہیں جانتے کہ کس چیز میں سے انتخاب کرنا ہے۔
تاہم، زیادہ تر زور ماڈل بلڈنگ کے ارد گرد رکھا جاتا ہے۔
اگرچہ ایک ماڈل کی تعمیر اور تربیت کے بنیادی اصولوں کو جاننا ضروری ہے، لیکن وہاں دستیاب زیادہ تر ملازمتوں کے لیے آپ کو اس سے آگے جانے کی ضرورت ہوتی ہے۔
اصل مطالبہ ان لوگوں کی ہے جو دستیاب ڈیٹا کی مدد سے مسائل حل کر سکیں۔
نتاشا سلوراج لکھنے کا شوق رکھنے والا ایک خود سکھایا ہوا ڈیٹا سائنسدان ہے۔ آپ اس کے ساتھ آن رابطہ کر سکتے ہیں۔ لنکڈ.
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://www.kdnuggets.com/2021/10/tripled-my-income-data-science-18-months.html?utm_source=rss&utm_medium=rss&utm_campaign=how-i-tripled-my-income-with-data-science-in-18-months
- a
- کی صلاحیت
- قابلیت
- ہمارے بارے میں
- اس کے بارے میں
- اوپر
- خلاصہ
- درست
- حاصل کرنا
- کے بعد
- یلگورتم
- یلگوردمز
- تمام
- تجزیہ
- تجزیاتی
- اور
- اپلی کیشن
- ارد گرد
- مضامین
- خواہشمند
- تفویض
- دستیاب
- واپس
- بنیاد
- بن
- پیچھے
- کے درمیان
- سے پرے
- بولی
- تعمیر
- عمارت
- تعمیر
- کاروبار
- کار کے
- مقدمات
- کچھ
- سرٹیفکیٹ
- میں سے انتخاب کریں
- کلائنٹ
- کلائنٹس
- clustering کے
- کوڈ
- جمع
- مجموعہ
- کالج
- کس طرح
- کمیونٹی
- کمپنی کے
- مقابلہ
- حریف
- مکمل
- مکمل طور پر
- رابطہ قائم کریں
- جاری
- سکتا ہے
- ملک
- کورس
- کورسز
- احاطہ
- کوویڈ ۔19
- CoVID-19 وبائی
- تخلیق
- بنائی
- تخلیق
- اس وقت
- گاہک
- روزانہ
- اعداد و شمار
- ڈیٹا تجزیات
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- ڈیٹاسیٹس
- دن
- ڈگری
- ڈیمانڈ
- تفصیل
- مختلف
- نہیں کرتا
- کر
- ڈومین
- نہیں
- کے دوران
- یا تو
- زور
- پر زور
- آخر سے آخر تک
- انجنیئرنگ
- پوری
- ماحولیات
- لیس
- بھی
- کبھی نہیں
- توسیع
- توقع
- اخراجات
- تجربہ
- تجربات
- نمائش
- بیرونی
- چند
- میدان
- مل
- پہلا
- کھانا
- فارمیٹ
- ملا
- فری لانس
- سے
- مکمل
- بنیادی
- پیدا
- حاصل کرنے
- دی
- Go
- جا
- حکومت
- عظیم
- ہونے
- مدد
- ہوم پیج (-)
- کس طرح
- تاہم
- HTTPS
- شناخت
- اہمیت
- اہم
- عائد کیا
- کو بہتر بنانے کے
- in
- انکم
- صنعت
- معلومات
- ابتدائی طور پر
- دلچسپی
- دلچسپ
- IT
- ایوب
- نوکریاں
- شامل ہو گئے
- KDnuggets
- بچے
- جان
- علم
- لینڈ
- جانیں
- سیکھنے
- لنکڈ
- لاک ڈاؤن
- دیکھو
- تلاش
- بہت
- مشین
- مشین لرننگ
- بنا
- بنا
- بنانا
- میں کامیاب
- ہیرا پھیری
- بہت سے
- ماسٹر کی
- ذکر کیا
- شاید
- ML
- ماڈل
- ماڈل
- قیمت
- مہینہ
- ماہ
- زیادہ
- سب سے زیادہ
- ایک سے زیادہ
- ضروری
- ضرورت ہے
- نئی
- نئے حل
- اگلے
- تجویز
- ایک
- آن لائن
- آن لائن کورس
- اوپن سورس
- دیگر
- باہر
- خود
- ادا
- وبائی
- جذبہ
- غیر فعال
- غیر فعال آمدنی
- گزشتہ
- لوگ
- کارکردگی
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پورٹ فولیو
- پوسٹ کیا گیا
- کی پیشن گوئی
- کی موجودگی
- خوبصورت
- بنیادی طور پر
- مسئلہ
- مسائل
- پیداوار
- پیشہ ورانہ
- منصوبے
- منصوبوں
- ازگر
- قابلیت
- سوالات
- پہنچ گئی
- پڑھنا
- اصلی
- احساس ہوا
- تعلقات
- رپورٹیں
- کی ضرورت
- ضرورت
- تحقیق
- وسائل
- باقی
- پابندی
- آمدنی
- منظرنامے
- سائنس
- سائنسدان
- سائنسدانوں
- سائنٹ سیکھنا
- گنجائش
- scraping کی
- لگ رہا تھا
- انقطاع
- احساس
- مقرر
- نمائش
- اسی طرح
- سادہ
- صرف
- سائٹس
- مہارت
- مہارت
- آہستہ آہستہ
- So
- حل
- حل
- حل
- حل کرنا۔
- کچھ
- کسی
- خرچ
- SQL
- شروع کریں
- شروع
- اسٹریمز
- منظم
- مطالعہ
- لے لو
- لینے
- پڑھانا
- ٹیم
- ٹیسٹ
- ۔
- ان
- وہاں.
- چیزیں
- تیسری پارٹی
- سوچا
- وقت
- کرنے کے لئے
- بھی
- اوزار
- ٹریننگ
- سبق
- سبق
- ٹیوشن
- بنیادی
- سمجھ
- یونیورسٹی
- استعمال کی شرائط
- عام طور پر
- ویب
- ویب سکریپنگ
- ویب سائٹ
- کیا
- جبکہ
- ڈبلیو
- کے اندر
- بغیر
- سوچ
- کام
- کام کر
- لکھنا
- تحریری طور پر
- لکھا
- سال
- زیفیرنیٹ