Πώς να γίνετε επιστήμονας δεδομένων ή αναλυτής επιχειρήσεων;

Πώς να γίνετε επιστήμονας δεδομένων ή αναλυτής επιχειρήσεων;

September 29, 2022 0 Von admin

Εισαγωγή

Στο τελευταίο άρθρο, μοιράστηκα ένα πλαίσιο για να σας βοηθήσω να απαντήσετε στην ερώτηση, «Πρέπει να γίνω επιστήμονας δεδομένων (ή αναλυτής επιχειρήσεων);». Για τους ανθρώπους που ξεκαθαρίζουν τα όρια, η επόμενη προφανής ερώτηση είναι „Πώς μπορώ να γίνω επιστήμονας δεδομένων;“ Σε αυτό το άρθρο, θα μοιραστώ τι θα είχα κάνει αν ξεκινούσα το ταξίδι μου για μια καριέρα στην επιστήμη δεδομένων.

Η έναρξη μιας καριέρας στην επιστήμη δεδομένων χωρίς σωστή καθοδήγηση και προγραμματισμό μπορεί να προκαλέσει σύγχυση. Έχουμε συντάξει έναν ξεκάθαρο δωρεάν οδηγό οδικού χάρτη για την οικοδόμηση μιας καριέρας στην Επιστήμη Δεδομένων που δημιουργήθηκε από ειδικούς επιμελητές στο Analytics Vidhya –

Ιστορικό – το ταξίδι μου ως επιστήμονας δεδομένων

Ξεκίνησα την καριέρα μου ως αναλυτής χωρίς καμία γνώση σχετικά με τα εργαλεία στα οποία επρόκειτο να δουλέψω – το μόνο που ήξερα ήταν πώς να δημιουργήσω βασικά μοντέλα στο Excel. Δεν είχα ακούσει για συγκεντρωτικούς πίνακες και δεν ήξερα ότι κάτι σαν μορφοποίηση υπό όρους υπήρχε καν στο Excel!

Ευτυχώς, το Capital One με προσέλαβε για τη λογική σκέψη μου και όχι για τη γνώση των εργαλείων που θα έπρεπε να χρησιμοποιήσω. Τα επόμενα χρόνια, δουλεύοντας με πολλούς εργοδότες, ελεύθερος επαγγελματίας και κάνοντας μερικά έργα για κατοικίδια – έμαθα πολλά εργαλεία και τεχνικές – συμπεριλαμβανομένου του SAS, του SPSS, του R και της Python!

Τούτου λεχθέντος, αν ξεκινούσα την καριέρα μου σήμερα, θα επέλεγα τον ίδιο δρόμο; Η απάντηση είναι όχι. Θα ακολουθούσα έναν πολύ διαφορετικό δρόμο από αυτό που έκανα. Αυτό το μονοπάτι όχι μόνο θα περιόριζε την περίοδο σύγχυσης που είχα, αλλά θα χρησιμοποιούσε επίσης μερικές από τις δραματικές αλλαγές που συνέβησαν στον κλάδο των αναλυτικών στοιχείων τα τελευταία χρόνια.

Σταδιοδρομία επιστήμης δεδομένων - πώς να γίνετε επιχειρηματίας επιστήμονας δεδομένων;

Έτσι, σκέφτηκα, θα έλεγα πώς θα σχεδίαζα το ταξίδι μου για να γίνω επιστήμονας δεδομένων – αν έπρεπε να χαράξω την επαγγελματική μου πορεία σήμερα. Να πώς θα σχεδίαζα το ταξίδι μου (με χρονολογική σειρά):

Βήμα 1: Αποφοιτήστε από ένα πανεπιστήμιο κορυφαίας βαθμίδας σε έναν ποσοτικό κλάδο

Ευτυχώς, αυτό δεν άλλαξε πολλά για μένα. Η εκπαίδευση κάνει τεράστια διαφορά στις προοπτικές σας να ξεκινήσετε σε αυτόν τον κλάδο. Οι περισσότερες από τις εταιρείες που κάνουν πιο φρέσκες προσλήψεις, επιλέγουν απευθείας άτομα από τα καλύτερα κολέγια. Έτσι, μπαίνοντας σε ένα πανεπιστήμιο κορυφαίας βαθμίδας, δίνετε στον εαυτό σας μια πολύ ισχυρή ευκαιρία να εισέλθει στον κόσμο της επιστήμης δεδομένων.

