7 وجوہات کیوں آپ کو ڈیٹا سائنٹسٹ نہیں بننا چاہیے – KDnuggets

تصویر بذریعہ ایڈیٹر
 

کیا آپ ڈیٹا سائنسدان کے خواہشمند ہیں؟ اگر ایسا ہے تو، امکانات ہیں کہ آپ نے بہت سے لوگوں کو دیکھا یا سنا ہے جنہوں نے کامیابی کے ساتھ ڈیٹا سائنس کیرئیر کا رخ کیا ہے۔ اور آپ بھی کسی دن سوئچ کرنے کی امید کر رہے ہیں۔

ڈیٹا سائنسدان کے طور پر کام کرنے کے بارے میں بہت سی چیزیں دلچسپ ہیں۔ آپ کر سکتے ہیں:

• ڈومینز میں منتقلی کے قابل سخت اور نرم مہارتیں بنائیں 
• ڈیٹا کے ساتھ کہانیاں سنائیں۔ 
• ڈیٹا کے ساتھ کاروباری سوالات کے جوابات دیں۔
• کاروباری مسائل کے لیے مؤثر حل تیار کریں۔ 

اور بہت کچھ. یہ سب آوازیں جتنا پرجوش لگتی ہیں، ڈیٹا سائنسدان بننا اتنا ہی مشکل ہے اگر زیادہ نہیں۔ لیکن ان میں سے کچھ چیلنجز کیا ہیں؟ 

چلتے ہیں.

جب آپ اپنی کوڈنگ اور تکنیکی مہارتوں پر کام کر رہے ہوں گے، تو شاید آپ خود ہی کام کرنے میں آسانی محسوس کریں گے۔ لیکن ایک ڈیٹا سائنسدان کے طور پر، آپ کو تعاون اور مواصلات کو ترجیح دینی چاہیے۔ کیونکہ ڈیٹا سائنس ڈیٹا کو گھماؤ اور تنہائی میں نمبروں کو کچلنے کے بارے میں نہیں ہے۔ 

آپ کو دوسرے پیشہ ور افراد کے ساتھ تعاون کرنے کی ضرورت ہے—نہ صرف ایک ہی ٹیم پر بلکہ اکثر متعدد ٹیموں میں۔ لہذا متنوع ٹیموں اور اسٹیک ہولڈرز کے ساتھ تعاون کرنے کی آپ کی صلاحیت اتنی ہی اہم ہے جتنی کہ آپ کی تکنیکی مہارت۔ 

مزید، آپ کو اپنے نتائج اور بصیرت کو غیر تکنیکی اسٹیک ہولڈرز بشمول کاروباری رہنماؤں تک پہنچانے کے قابل ہونا چاہیے۔

نشا آریہ احمدایک ڈیٹا سائنسدان اور تکنیکی مصنف، شیئر کرتا ہے:

"ڈیٹا سائنس ٹیم میں، آپ ڈیٹا سائنس کے دوسرے پیشہ ور افراد کے ساتھ ہر کام، ان کی ذمہ داری اور یہ سب کیسے کام کرتا ہے، کے ساتھ تعاون کریں گے۔ یہ ضروری ہے کیونکہ آپ پہلے سے کیے گئے کام کو دہرانا نہیں چاہتے اور زیادہ وقت اور وسائل استعمال کرنا چاہتے ہیں۔ اس کے علاوہ، ڈیٹا پروفیشنلز ہی وہ لوگ نہیں ہیں جن کے ساتھ آپ کو تعاون کرنا پڑے گا، آپ ایک کراس فنکشنل ٹیم کا حصہ ہوں گے جس میں پروڈکٹ، مارکیٹنگ اور دیگر اسٹیک ہولڈرز بھی شامل ہیں۔"

- نشا آریہ احمد، ڈیٹا سائنٹسٹ اور ٹیکنیکل رائٹر

اگر آپ کوئی ایسا شخص ہے جو پراجیکٹس پر کام کرنے، انہیں مکمل کرنے اور انہیں پروڈکشن میں بھیجنے سے لطف اندوز ہوتا ہے، تو ہو سکتا ہے آپ کو ڈیٹا سائنس کو فائدہ مند کیریئر نہ ملے۔

