Многие люди сделали первый шаг к работе с данными, но в какой-то момент каждый сталкивается со следующим большим шагом: как мне сделать из этого карьеру? После нескольких недель обсуждений с начинающими специалистами по обработке данных ниже приведены пять основных вопросов, которые я постоянно слышу, когда дело доходит до сектора данных.

Также для всех, кто пытается узнать первые шаги к тому, чтобы стать специалистом по данным, вы можете просмотреть эту статью.

1. Я пытаюсь найти работу в области науки о данных, но найти ее нелегко. Как я могу попасть в дверь?

Ходят странные слухи о том, что работа специалиста по данным полностью отличается от работы аналитика данных, разработчика бизнес-аналитики, инженера по данным, менеджера баз данных или какой-либо другой работы, связанной с данными. Это не! Все эти должности во многом совпадают, поэтому работа в качестве разработчика бизнес-аналитики поможет вам получить опыт работы с данными и отточить ваши навыки в области науки о данных.

Не забывайте об этих работах. Их там много. Есть большая вероятность, что в этих компаниях также работают специалисты по данным, что дает прекрасную возможность поучиться у них из первых рук. Если там нет специалистов по обработке данных, это также отличная возможность создать собственные проекты в области науки о данных, чтобы продемонстрировать менеджерам свои навыки. Иногда, если вам нужна роль в области науки о данных, вам нужно создать ее самостоятельно.

2. Я прошел курсы по науке о данных и учебные курсы, но у меня нет сильного опыта в статистике. Будет ли это проблемой?

Я слышал поговорку: «Наука о данных - это как вождение автомобиля. Вам не нужно знать, как все скрывается под капотом, чтобы управлять им ».

Хотя это может быть правдой, и вы можете запускать некоторые алгоритмы, чтобы делать прогнозы или идеи, не понимая, как работают статистические основы, в какой-то момент вы столкнетесь с проблемами, когда алгоритм не подходит по определенным причинам из-за статистических допущений, которые могут привести к плохие прогнозы. Хуже того, когда вам все-таки приходится объяснять, почему вы выбрали модель, и вы не знаете, каковы истинные преимущества этой модели, люди могут не доверять вашей работе.

Начинающие специалисты по данным также считают, что все проекты в области науки о данных решают задачи машинного обучения. Есть много проблем, которые можно решить с помощью простых вероятностей и распределений. Понимание того, как работают эти дистрибутивы, может дать вам возможность решать более широкий круг проблем, когда модели машинного обучения не нужны.

Наука о данных больше похожа на выбор акций. Любой может выбрать акцию, и она будет успешной в краткосрочной перспективе, но люди, которые наиболее успешны на фондовом рынке, как правило, именно те, кто исследует компании, в которые они инвестируют.

3. Я не получил специализацию в области науки о данных. Означает ли это, что я не буду квалифицирован для работы в области науки о данных?

Точно нет! Наука о данных - относительно новый термин, поэтому университеты, которые преподают учебные программы по науке о данных, являются новичком в этой игре. Скорее всего, специалисты по обработке данных, с которыми вы встречаетесь или с которыми разговариваете, специализируются не в науке о данных, а в такой области, как информатика или математика. Однако с развитием онлайн-курсов и учебных курсов по науке о данных вы можете получить навыки в области науки о данных, которые помогут вам создать онлайн-портфолио, чтобы показать работодателям, что вы можете обрабатывать набор данных.

4. Достаточно ли онлайн-курсов для обучения или я должен получить что-то вроде степени магистра?

Учебные курсы по науке о данных отлично подходят для людей, которые пытаются познакомиться с ландшафтом своей работы, но работодателю будет недостаточно нанять на работу только на основе учебного курса. Я прошел курсы Coursera, Udemy и Udacity на разных этапах моей карьеры. Мне нравятся более дешевые варианты, когда я пытаюсь изучить конкретный навык, например, изучение Docker, кодирование на Python, визуализации в R и т. Д. Нет необходимости в целом учебном лагере, когда вы просто пытаетесь сосредоточиться на одной теме. .

Степень магистра - это большой шаг. Мне кажется, слишком многие люди сразу же бросаются на получение более высокой степени, не понимая, нравится ли им карьера, в которую они входят. Степень магистра отлично подходит для будущего карьерного потенциала, но это большой риск, если вы все еще сомневаетесь в том, действительно ли вам нравится работать специалистом по данным.

Когда вы полностью готовы сделать следующий шаг к долгосрочному развитию в области науки о данных, степень магистра станет отличным выбором. Если вы все еще пытаетесь изучить основы, что-нибудь настолько простое, как YouTube, поможет вам.

5. Что лучше всего сделать, чтобы работодатели отнеслись ко мне серьезно как к специалисту по данным без опыта?

ПОБОЧНЫЕ ПРОЕКТЫ! Наука о данных, как и почти любая другая отрасль, в значительной степени является областью «докажи это мне». Если бы вы вступали в соревновательную лигу видеоигр и друг сказал, что они лучшие игроки в видеоигры в стране, вы бы попросили посмотреть, есть ли у них какие-либо видеоролики с их играми, или посмотреть, как они играют в игру или две, чтобы вы могли судить о себя, да?

То же самое и со сторонними проектами в мире данных / информатики. Вы говорите, что можете обрабатывать данные и манипулировать ими, чтобы делать информативные прогнозы? Потрясающий! Вы можете показать мне пример?

В сторонних проектах замечательно то, что они никогда не устаревают. Выполнив одну из них, вы сможете ссылаться на них вечно. Срок действия анализа не истекает после определенной даты. Много лет назад я завершил сторонние проекты, о которых до сих пор вспоминаю. При подаче заявления о приеме на работу они могут приложить сопроводительные письма, чтобы показать: «Я идеально подхожу для этой работы, и вот несколько проектов, которые мне нужно доказать».

Самое сложное в сторонних проектах - это только начать их. Вы как будто все время слышите, когда кто-то говорит вам: «Чувак, у меня есть отличная идея для приложения…». Как часто вы на самом деле слышите об этом человеке, который пытается создать свое приложение? Ага, никогда. Чем дольше вы откладываете работу над проектом, тем меньше вероятность, что он когда-либо будет завершен.

Однако убедитесь, что вы делаете проект, который является вашей собственной мыслью! Не проводите анализ набора данных Kaggle Titanic, ВСЕ его уже сделали. Вы никого не впечатляете базовым анализом, который уже прошел каждый специалист по анализу данных. Kaggle и другие местоположения наборов данных - отличное место для начала поиска данных, но всегда старайтесь думать о проекте, который будет уникальным для вас и выделит вас из толпы.

Данные ценнее, чем когда-либо, и это основная причина, по которой сложно попасть в сектор данных. Если бы это было легко, то это не было бы такой желанной работой. Есть много разных способов приступить к работе с данными, и как только вы… вы в ней. Найдите время, чтобы поработать над побочными проектами, которые демонстрируют ваш набор навыков и вселяют в людей уверенность, если они предоставят данные с конфиденциальной информацией для вы бы точно знали, что делать.