Ιδανικά, θα ασχολούμουν με την Πληροφορική ως αντικείμενο σπουδών. Εάν δεν έλαβα θέση στη δέσμη της Επιστήμης Υπολογιστών, θα ασχοληθώ με ένα θέμα που έχει στενούς δεσμούς με τον υπολογιστικό τομέα – π.χ. υπολογιστική νευροεπιστήμη, Υπολογιστική Ρευστοδυναμική κ.λπ.

Βήμα 2: Παρακολουθήστε μαθήματα για το θέμα – αλλά κάντε τα ένα-ένα

Αυτή είναι ίσως η μεγαλύτερη αλλαγή, που θα συνέβαινε στο ταξίδι αν λιποθυμούσα τώρα. Εάν αφιερώσετε έστω και ένα χρόνο μελετώντας το θέμα συμμετέχοντας σε αυτά τα ανοιχτά μαθήματα, θα είστε σε πολύ καλύτερη κατάσταση σε σχέση με άλλους ανθρώπους που διεκδικούν να εισέλθουν στον κλάδο. Μου πήρε 5+ χρόνια εμπειρίας για να σχετιστώ με τη δύναμη που φέρνουν στο τραπέζι οι R και Python. Μπορείτε να το κάνετε αυτό σήμερα παρακολουθώντας διάφορα μαθήματα.

Μια λέξη προσοχής εδώ είναι να είστε επιλεκτικοί στα μαθήματα που επιλέγετε. Θα εστίαζα στην εκμάθηση μιας στοίβας – R ή Python. Θα συνιστούσα την Python έναντι του R σήμερα – αλλά αυτό είναι προσωπική επιλογή.

  1. Παρακολουθήστε ένα ολοκληρωμένο μάθημα – Ένα ολοκληρωμένο μάθημα είναι αυτό που μόλις ολοκληρώσετε σας κάνει έναν κορυφαίο επιστήμονα δεδομένων. Πρέπει να περιέχει όλες τις δεξιότητες και τα εργαλεία για να γίνεις επιστήμονας δεδομένων πλήρους στοίβας, δεκάδες πραγματικά έργα και υποστήριξη καθοδήγησης. Το πρόγραμμα Blackbelt+ της Analytics Vidhya τα προσφέρει όλα με ειδικούς εκπαιδευτές.
    1. Μερικά οφέλη αυτού του μαθήματος –
    2. Δεξιά σε 15+ εργαλεία
    3. Εξειδίκευση σε θέματα Επιστήμης Δεδομένων, Μηχανικής Μάθησης & Βαθιάς Μάθησης
    4. Ικανότητα επίλυσης προβλημάτων της βιομηχανίας του πραγματικού κόσμου
    5. 1:1 Καθοδήγηση με επαγγελματίες του κλάδου
    6. Ολοκληρωμένη & Εξατομικευμένη Μαθησιακή Διαδρομή
    7. Προετοιμασία & Υποστήριξη Αφιερωμένης Συνέντευξης
  2. Παρακολουθήστε μερικά δωρεάν μαθήματα – Τα δωρεάν μαθήματα είναι ένας πολύ καλός τρόπος για να αξιοποιήσετε τις γνώσεις σας στην αρχική φάση του ταξιδιού σας. Αυτά τα μαθήματα προσφέρουν μια μεγάλη εισαγωγή στις έννοιες της επιστήμης δεδομένων. Προσοχή όμως, αυτά τα μαθήματα είναι για αρχάριους και αν έχετε γνώση σε μερικά θέματα θα σας συνιστούσα να προχωρήσετε σε εξειδικευμένα μαθήματα. Ας δούμε τη λίστα με μερικά σημαντικά δωρεάν μαθήματα –
      1. Εισαγωγή στο AI και ML – Το τέλειο μάθημα για να κατανοήσετε και να πλοηγηθείτε στον κλάδο της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης. Αναφέρει όλες τις δεξιότητες, τα εργαλεία, την επαγγελματική πορεία για να γίνετε επαγγελματίας τεχνητής νοημοσύνης και ML.
      2. Python for Data Science – Η Python είναι μια από τις πιο ισχυρές και πιο ευρέως χρησιμοποιούμενες γλώσσες για την κατασκευή μοντέλων μηχανικής μάθησης. Αυτό το μάθημα είναι εξαιρετικό για αρχάριους Python και παρέχει επίσης δωρεάν πιστοποίηση!
      3. Εισαγωγή στην Επεξεργασία Φυσικής Γλώσσας – Εάν είστε λάτρης του NLP, αυτό είναι το τέλειο μάθημα για εσάς. Σε αυτό το μάθημα θα μάθετε τα βασικά της Επεξεργασίας Φυσικής Γλώσσας, των Κανονικών Εκφράσεων και της ανάλυσης συναισθήματος κειμένου χρησιμοποιώντας μηχανική μάθηση.
      4. Ξεκινώντας με τα νευρωνικά δίκτυα – Το Deep Learning έχει επιλέξει την τελευταία δεκαετία και πολλοί λάτρεις ενδιαφέρονται να μάθουν νευρωνικά δίκτυα. Το μάθημα απαντά σε ερωτήσεις όπως – Τι είναι ένα νευρωνικό δίκτυο; Πώς λειτουργεί; Τι κάνει ένα νευρωνικό δίκτυο;