اگرچہ آپ ایک پراجیکٹ کو مقاصد کے ایک سیٹ کے ساتھ شروع کرتے ہیں — بہتر اور بار بار بہتر کیا جاتا ہے — آپ کو اکثر تنظیم کے کاروباری اہداف کے بدلتے ہی منصوبوں کے دائرہ کار کو تبدیل کرنا پڑے گا۔ شاید، اسٹیک ہولڈرز کو ایک نئی امید افزا سمت نظر آتی ہے۔

لہذا آپ کو پروجیکٹس کے دائرہ کار کو مؤثر طریقے سے دوبارہ ترجیح دینا اور اس میں ترمیم کرنا ہوگی۔ اور بدترین صورت میں، اگر ضرورت ہو تو اپنے منصوبے کو ترک کر دیں۔ 

اس کے علاوہ، ابتدائی مرحلے کے آغاز پر، آپ کو اکثر ایک سے زیادہ ٹوپیاں پہننا پڑیں گی۔ لہذا آپ کا کام ماڈل بلڈنگ کے ساتھ ختم نہیں ہوتا ہے۔ یہاں تک کہ اگر آپ ایک مشین لرننگ ماڈل کو پروڈکشن میں تعینات کرنے کا انتظام کرتے ہیں، تو آپ کو اپنے ماڈل کی کارکردگی کی نگرانی کرنی ہوگی، بہاؤ کو دیکھنا ہوگا، ضرورت کے مطابق ماڈل کو پیچھے ہٹانا اور دوبارہ تربیت دینا ہوگی۔

عابد علی اعوانKDnuggets پر مصنف، ایڈیٹر، اور ڈیٹا سائنٹسٹ، شیئرز:

"اگر آپ کسی کمپنی میں کام کرتے ہیں، تو آپ کو اکثر متعدد ٹیموں کے درمیان سوئچ کرنا پڑ سکتا ہے اور بیک وقت مختلف پروجیکٹس پر کام کرنا پڑتا ہے۔ تاہم، آپ جن پراجیکٹس پر کام کرتے ہیں ان میں سے زیادہ تر پروڈکشن میں بھی نہیں آسکتے ہیں۔ 

کیونکہ کمپنی کی ترجیحات تبدیل ہو سکتی ہیں یا ہو سکتا ہے کہ پراجیکٹس کے اثرات کافی اہم نہ ہوں۔ ٹیموں اور پراجیکٹس کے درمیان مسلسل تبدیل ہونا تھکا دینے والا ہو سکتا ہے، اور آپ اس بات سے بے خبر محسوس کر سکتے ہیں کہ آپ کس چیز میں حصہ ڈال رہے ہیں۔

– عابد علی اعوان، KDnuggets میں مصنف، ایڈیٹر، اور ڈیٹا سائنٹسٹ

لہذا ڈیٹا سائنس پروجیکٹس پر کام کرنا ایک لکیری شروع سے ختم کرنے کا عمل نہیں ہے جہاں آپ ایک پروجیکٹ کو ختم کرتے ہیں اور اگلے پر جاتے ہیں۔ 

دو مختلف اداروں میں ڈیٹا سائنسدان کی زندگی کا ایک دن بالکل مختلف ہو سکتا ہے۔ ڈیٹا سائنسدان، مشین لرننگ انجینئر، اور MLOps انجینئر کے کرداروں میں اکثر اوورلیپنگ فنکشنلٹی ہوتی ہے۔

کہتے ہیں کہ آپ ڈیٹا سائنسدان ہیں جو پیش گوئی کرنے والے ماڈلز بنانے میں بہت زیادہ دلچسپی رکھتے ہیں۔ اور آپ نے اپنی دلچسپی کی تنظیم میں ڈیٹا سائنسدان کا کردار ادا کیا ہے۔ 

