Πώς να αποκτήσετε την πρώτη σας δουλειά στην Επιστήμη Δεδομένων;

Πώς μπορεί κανείς να πάρει την πρώτη θέση εργασίας ως Επιστήμονας Δεδομένων ή Αναλυτής Δεδομένων; Εάν κάνετε κύλιση στα φόρουμ επιστήμης δεδομένων, θα βρείτε πολλές ερωτήσεις σχετικά με αυτό το θέμα. Οι αναγνώστες του ιστολογίου μου για την επιστήμη δεδομένων (data36.com) με ρωτούν από καιρό σε καιρό. Και μπορώ να σας πω αυτό ένα εντελώς έγκυρο πρόβλημα!

Αποφάσισα να συνοψίσω τις απαντήσεις μου για όλες τις μεγάλες ερωτήσεις!

ΝΕΟΣ! Έχω δημιουργήσει ένα ολοκληρωμένο (δωρεάν) διαδικτυακό μάθημα βίντεο για να σας βοηθήσω να ξεκινήσετε με την Επιστήμη δεδομένων. Κάντε κλικ εδώ για περισσότερες πληροφορίες: Πώς να γίνετε επιστήμονας δεδομένων.

ΕΓΓΡΑΦΕΙΤΕ ΕΔΩ (ΔΩΡΕΑΝ): https://data36.com/how-to-become-a-data-scientist/

# 1: Ποιες είναι οι πιο σημαντικές δεξιότητες και εργαλεία επιστημόνων δεδομένων; Και πώς μπορείτε να τα πάρετε;

Καλά νέα - κακά νέα.

Θα ξεκινήσω με το κακό. Στο 90% των περιπτώσεων, οι δεξιότητες που σας διδάσκουν στα πανεπιστήμια δεν είναι πραγματικά χρήσιμες σε έργα επιστήμης δεδομένων πραγματικής ζωής. Όπως έχω γράψει αρκετές φορές, σε πραγματικά έργα απαιτούνται αυτές οι 4 δεξιότητες κωδικοποίησης δεδομένων:

  • bash / γραμμή εντολών
  • Πύθων
  • SQL
  • Ρ
  • (και μερικές φορές Java)
πηγή: KDnuggets

Ποια 2 ή 3 θα βρείτε πιο χρήσιμα εξαρτάται πραγματικά από την εταιρεία… Αλλά αν έχετε μάθει ένα, θα είναι πολύ πιο εύκολο να μάθετε άλλο.

Έτσι, το πρώτο μεγάλο ερώτημα είναι: πώς μπορείτε να αποκτήσετε αυτά τα εργαλεία; Εδώ έρχονται τα καλά νέα! Όλα αυτά τα εργαλεία είναι δωρεάν! Αυτό σημαίνει ότι μπορείτε να τα κατεβάσετε, να τα εγκαταστήσετε και να τα χρησιμοποιήσετε χωρίς να πληρώσετε ούτε δεκάρα γι 'αυτούς. Μπορείτε να εξασκηθείτε, να δημιουργήσετε ένα έργο χόμπι δεδομένων ή οτιδήποτε άλλο!

Έγραψα πρόσφατα ένα βήμα προς βήμα άρθρο σχετικά με τον τρόπο εγκατάστασης αυτών των εργαλείων στον υπολογιστή σας. Δείτε το εδώ.

# 2: Πώς να μάθετε;

Υπάρχουν 2 βασικοί τρόποι για να μάθετε την επιστήμη των δεδομένων εύκολα και οικονομικά.

1ο: Βιβλία.

Καλό παλιό σχολείο, αλλά εξακολουθεί να είναι ένας καλός τρόπος μάθησης. Από βιβλία μπορείτε να πάρετε πολύ εστιασμένες, πολύ λεπτομερείς γνώσεις σχετικά με την ανάλυση δεδομένων στο διαδίκτυο, στατιστικά στοιχεία, κωδικοποίηση δεδομένων κ.λπ.

Τα κορυφαία 7 βιβλία δεδομένων που προτείνω

2ο: Διαδικτυακά σεμινάρια και μαθήματα βίντεο.

Τα διαδικτυακά μαθήματα επιστήμης δεδομένων έρχονται με καλές τιμές ($ 10- $ 500) και καλύπτουν διάφορα θέματα, από την κωδικοποίηση δεδομένων έως την επιχειρηματική ευφυΐα. Εάν δεν θέλετε να ξοδέψετε χρήματα για αυτό στην αρχή, έχω αναφέρει δωρεάν μαθήματα και εκπαιδευτικό υλικό σε αυτήν την ανάρτηση.