Βήμα 3: Κάντε μια-δυο θέσεις πρακτικής άσκησης/ελευθέρου επαγγέλματος

Αυτό γίνεται για να αποκτήσετε μια πραγματική εμπειρία πριν ξεκινήσετε πραγματικά. Αυτό θα πρέπει επίσης να σας παρέχει μια κατανόηση της δουλειάς που συμβαίνει στον πραγματικό κόσμο. Θα έχετε μεγάλη έκθεση σε πραγματικές προκλήσεις σχετικά με τη συλλογή δεδομένων και τον καθαρισμό εδώ.

Βήμα 4: Συμμετοχή σε διαγωνισμούς επιστήμης δεδομένων

Θα πρέπει να στοχεύσετε να πετύχετε τουλάχιστον ένα κορυφαίο 10% στο Kaggle προτού φύγετε από το πανεπιστήμιό σας. Αυτό θα σας φέρει γρήγορα στα μάτια των υπαλλήλων προσλήψεων και θα σας δώσει μια ισχυρή επιφάνεια εκκίνησης. Προσοχή, αυτό ακούγεται πολύ πιο εύκολο από ό,τι είναι στην πραγματικότητα. Μπορεί να χρειαστούν πολλοί διαγωνισμοί ακόμα και για τους πιο έξυπνους ανθρώπους για να φτάσουν στο κορυφαίο 10% στο Kaggle.

Ακολουθεί μια πρόσθετη συμβουλή για να ενισχύσετε τα αποτελέσματα από τις προσπάθειές σας – μοιραστείτε τη δουλειά σας στο Github. Δεν ξέρεις ποιος εργοδότης μπορεί να σε βρει από τη δουλειά σου!

Βήμα 5: Αναλάβετε τη σωστή δουλειά που προσφέρει μια εκπληκτική εμπειρία

Θα έπιανα δουλειά σε μια start-up, η οποία κάνει καταπληκτική δουλειά στην ανάλυση/μηχανική εκμάθηση. Η ποσότητα μάθησης που μπορείτε να αποκτήσετε για τον μικρό κίνδυνο μπορεί να είναι εκπληκτική. Υπάρχουν νεοφυείς επιχειρήσεις που ασχολούνται με τη βαθιά μάθηση, την ενισχυτική μάθηση – επιλέξτε αυτή που σας ταιριάζει (λαμβάνοντας υπόψη την κουλτούρα)