تاہم، حیران نہ ہوں اگر آپ اپنا سارا دن اسپریڈ شیٹس میں نمبروں کو کم کرنے اور رپورٹیں بنانے میں صرف کرتے ہیں۔ یا SQL کا استعمال کرتے ہوئے ڈیٹا بیس سے ڈیٹا کھینچنا۔ آپ سوچ سکتے ہیں کہ ایس کیو ایل کے ساتھ ڈیٹا کو گھماؤ اور کاروباری سوالات کے جوابات تلاش کرنا ڈیٹا اینالسٹ کے کردار کو بہتر طور پر فٹ کرے گا۔

جبکہ کچھ دیگر معاملات میں، آپ ماڈلز کو پروڈکشن کے لیے بنانے اور ان کی تعیناتی، ڈرفٹ کی نگرانی، اور ضرورت کے مطابق ماڈل کو دوبارہ تربیت دینے کے انچارج ہو سکتے ہیں۔ اس معاملے میں، آپ ایک ڈیٹا سائنسدان ہیں جو ایک کی ٹوپی بھی پہنتے ہیں۔ ایم ایل او پی ایس انجینئر. 

آئیے سنتے ہیں کہ ڈیٹا کیریئر میں کردار کی روانی کے بارے میں عابد کا کیا کہنا ہے:

"میں ہمیشہ "ڈیٹا سائنٹسٹ" کہلانے کے بارے میں الجھن میں رہتا ہوں۔ یہاں تک کہ اس کا کیا مطلب ہے؟ کیا میں ڈیٹا اینالسٹ، بزنس انٹیلی جنس انجینئر، مشین لرننگ انجینئر، MLOps انجینئر، یا مندرجہ بالا سبھی ہوں؟ اگر آپ کسی چھوٹی کمپنی یا سٹارٹ اپ میں کام کر رہے ہیں تو کمپنی میں آپ کا کردار درست ہے۔ تاہم، بڑی تنظیموں کے کرداروں کے درمیان واضح فرق ہو سکتا ہے۔ لیکن یہ اس بات کی ضمانت نہیں دیتا کہ کردار کی مکمل تعریف کی گئی ہے۔ آپ ڈیٹا سائنسدان ہو سکتے ہیں؛ لیکن آپ کے بہت سے کام شاید تجزیاتی رپورٹیں تخلیق کر رہے ہوں گے جو کاروباری اہداف کے مطابق ہوں۔

– عابد علی اعوان، KDnuggets میں مصنف، ایڈیٹر، اور ڈیٹا سائنٹسٹ

ڈیٹا سائنٹسٹ کے طور پر، آپ کو تکنیکی طور پر دلچسپ لیکن کم متعلقہ پروجیکٹس کی پیروی کرنے کے بجائے ایسے پروجیکٹس کی طرف کوششیں کرنی چاہئیں جن کا کاروبار پر سب سے زیادہ اثر پڑے۔ اس مقصد کے لیے، کاروباری مقاصد کو سمجھنا مندرجہ ذیل وجوہات کی بنا پر کلیدی حیثیت رکھتا ہے۔

• کاروباری مقاصد کو سمجھنا آپ کو تنظیم کی بدلتی ہوئی ضروریات کی بنیاد پر اپنے منصوبوں کو ڈھالنے اور دوبارہ ترجیح دینے کی اجازت دیتا ہے۔
• ڈیٹا سائنس پروجیکٹ کی کامیابی کو اکثر کاروبار پر اس کے اثرات سے ماپا جاتا ہے۔ لہذا کاروباری مقاصد کی اچھی تفہیم کسی پروجیکٹ کی کامیابی کا اندازہ لگانے کے لیے ایک واضح فریم ورک فراہم کرتی ہے، تکنیکی پہلوؤں کو ٹھوس کاروباری نتائج سے جوڑتی ہے۔

میتھیو میو, ایڈیٹر انچیف اور KDnuggets میں ڈیٹا سائنٹسٹ، کاروباری نتائج سے لاتعلقی کی قیمت شیئر کرتا ہے:

"ایک ڈیٹا سائنسدان کے طور پر، اگر آپ کاروباری مقاصد سے لاتعلق ہیں تو آپ لیزر پوائنٹر کا پیچھا کرنے والی ایک بلی بھی ہو سکتے ہیں- آپ اپنے آپ کو حد سے زیادہ فعال اور بے مقصد پائیں گے، جو ممکنہ طور پر زیادہ اہمیت کی کوئی چیز حاصل نہیں کر سکے گا۔ کاروباری اہداف کو سمجھنا اور انہیں کاروبار سے ڈیٹا اسپیک میں ترجمہ کرنے کے قابل ہونا اہم مہارتیں ہیں، جن کے بغیر آپ خود کو انتہائی نفیس، غیر متعلقہ ماڈلز بنانے میں وقت لگا سکتے ہیں۔ ایک فیصلہ ساز درخت جو کام کرتا ہے ہر روز جدید ترین ناکامی کو شکست دیتا ہے!

- میتھیو میو، ایڈیٹر انچیف اور ڈیٹا سائنسدان، KDnuggets

اس سلسلے میں نیشا کا کیا کہنا ہے:

"آپ جو کچھ بھی کرتے ہیں، آپ کو اس کے پیچھے ایک وجہ کی ضرورت ہوتی ہے۔ یہ آپ کی نیت ہے، جو آپ کے عمل سے پہلے آتی ہے۔ جب ڈیٹا کی دنیا کی بات آتی ہے تو کاروبار اور چیلنجز کو سمجھنا ضروری ہے۔ اس کے بغیر، آپ صرف عمل کے ذریعے الجھن میں پڑ جائیں گے۔ ڈیٹا سائنس پروجیکٹ میں آپ کے ہر قدم کے ساتھ، آپ ان مقاصد کا حوالہ دینا چاہیں گے جو اس پروجیکٹ کو متحرک کرتے ہیں۔" 

- نشا آریہ احمد، ڈیٹا سائنٹسٹ اور ٹیکنیکل رائٹر

لہذا، ڈیٹا سائنس صرف نمبروں کو کم کرنے اور پیچیدہ ماڈل بنانے کے بارے میں نہیں ہے۔ یہ کاروباری کامیابی کو بڑھانے کے لیے ڈیٹا کا فائدہ اٹھانے کے بارے میں زیادہ ہے۔ 

کاروباری مقاصد کی ٹھوس تفہیم کے بغیر، آپ کے پروجیکٹس ان کاروباری مسائل سے ہٹ سکتے ہیں جن کا مقصد ان کو حل کرنا ہے — ان کی قدر اور اثر دونوں کو کم کرنا۔

عمارت کے ماڈل دلچسپ ہیں۔ تاہم، اس تک جانے والی سڑک شاید اتنی دلچسپ نہ ہو۔ 

آپ اپنے وقت کا بڑا حصہ خرچ کرنے کی توقع کر سکتے ہیں:

• ڈیٹا اکٹھا کرنا 
• استعمال کرنے کے لیے ڈیٹا کے سب سے زیادہ متعلقہ ذیلی سیٹ کی شناخت کرنا
• ڈیٹا کو تجزیہ کے لیے موزوں بنانے کے لیے اسے صاف کرنا 

اب یہ وہ کام ہے جو زیادہ پرجوش نہیں ہے۔ اکثر، آپ کو مشین لرننگ ماڈلز بنانے کی بھی ضرورت نہیں ہوتی ہے۔ ایک بار جب آپ کے پاس ڈیٹا بیس میں ڈیٹا ہو جائے تو، آپ سوالات کے جوابات دینے کے لیے SQL کا استعمال کر سکتے ہیں۔ ایسی صورت میں آپ کو مشین لرننگ ماڈل بنانے کی بھی ضرورت نہیں ہے۔

یہاں عابد اس بارے میں اپنے خیالات کا اظہار کر رہا ہے کہ کتنا اہم کام اکثر دلچسپ نہیں ہوتا:

"ایک ہی چیز کو بار بار کرنا مشکل ہو سکتا ہے۔ اکثر، آپ کو ڈیٹا صاف کرنے کا کام سونپا جا سکتا ہے، جو کافی مشکل ہو سکتا ہے، خاص طور پر جب متنوع ڈیٹا سیٹس کے ساتھ کام کر رہے ہوں۔ مزید برآں، ڈیٹا کی توثیق اور تحریری یونٹ ٹیسٹ جیسے کام شاید اتنے دلچسپ نہ ہوں لیکن ضروری ہیں۔