(3ο: Το πρώτο μάθημα του Junior Data Scientist έχω δημιουργήσει ένα διαδικτυακό μάθημα επιστημονικών δεδομένων διάρκειας 6 εβδομάδων για τους επίδοξους επιστήμονες δεδομένων να εξασκήσουν και να λύσουν καθήκοντα πραγματικής ζωής σε ένα σύνολο δεδομένων πραγματικής ζωής: Ο πρώτος μήνας του Junior Data Scientist .)

# 3: Πώς να εξασκηθείτε και πώς να αποκτήσετε εμπειρία πραγματικής ζωής

Αυτό είναι δύσκολο, σωστά; Κάθε εταιρεία θέλει να έχει άτομα με τουλάχιστον λίγο πραγματική εμπειρία… Αλλά πώς αποκτάτε πραγματική εμπειρία, εάν χρειάζεστε πραγματική εμπειρία για να πάρετε την πρώτη σας δουλειά; Κλασικό catch-22. Και η απάντηση είναι: έργα κατοικίδιων ζώων.

Το "Pet project" σημαίνει ότι δημιουργείτε μια ιδέα έργου δεδομένων που σας κάνει να ενθουσιαστείτε. Τότε απλά αρχίζετε να το χτίζετε. Μπορείτε να το σκεφτείτε ως μια μικρή εκκίνηση, αλλά βεβαιωθείτε ότι συνεχίζετε να εστιάζετε στο τμήμα επιστήμης δεδομένων του έργου και μπορείτε απλά να αγνοήσετε το επιχειρηματικό μέρος. Για να σας δώσω μερικές ιδέες, εδώ είναι μερικά από τα έργα κατοικίδιων ζώων μου από τα τελευταία χρόνια:

  • Δημιούργησα ένα σενάριο που παρακολούθησε έναν ιστότοπο ακινήτων και μου έστειλε τις καλύτερες προσφορές σε πραγματικό χρόνο μέσω ηλεκτρονικού ταχυδρομείου - έτσι θα μπορούσα να λάβω αυτές τις προσφορές πριν από όλους τους άλλους.
  • Δημιούργησα ένα σενάριο που τραβούσε όλα τα άρθρα από ABC, BBC και CNN και, με βάση τις λέξεις που χρησιμοποιήθηκαν, συνέδεσα τα άρθρα που είχαν το ίδιο ακριβώς θέμα στις 3 διαφορετικές πύλες ειδήσεων.
  • Δημιούργησα μια αυτομάθηση chatbot στην Python. (Δεν είναι όμως πολύ έξυπνο - καθώς δεν το έχω εκπαιδεύσει ακόμα.)

Να είσαι δημιουργικός! Βρείτε ένα έργο κατοικίδιων ζώων που σχετίζεται με την επιστήμη δεδομένων και ξεκινήστε την κωδικοποίηση! Εάν χτυπήσετε στον τοίχο ένα πρόβλημα κωδικοποίησης - αυτό μπορεί να συμβεί εύκολα, όταν αρχίσετε να μαθαίνετε μια νέα γλώσσα δεδομένων - απλώς χρησιμοποιήστε το google ή / και το stackoverflow. Ένα σύντομο παράδειγμα της δικής μου - για το πόσο αποτελεσματική είναι η stackoverflow:

αριστερή πλευρά: η ερώτησή μου - δεξιά πλευρά: η απάντηση (σε 7 λεπτά)

Παρατηρήστε τη χρονική σήμανση! Έχω στείλει ένα είδος περίπλοκης ερώτησης και επέστρεψα την απάντηση σε 7 λεπτά. Το μόνο πράγμα που έπρεπε να κάνω ήταν να αντιγράψω τον κώδικα στον κώδικα παραγωγής μου και να κάνω έκρηξη, λειτούργησε!

(Σημείωση: Το Cross Validated είναι ένα άλλο σπουδαίο φόρουμ για ερωτήσεις που σχετίζονται με την επιστήμη δεδομένων.)

Πρόταση +1:

Ακόμα κι αν είναι λίγο δύσκολο, προσπαθήστε να πάρετε έναν μέντορα. Εάν είστε αρκετά τυχεροί, θα βρείτε κάποιον που εργάζεται σε ρόλο Επιστήμονας δεδομένων σε μια ωραία εταιρεία και που μπορεί να ξοδεύει 1 ώρα εβδομαδιαίως ή δύο εβδομάδες μαζί σας και να συζητάει ή να διδάσκει πράγματα.

# 4: Πού και πώς στέλνετε την πρώτη σας αίτηση εργασίας;

Εάν δεν έχετε καταφέρει να βρείτε έναν μέντορα, μπορείτε να βρείτε τον πρώτο σας στην πρώτη σας εταιρεία. Αυτή θα είναι η πρώτη σας δουλειά που σχετίζεται με την επιστήμη δεδομένων, γι 'αυτό προτείνω να μην εστιάζετε σε μεγάλα χρήματα ή σε μια εξαιρετικά φανταχτερή ατμόσφαιρα εκκίνησης. Εστιάστε στην εύρεση ενός περιβάλλοντος όπου μπορείτε να μάθετε και να βελτιώσετε τον εαυτό σας.