Εάν δεν είστε το είδος της νεοσύστατης επιχείρησης, εγγραφείτε σε μια συμβουλευτική εταιρεία αναλύσεων, η οποία εργάζεται σε εργαλεία και προβλήματα σε όλο το φάσμα. Ζητήστε έργα σε διαφορετικούς τομείς, εργαστείτε σε διαφορετικούς αλγόριθμους, δοκιμάστε νέες προσεγγίσεις. Εάν δεν μπορείτε να βρείτε έναν ρόλο σε μια συμβουλευτική εταιρεία – αναλάβετε έναν ρόλο σε μονάδες αιχμαλωσίας, αλλά αναζητήστε αλλαγή ρόλου κάθε 12 – 18 μήνες. Και πάλι αυτή είναι μια γενική οδηγία – προσαρμόστε την ανάλογα με τη μάθηση που έχετε στον ρόλο.

Τέλος, μερικές συμβουλές μπόνους:

  • Ο ρόλος του μέντορα είναι ανεκτίμητος! Μπορείτε να προσπαθήσετε να βρείτε επαγγελματίες που έχουν πλοηγηθεί στον κλάδο και να λάβετε τις συμβουλές τους. Το πρόγραμμα AI και ML Blackbelt+ προσφέρει συνεδρίες καθοδήγησης και εξατομικευμένο οδικό χάρτη εκμάθησης προσαρμοσμένο από ειδικούς μέντορες.
  • Δοκιμάστε να μάθετε νέα εργαλεία μόλις αισθανθείτε άνετα με αυτά που ήδη χρησιμοποιείτε. Διαφορετικά εργαλεία είναι καλά για διαφορετικούς τύπους επίλυσης προβλημάτων. Για παράδειγμα, το Learning Vowpal Wabbit μπορεί να προσθέσει ένα σημαντικό πλεονέκτημα στην κωδικοποίηση Python σας.
  • Μπορείτε να δοκιμάσετε να δημιουργήσετε μερικές εφαρμογές Ιστού – αυτό προσθέτει σημαντικές γνώσεις σχετικά με τη ροή δεδομένων στον Ιστό και προσωπικά απολαμβάνω να ικανοποιώ τον χάκερ μέσα μου μερικές φορές!

Λίγες τροποποιήσεις σε αυτές τις συμβουλές, σε περίπτωση που είστε ήδη εκτός κολεγίου ή έχετε εργασιακή εμπειρία:

  • Σε περίπτωση που μπορείτε ακόμα να επιστρέψετε στο κολέγιο, σκεφτείτε να αποκτήσετε μεταπτυχιακό ή διδακτορικό. Τίποτα δεν ξεπερνά τη βελτίωση της πιθανότητας να βρεις τη σωστή δουλειά σε σύγκριση με την παρακολούθηση ενός καλού προγράμματος από ένα κορυφαίο Πανεπιστήμιο.
  • Σε περίπτωση που δεν είναι δυνατή η εκπαίδευση πλήρους φοίτησης, ακολουθήστε ένα πρόγραμμα μερικής απασχόλησης από ένα καλό ινστιτούτο / Πανεπιστήμιο. Αλλά να είστε έτοιμοι να καταβάλετε επιπλέον προσπάθειες εκτός αυτών πιστοποιήσεις/προγράμματα.
  • Εάν βρίσκεστε ήδη σε μια δουλειά και η εταιρεία σας έχει μια προηγμένη ρύθμιση αναλυτικών στοιχείων, προσπαθήστε να κάνετε μια εσωτερική αλλαγή δείχνοντας τη μάθησή σας.
  • Έχω διατηρήσει την εστίαση στο R ή την Python επειδή είναι στη φύση τους ανοιχτού κώδικα. Αυτά γίνονται το βασικό πρότυπο στοίβας τεχνολογίας για τη βιομηχανία.

Τι πιστεύετε για αυτήν την πορεία προς μια καριέρα στην επιστήμη των δεδομένων; Έχετε επιπλέον συμβουλές, που μπορούν να βοηθήσουν τους ανθρώπους να κάνουν τις επαγγελματικές τους επιλογές; Μη διστάσετε να δημοσιεύσετε αυτές τις συμβουλές παρακάτω προς όφελος ενός μεγαλύτερου κοινού.

δικαιώματα φωτογραφίας: Indy Kethdy μέσω φωτοπινέζα cc