– عابد علی اعوان، KDnuggets میں مصنف، ایڈیٹر، اور ڈیٹا سائنٹسٹ

لہذا آپ کو ڈیٹا سائنس کے کامیاب کیریئر کے لیے ڈیٹا کے ساتھ کام کرنے کے عمل سے لطف اندوز ہونا پڑے گا - بشمول اچھے، برے اور بدصورت۔ کیونکہ ڈیٹا سائنس ڈیٹا سے قدر حاصل کرنے کے بارے میں ہے۔ جو اکثر فینسی ماڈل بنانے کے بارے میں نہیں ہوتا ہے۔

ڈیٹا سائنسدان کے طور پر، آپ (شاید) کبھی بھی اس مقام تک نہیں پہنچ پائیں گے جہاں آپ یہ کہہ سکیں کہ آپ نے یہ سب سیکھ لیا ہے۔ آپ کو کیا سیکھنے کی ضرورت ہے اور اس کا انحصار اس بات پر ہے کہ آپ کس چیز پر کام کر رہے ہیں۔

یہ کافی آسان کام ہو سکتا ہے جیسے آگے بڑھتے ہوئے ایک نیا فریم ورک سیکھنا اور استعمال کرنا۔ یا کچھ زیادہ تکلیف دہ چیز جیسے کہ موجودہ کوڈبیس کو کسی زبان میں منتقل کرنا جیسے کہ بہتر سیکیورٹی اور کارکردگی کے لیے Rust۔ تکنیکی طور پر مضبوط ہونے کے علاوہ، آپ کو ضرورت کے مطابق فریم ورک، ٹولز، اور پروگرامنگ زبانوں کو سیکھنے اور تیزی سے آگے بڑھانے کے قابل ہونا چاہیے۔ 

اس کے علاوہ، اگر ضرورت ہو تو آپ کو ڈومین اور کاروبار کے بارے میں مزید جاننے کے لیے تیار ہونا چاہیے۔ یہ بہت زیادہ امکان نہیں ہے کہ آپ اپنے پورے ڈیٹا سائنس کیریئر میں ایک ہی ڈومین میں کام کریں گے۔ مثال کے طور پر، آپ ہیلتھ کیئر میں ڈیٹا سائنٹسٹ کے طور پر شروعات کر سکتے ہیں، پھر فنٹیک، لاجسٹکس اور مزید بہت کچھ پر جا سکتے ہیں۔

گریڈ اسکول کے دوران، مجھے صحت کی دیکھ بھال میں مشین لرننگ پر کام کرنے کا موقع ملا—ایک بیماری کی تشخیص کے منصوبے پر۔ میں نے ہائی اسکول سے آگے حیاتیات کبھی نہیں پڑھی تھی۔ اس لیے پہلے چند ہفتے مخصوص بایومیڈیکل سگنلز—ان کی خصوصیات، خصوصیات اور بہت کچھ کی تکنیکی خصوصیات کو تلاش کرنے کے بارے میں تھے۔ یہ بہت اہم تھے اس سے پہلے کہ میں ریکارڈز کو پہلے سے پروسیس کرنے کے لیے آگے بڑھوں۔

کنول مہرین، ایک تکنیکی مصنف نے اپنے تجربے کو ہمارے ساتھ شیئر کیا:

"آپ اس احساس کو جانتے ہیں جب آپ آخر کار کوئی نیا ہنر سیکھتے ہیں اور سوچتے ہیں، "آہ، یہ ہے، میں اچھا ہوں"؟ ٹھیک ہے، ڈیٹا سائنس میں، وہ لمحہ واقعی کبھی نہیں آتا ہے۔ یہ فیلڈ نئی ٹیکنالوجیز، ٹولز، اور طریقہ کار کے ساتھ ابھرتی ہوئی مسلسل ابھر رہی ہے۔ لہذا اگر آپ کوئی ایسے شخص ہیں جو کسی خاص مقام تک پہنچنے کو ترجیح دیتے ہیں جہاں سیکھنا پیچھے ہٹ جاتا ہے، تو ڈیٹا سائنس کیریئر بہترین میچ نہیں ہوسکتا ہے۔ 

