ڈیٹا سائنس - KDnuggets - Plato AiStream V2.1 میں کیریئر سوئچ کرنے سے پہلے اسے پڑھیں

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

ڈیٹا سائنس میں کیریئر سوئچ کرنے سے پہلے اسے پڑھیں
مصنف کی طرف سے تصویر

آپ یہ پڑھ رہے ہیں کیونکہ آپ ڈیٹا سائنسدانوں کے خواہشمندوں کی صفوں میں شامل ہونے کے بارے میں سوچ رہے ہیں۔ اور کون تم پر الزام لگا سکتا ہے؟ ڈیٹا سائنس ایک بڑھتا ہوا شعبہ ہے، یہاں تک کہ ہارورڈ بزنس ریویو کی جانب سے اس کی بدنام زمانہ "سیکسی ترین نوکری" کے اعزاز کے ایک دہائی بعد بھی۔ یو ایس بیورو آف لیبر اسٹیٹسٹکس فی الحال پیش گوئی ڈیٹا سائنسدانوں کے لیے روزگار کی شرح 35 سے 2022 تک 2032 فیصد بڑھے گی۔ اس کا موازنہ ملازمت کی اوسط شرح سے کریں، جو کہ صرف 5 فیصد ہے۔

اس کے لیے دوسری چیزیں ہیں:

یہ اچھی طرح سے ادا کیا جاتا ہے (دوبارہ، BLS ملا 103 میں $2022k کی اوسط تنخواہ)
یہ زندگی کے اعلی معیار کے ساتھ آتا ہے (اوسط ملازمت سے متعلق خوشی سے زیادہ کے مطابق کیریئر ایکسپلورر تک)
حالیہ دور کے باوجود ملازمت کی حفاظت ہے۔ لے آؤٹ - کیونکہ کردار کی بہت زیادہ مانگ ہے۔

اس لیے میدان میں آنے کی خواہش کی بہت سی وجوہات ہیں۔

ڈیٹا سائنس میں کیریئر سوئچ کرنے سے پہلے اسے پڑھیں
ماخذ: https://www.bls.gov/ooh/math/data-scientists.html

لیکن ڈیٹا سائنس ایک بہت وسیع فیلڈ ہے، جس میں بہت سے مختلف جاب ٹائٹلز اور اسکل سیٹس ہیں جن کے بارے میں آپ کو شروع کرنے سے پہلے جاننا ضروری ہے۔ یہ مضمون آپ کو مختلف سمتوں کے بارے میں رہنمائی کرے گا جن پر آپ جا سکتے ہیں، اور ڈیٹا سائنس میں جانے کے لیے آپ کو ہر ایک کے لیے کیا جاننے کی ضرورت ہے۔

ایک میں کامیاب منتقلی کرنے کے لئے ڈیٹا سائنس کیریئر، آپ کو ایک منظم انداز کی پیروی کرنے کی ضرورت ہوگی:

اپنا اندازہ لگائیں۔ ڈیٹا سائنس کی مہارت اور خلا کی نشاندہی کریں۔
ان علاقوں میں جہاں آپ کمزور ہیں ان میں تجربہ حاصل کریں۔
نیٹ ورک ڈیٹا سائنس گروپس میں شامل ہوں، ملاقاتوں میں شرکت کریں، اور فورمز میں تعاون کریں۔

آئیے گہری ڈوبکی لگائیں۔

اپنی شروعاتی پوزیشن کا اندازہ لگائیں۔

آپ پہلے سے کیا جانتے ہیں اور ڈیٹا سائنس میں اس کا اطلاق کیسے کیا جا سکتا ہے؟ اس بارے میں سوچیں: کوئی بھی پروگرامنگ کا علم، شماریاتی مہارت، یا ڈیٹا تجزیہ کا تجربہ جو آپ کے پاس ہے۔