مزید یہ کہ ڈیٹا سائنس شماریات، پروگرامنگ، مشین لرننگ، اور ڈومین کے علم کا ایک خوبصورت امتزاج ہے۔ اگر ہیلتھ کیئر سے لے کر فنانس سے لے کر مارکیٹنگ تک مختلف ڈومینز کو تلاش کرنے کا خیال آپ کو پرجوش نہیں کرتا، تو آپ اپنے کیریئر میں کھوئے ہوئے محسوس کر سکتے ہیں۔"

- کنول مہرین، ٹیکنیکل رائٹر

لہذا ایک ڈیٹا سائنسدان کے طور پر آپ کو مستقل سیکھنے اور اپ سکلنگ سے کبھی بھی گریز نہیں کرنا چاہیے۔

ہم نے پہلے ہی ڈیٹا سائنسدان ہونے کے کئی چیلنجوں کا خاکہ پیش کیا ہے جن میں شامل ہیں:

• کوڈنگ اور ماڈل بلڈنگ کی تکنیکی مہارتوں سے آگے بڑھنا
• ڈومین اور کاروباری مقاصد کو سمجھنا 
• متعلقہ رہنے کے لیے مسلسل سیکھنا اور بہتر بنانا 
• لغوی معنوں میں منصوبوں کو مکمل کرنے کی فکر کیے بغیر متحرک رہنا 
• دوبارہ ترجیح دینے، پیچھے ہٹنے اور تبدیلیاں کرنے کے لیے تیار رہنا
• وہ کام کرنا جو بورنگ ہو لیکن ضروری ہو۔ 

کسی دوسرے ٹیک کردار کی طرح، مشکل حصہ ہے نوٹ ڈیٹا سائنسدان کے طور پر نوکری حاصل کرنا۔ یہ ایک کامیاب ڈیٹا سائنس کیریئر بنا رہا ہے۔

میتھیو میو نے مناسب طریقے سے خلاصہ کیا ہے کہ آپ کو ڈیٹا سائنسدان کے طور پر ان چیلنجوں کو کیسے قبول کرنا چاہئے:

"ایک آرام دہ کیریئر کی تلاش ہے، جہاں آپ اپنا کام شروع کرنے کے لمحے سیکھنا چھوڑ سکتے ہیں اور جدید ترین ٹولز، چالوں اور تکنیکوں کے بارے میں کبھی پریشان نہیں ہوں گے؟ ٹھیک ہے، ڈیٹا سائنس کے بارے میں بھول جاؤ! ڈیٹا پروفیشنل کے طور پر ایک پرسکون کیریئر کی توقع کرنا مانسون میں خشک ٹہلنے کی توقع کے مترادف ہے، جو صرف کاک ٹیل چھتری سے لیس ہو اور ایک پرامید رویہ۔ 

یہ فیلڈ تکنیکی پہیلیاں اور غیر تکنیکی معمے کا ایک نان اسٹاپ رولر کوسٹر ہے: ایک دن آپ الگورتھم میں گہرا غوطہ لگا رہے ہیں، اور اگلے دن آپ اپنے نتائج کو کسی ایسے شخص کو سمجھانے کی کوشش کر رہے ہیں جو یہ سمجھتا ہے کہ رجعت ایک پیچھے ہٹنا ہے۔ رویے کی بچے جیسی حالت۔ لیکن سنسنی ان چیلنجوں میں ہے، اور یہ وہی ہے جو ہمارے کیفین ایڈڈ دماغوں کو تفریح ​​​​فراہم کرتا ہے۔ 

اگر آپ کو چیلنجوں سے الرجی ہے تو، آپ کو بنائی میں زیادہ سکون مل سکتا ہے۔ لیکن اگر آپ نے ابھی تک ڈیٹا ڈیلیج کے ساتھ تصادم سے پیچھے ہٹنا ہے تو، ڈیٹا سائنس شاید آپ کے لیے کافی کا کپ ہے۔"

- میتھیو میو، ایڈیٹر انچیف اور ڈیٹا سائنسدان، KDnuggets

آئیے اس پر کنول کے خیالات سنتے ہیں:

"آئیے اس حقیقت کا سامنا کریں: ڈیٹا سائنس ہمیشہ ہموار سفر نہیں ہوتا ہے۔ ڈیٹا ہمیشہ صاف اور منظم پیکجوں میں نہیں آتا ہے۔ آپ کا ڈیٹا ایسا لگتا ہے جیسے یہ کسی طوفان سے گزرا ہے، جو نامکمل، متضاد، یا غلط بھی ہو سکتا ہے۔ تجزیہ کے لیے اس کی مطابقت کو یقینی بنانے کے لیے اس ڈیٹا کی صفائی اور پری پروسیسنگ مشکل ہو سکتی ہے۔

ایک کثیر الشعبہ میدان میں کام کرتے ہوئے، آپ کو غیر تکنیکی اسٹیک ہولڈرز کے ساتھ بات چیت کرنی پڑ سکتی ہے۔ ان کے لیے تکنیکی تصورات کی وضاحت کرنا اور وہ اپنے مقاصد کے ساتھ کس طرح ہم آہنگ ہوتے ہیں یہ واقعی مشکل ہو سکتا ہے۔

لہذا، اگر آپ کوئی ایسا شخص ہے جو ایک صاف، سیدھا کیریئر کے راستے کو ترجیح دیتا ہے، تو ڈیٹا سائنس کا کیریئر آپ کے لیے رکاوٹوں سے بھرا ہو سکتا ہے۔"

- کنول مہرین، ٹیکنیکل رائٹر

لہذا ڈیٹا سائنس صرف ریاضی اور ماڈلز کے بارے میں نہیں ہے۔ یہ ڈیٹا سے فیصلوں تک جانے کے بارے میں ہے۔ اور اس عمل میں، آپ کو ہمیشہ سیکھنے اور اعلیٰ مہارت حاصل کرنے، کاروباری مقاصد اور مارکیٹ کی حرکیات کو سمجھنے اور بہت کچھ کرنے کے لیے تیار رہنا چاہیے۔

اگر آپ ایک چیلنجنگ کیریئر کی تلاش میں ہیں جس میں آپ لچک کے ساتھ تشریف لانا چاہتے ہیں، تو ڈیٹا سائنس واقعی آپ کے لیے کیریئر کا ایک اچھا آپشن ہے۔ ایکسپلور کر کے خوش ہو جاؤ!

میں میتھیو، عابد، نشا، اور کنول کا شکریہ ادا کرتا ہوں کہ انہوں نے ڈیٹا سائنس کیرئیر کے کئی پہلوؤں پر اپنی بصیرتیں شیئر کیں۔ اور اس مضمون کو زیادہ دلچسپ اور لطف اندوز پڑھنے کے لیے!
 
 

بالا پریا سی ہندوستان سے ایک ڈویلپر اور تکنیکی مصنف ہے۔ وہ ریاضی، پروگرامنگ، ڈیٹا سائنس، اور مواد کی تخلیق کے چوراہے پر کام کرنا پسند کرتی ہے۔ اس کی دلچسپی اور مہارت کے شعبوں میں DevOps، ڈیٹا سائنس، اور قدرتی زبان کی پروسیسنگ شامل ہیں۔ وہ پڑھنے، لکھنے، کوڈنگ اور کافی سے لطف اندوز ہوتی ہے! فی الحال، وہ سیکھنے اور اپنے علم کو ڈویلپر کمیونٹی کے ساتھ بانٹنے کے لیے ٹیوٹوریلز، کیسے گائیڈز، رائے کے ٹکڑوں اور مزید بہت کچھ لکھ کر کام کر رہی ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://www.kdnuggets.com/7-reasons-why-you-shouldnt-become-a-data-scientist?utm_source=rss&utm_medium=rss&utm_campaign=7-reasons-why-you-shouldnt-become-a-data-scientist