اس کے بعد، اپنی مہارتوں میں موجود خامیوں کی نشاندہی کریں، خاص طور پر جو ڈیٹا سائنس کے لیے ضروری ہیں۔ ایس کیو ایل ایک حقیقی ضروری ہے، لیکن ازگر یا آر پروگرامنگ، جدید ترین اعداد و شمار، مشین لرننگ، اور ڈیٹا ویژولائزیشن بھی انتہائی فائدہ مند ہیں۔

ایک بار جب آپ ان خالی جگہوں کی نشاندہی کر لیں، تو انہیں پُر کرنے کے لیے متعلقہ تعلیم یا تربیت حاصل کریں۔ یہ آن لائن کورسز، یونیورسٹی کے پروگراموں، بوٹ کیمپس، یا خود مطالعہ کے ذریعے ہو سکتا ہے، جس میں عملی، ہینڈ آن لرننگ پر توجہ دی جائے۔

ہاتھ پر تجربہ

آپ کو صرف ویڈیوز دیکھنا اور بلاگ پوسٹس نہیں پڑھنی چاہئیں۔ ڈیٹا سائنس میں ہینڈ آن تجربہ اہم ہے۔ ایسے منصوبوں میں مشغول ہوں جو آپ کو اپنی نئی مہارتوں کو حقیقی دنیا کے منظرناموں میں لاگو کرنے کی اجازت دیتے ہیں۔ یہ ذاتی پراجیکٹس، اوپن سورس پلیٹ فارمز میں شراکت، یا Kaggle پر جیسے ڈیٹا مقابلوں میں شرکت ہو سکتی ہے۔

اگر آپ کے پاس کچھ بنیادی ابتدائی مہارتیں ہیں، تو آپ صنعت کا تجربہ حاصل کرنے کے لیے انٹرن شپ یا فری لانس کام کی تلاش پر غور کر سکتے ہیں۔

سب سے اہم بات، اپنے تمام منصوبوں اور تجربات کو پورٹ فولیو میں دستاویز کریں۔، آپ کے مسئلے کو حل کرنے کے عمل، آپ کی استعمال کردہ تکنیکوں، اور آپ کے کام کے اثرات کو اجاگر کرنا۔

نیٹ ورک

ڈیٹا سائنس کو توڑنا اکثر اس بات پر آتا ہے کہ آپ کس کو جانتے ہیں، اس کے علاوہ جو آپ جانتے ہیں۔ نئے رجحانات کے بارے میں جاننے کے لیے سرپرست تلاش کریں، ملاقاتوں، کانفرنسوں اور ورکشاپس میں شرکت کریں، اور آن لائن ڈیٹا سائنس کمیونٹیز جیسے Stack Overflow، GitHub، یا Reddit میں مشغول ہوں۔ یہ پلیٹ فارمز آپ کو دوسروں سے سیکھنے، اپنے علم کا اشتراک کرنے، اور ڈیٹا سائنس کمیونٹی میں توجہ حاصل کرنے کی اجازت دیتے ہیں۔

اگر آپ کرنا چاہتے ہیں شروع سے ڈیٹا سائنسدان بنیں۔، ان مہارتوں کے بارے میں سوچنا سمجھ میں آتا ہے جن کی آپ کو ایک درخت کے طور پر ترقی کرنے کی ضرورت ہوگی۔ "ٹرنک" کی مہارتیں ہیں جو ڈیٹا سائنس کے ہر کام میں عام ہیں، اور پھر ہر خاصیت میں "برانچ" کی مہارتیں ہوتی ہیں جو زیادہ سے زیادہ خصوصی کرداروں میں شاخیں بنتی رہتی ہیں۔

تین اہم مہارتیں ہیں جن کی ہر ڈیٹا سائنسدان کو ضرورت ہوتی ہے، چاہے وہ کس سمت میں جائیں:

ایس کیو ایل کا استعمال کرتے ہوئے ڈیٹا میں ہیرا پھیری/ جھگڑا کرنا

ڈیٹا سائنس بنیادی طور پر بڑے ڈیٹاسیٹس کو سنبھالنے اور ترتیب دینے کے لیے ابلتی ہے۔ ایسا کرنے کے لیے، آپ کو ایس کیو ایل کو جاننے کی ضرورت ہے۔ یہ ہے la ڈیٹا ہیرا پھیری اور جھگڑے کے لیے ضروری ٹول۔

ڈیٹا سائنس میں کیریئر سوئچ کرنے سے پہلے اسے پڑھیں
مصنف کی طرف سے تصویر

نرم مہارت

ڈیٹا سائنس خلا میں نہیں ہوتا ہے۔ آپ کو دوسروں کے ساتھ اچھا کھیلنے کی ضرورت ہے، جس کا مطلب ہے کہ اپنی نرم صلاحیتوں کو بڑھانا۔ پیچیدہ ڈیٹا کے نتائج کو غیر تکنیکی اسٹیک ہولڈرز تک واضح اور قابل فہم انداز میں پہنچانے کے قابل ہونا اتنا ہی اہم ہے جتنا کہ تکنیکی مہارت۔ ان میں موثر مواصلت، مسئلہ حل کرنا، اور کاروباری ذہانت شامل ہے۔

مسئلہ حل کرنے سے ڈیٹا کے پیچیدہ چیلنجوں سے نمٹنے میں مدد ملتی ہے، جبکہ کاروباری ذہانت اس بات کو یقینی بناتی ہے کہ ڈیٹا پر مبنی حل تنظیمی اہداف کے ساتھ ہم آہنگ ہوں۔

مستقل سیکھنے کا رویہ

ڈیٹا سائنس اس سے مختلف ہے جہاں یہ پانچ سال پہلے تھا۔ ذرا دیکھیں کہ 2018 کے مقابلے میں آج ہم AI کے ساتھ کہاں ہیں۔ یہاں نئے ٹولز، تکنیکیں اور نظریات مسلسل ابھر رہے ہیں۔ یہی وجہ ہے کہ آپ کو تازہ ترین پیشرفت سے باخبر رہنے اور میدان میں نئی ٹیکنالوجیز اور طریقہ کار کے مطابق رہنے کے لیے مسلسل سیکھنے کی ذہنیت کی ضرورت ہے۔

آپ کو سیکھنے اور اپنانے کے لیے خود حوصلہ افزائی کے ساتھ ساتھ نئے علم اور مہارتوں کو حاصل کرنے کے لیے ایک فعال نقطہ نظر کی ضرورت ہوگی۔

اگرچہ عام مہارتیں ہیں جیسا کہ میں نے اوپر بیان کیا ہے، لیکن ہر کردار اپنی مخصوص مہارت کا مطالبہ کرتا ہے۔ (یاد رکھیں؟ شاخیں) مثال کے طور پر، شماریاتی تجزیہ، Python/R میں پروگرامنگ کی مہارتیں، اور ڈیٹا ویژولائزیشن سبھی ڈیٹا سائنس میں زیادہ خصوصی ملازمتوں کے لیے مخصوص ہیں۔

ڈیٹا سائنس میں کیریئر سوئچ کرنے سے پہلے اسے پڑھیں
مصنف کی طرف سے تصویر

آئیے ڈیٹا سائنس سے ملحقہ کردار کو توڑتے ہیں تاکہ آپ دیکھ سکیں کہ آپ کو کیا ضرورت ہے۔

بزنس/ڈیٹا تجزیہ کار

جی ہاں، یہ ڈیٹا سائنس کا کردار ہے! یہاں تک کہ اگر کہنے والے متفق نہیں ہیں، مجھے پھر بھی یقین ہے کہ اگر آپ ڈیٹا سائنس کیرئیر ٹریک میں جانے کا ارادہ رکھتے ہیں تو آپ اسے کم از کم ایک قدمی پتھر کے طور پر دیکھ سکتے ہیں۔

ایک کاروبار یا ڈیٹا تجزیہ کار کے طور پر، آپ ڈیٹا کی بصیرت اور کاروباری حکمت عملی کے درمیان فرق کو ختم کرنے کے انچارج ہیں۔ یہ ان لوگوں کے لیے بہترین ہے جو کاروباری ضروریات کو سمجھنے اور ڈیٹا پر مبنی حل میں ترجمہ کرنے کی مہارت رکھتے ہیں۔

بنیادی مہارت کے طور پر، آپ کو ضرورت ہو گی کاروباری ذہانت - وہاں کوئی تعجب کی بات نہیں - مضبوط تجزیاتی مہارتیں، ڈیٹا استفسار کرنے والی زبانوں میں مہارت، بنیادی طور پر SQL. اس کردار میں، Python اور R اختیاری ہیں کیونکہ اصل کام ڈیٹا کا جھگڑا کرنا ہے۔

ایک ہے تصور کا جزو لیکن آپ کے کام پر منحصر ہے، اس کا مطلب ٹیبلو میں ڈیش بورڈز یا ایکسل میں گراف بنانا ہو سکتا ہے۔

ڈیٹا تجزیات

یہ کردار قابل عمل بصیرت فراہم کرنے کے لیے ڈیٹا کی ترجمانی پر توجہ مرکوز کرتا ہے۔ اگر آپ نمبروں کو کہانیوں اور کاروباری حکمت عملیوں میں ترجمہ کرنے سے لطف اندوز ہوتے ہیں تو یہ آپ کے لیے بہت اچھا کام ہے۔

آپ کو ایک مضبوط ہینڈل کی ضرورت ہوگی شماریاتی تجزیہ اور اعداد و شمار کا تصور - اگرچہ ایک بار پھر، یہ ٹیبلو ڈیش بورڈز اور/یا ایکسل گراف ہو سکتے ہیں)۔ آپ کو اس میں بھی مہارت کی ضرورت ہوگی۔ تجزیات کے اوزار کی طرح ایکسل، ٹیبلو، اور ایس کیو ایل. Python/R ایک بار پھر اختیاری ہیں، لیکن یاد رکھیں کہ وہ اعدادوشمار اور آٹومیشن کو لاگو کرنے میں واقعی مدد کر سکتے ہیں۔

مشین لرننگ

مشین لرننگ کے سائنسدان ڈیٹا پر مبنی پیشین گوئیاں یا فیصلے کرنے کے لیے پیشین گوئی کرنے والے ماڈلز اور الگورتھم تیار کرتے ہیں۔ یہ کردار ان لوگوں کے لیے موزوں ہیں جو AI اور ماڈل بلڈنگ میں گہری دلچسپی رکھتے ہیں۔

بنیادی مہارتوں کے بارے میں کوئی تعجب کی بات نہیں: آپ کو ایک کی ضرورت ہوگی۔ الگورتھم کی گہری سمجھ، مشین لرننگ فریم ورک جیسے TensorFlow اور PyTorch کے ساتھ تجربہ، اور مضبوط پروگرامنگ کی مہارتیں. Python اور/یا R اب اختیاری نہیں ہیں بلکہ لازمی ہیں۔

ڈیٹا انجینئرنگ

اس کردار نے آپ کو ڈیٹا پائپ لائنز کے فن تعمیر، انتظام اور دیکھ بھال پر توجہ مرکوز کی ہے۔ یہ ان افراد کے لیے موزوں ہے جو ڈیٹا کے بہاؤ اور اسٹوریج کو منظم کرنے اور بہتر بنانے کے تکنیکی چیلنجوں سے لطف اندوز ہوتے ہیں۔

اس نوکری میں جانے کے لیے، آپ کو ای کی ضرورت ہوگی۔ڈیٹا بیس کے انتظام میں مہارت، ETL عمل، اور بڑی ڈیٹا ٹیکنالوجیز جیسے Hadoop اور Spark میں مہارت۔ آپ کو بھی ضرورت ہوگی۔ ڈیٹا پائپ لائن آٹومیشن میں مہارت ایئر فلو جیسی ٹیکنالوجیز کا استعمال۔

کاروباری انٹیلی جنس

کاروباری ذہانت میں، یہ سب کچھ تصورات کی تعمیر کے بارے میں ہے۔ یہ کہانی سنانے والوں اور مضبوط کاروباری احساس کے ساتھ لوگوں کے لیے بہت اچھا ہے۔

آپ کو ٹیبلاؤ اور Qlik جیسی ڈیش بورڈنگ ٹکنالوجیوں کے ساتھ ماہر بننے کی ضرورت ہوگی کیونکہ یہ وہ ٹولز ہیں جنہیں آپ اپنے تصورات کو بنانے کے لیے استعمال کریں گے۔ ڈیش بورڈ کی کارکردگی کو تیز کرنے والے ڈیٹا کے سوالات کو بہتر بنانے میں مدد کے لیے آپ کو ڈیٹا میں ہیرا پھیری کی مہارت (پڑھیں: SQL سکلز) کی بھی ضرورت ہوگی۔

جیسا کہ میں نے پہلے مضمون میں ذکر کیا ہے، ڈیٹا سائنس ایک تیزی سے تیار ہونے والا شعبہ ہے۔ نئی ملازمتیں اور کردار ہر وقت کھلتے رہتے ہیں۔ اپنے درخت کی مشابہت پر واپس جانے کے لیے، میں اس کے بارے میں سوچنا چاہتا ہوں کہ ڈیٹا سائنس کے مرکزی تنے میں نئی شاخیں شامل کی جا رہی ہیں۔ اب کلاؤڈ انجینئرز، SQL ماہرین، DevOps رولز، اور بہت کچھ موجود ہیں - سب اب بھی اس ڈیٹا سائنس ٹریک سے جڑے ہوئے ہیں۔ اس لیے یہ مضمون صرف ان ہدایات کا ایک مختصر جائزہ فراہم کرتا ہے جو آپ ڈیٹا سائنس کے ساتھ جا سکتے ہیں۔

اس کے علاوہ، آپ کو یہ بھی یاد رکھنا چاہئے کہ ڈیٹا سائنس اس چھ اعداد و شمار کے پے چیک سے منسلک چیلنجوں کے ساتھ آتی ہے۔ سیکھنے کا ایک بہت بڑا منحنی خطوط ہے، اور سیکھنے کا عمل کبھی ختم نہیں ہوتا۔ نئی ٹیکنالوجیز، رجحانات، اور ٹولز سب تیزی سے اور مشکل سے آتے ہیں – اور اگر آپ اپنا کام برقرار رکھنا چاہتے ہیں، تو آپ کو جاری رکھنا ہوگا۔

یہ سب کچھ کہا جا رہا ہے، یہ ایک بہترین کیریئر کا آپشن ہے۔ تین اہم قابلیتوں کے ساتھ جن کا میں نے آپ کے بیلٹ کے نیچے ذکر کیا ہے، آپ کسی بھی قسم کا مقابلہ کرنے کے لیے اچھی طرح سے لیس ہو جائیں گے۔ ڈیٹا سائنس کا کردار جو آپ کو اپیل کرتا ہے۔

نیٹ روزیدی ڈیٹا سائنسدان اور مصنوعات کی حکمت عملی میں ہے۔ وہ تجزیات کی تعلیم دینے والے ایک منسلک پروفیسر بھی ہیں، اور اس کے بانی ہیں۔ StrataScratch، ایک پلیٹ فارم جو ڈیٹا سائنسدانوں کو اعلی کمپنیوں کے حقیقی انٹرویو کے سوالات کے ساتھ ان کے انٹرویوز کی تیاری میں مدد کرتا ہے۔ اس کے ساتھ جڑیں۔ ٹویٹر: StrataScratch or لنکڈ.