Η ανάληψη της πρώτης εργασίας σας στην επιστήμη δεδομένων σε μια πολυεθνική εταιρεία ενδέχεται να μην συμβαδίζει με αυτήν την ιδέα, επειδή οι άνθρωποι εκεί συνήθως είναι πολύ απασχολημένοι με τα πράγματα τους, οπότε δεν θα έχουν χρόνο ή / και κίνητρο για να σας βοηθήσουν να βελτιώσετε (φυσικά, υπάρχουν πάντα εξαιρέσεις).

Ξεκινώντας από μια μικρή εκκίνηση ως πρώτο πρόσωπο δεδομένων στην ομάδα δεν είναι καλή ιδέα ούτε στην περίπτωσή σας, επειδή αυτές οι εταιρείες δεν έχουν ανώτερους τύπους δεδομένων για να μάθουν.

Σας συμβουλεύω να εστιάσετε σε εταιρείες μεγέθους 50–500. Αυτό είναι το χρυσό μέσο. Οι ανώτεροι επιστήμονες δεδομένων συμμετέχουν, αλλά δεν είναι πολύ απασχολημένοι για να σας βοηθήσουν και να σας διδάξουν.

Εντάξει, έχετε βρει μερικές καλές εταιρείες… Πώς να κάνετε αίτηση; Μερικές αρχές για το βιογραφικό σας: επισημάνετε τις δεξιότητές σας και τα έργα σας, όχι την εμπειρία σας (καθώς δεν έχετε ακόμη πολλά χρόνια για να τα βάλετε ακόμα σε χαρτί). Καταχωρίστε τις σχετικές γλώσσες κωδικοποίησης (SQL και Python), που χρησιμοποιείτε και συνδέστε μερικές από τις σχετικές repos github, ώστε να μπορείτε να δείξετε ότι έχετε χρησιμοποιήσει πραγματικά αυτήν τη γλώσσα.

Επίσης, στις περισσότερες περιπτώσεις, οι εταιρείες ζητούν συνοδευτική επιστολή. Είναι μια καλή ευκαιρία να εκφράσετε τον ενθουσιασμό σας, φυσικά, αλλά θα μπορούσατε επίσης να προσθέσετε μερικές πρακτικές λεπτομέρειες, όπως θα κάνατε τις πρώτες εβδομάδες σας εάν προσλήφθηκαν. (Π.χ. Κοιτάζοντας τη ροή εγγραφής σας, υποθέτω ότι η ____ ιστοσελίδα παίζει σημαντικό ρόλο. Τις πρώτες εβδομάδες μου, θα έκανα ___, ___ και ___ (συγκεκριμένες αναλύσεις) για να αποδείξω αυτήν την υπόθεση και να την καταλάβω πιο βαθιά. Θα μπορούσε να βοηθήσει την εταιρεία να βελτιώσει _____ και τελικά να ωθήσει τα _____ KPI. ")

Ας ελπίσουμε ότι αυτό θα σας έδινε μια συνέντευξη εργασίας, όπου μπορείτε να συνομιλήσετε λίγο για τα έργα κατοικίδιων ζώων σας, τις προτάσεις της συνοδευτικής επιστολής σας, αλλά θα αφορά κυρίως τον έλεγχο της προσωπικότητας και πιθανότατα κάποια βασική δοκιμασία δεξιοτήτων. Εάν έχετε εξασκηθεί αρκετά, θα το περάσετε… αλλά αν είστε νευρικός τύπος και θέλετε να εξασκηθείτε περισσότερο, μπορείτε να το κάνετε στο hackerrank.com.

συμπέρασμα

Λοιπόν, αυτό είναι. Ξέρω ότι ακούγεται πιο εύκολο όταν γράφεται, αλλά αν είστε πραγματικά αποφασισμένοι να γίνετε Επιστήμονας Δεδομένων, δεν θα είναι πρόβλημα να το κάνετε! Καλή τύχη με αυτό!

Αν θέλετε να δοκιμάσετε, πώς είναι να είμαι νεώτερος επιστήμονας δεδομένων σε μια πραγματική εκκίνηση, ρίξτε μια ματιά στο διαδικτυακό μάθημα επιστημονικών δεδομένων 6 εβδομάδων: Ο πρώτος μήνας του Junior Data Scientist!

Και αν θέλετε να μάθετε περισσότερα σχετικά με την επιστήμη δεδομένων, ελέγξτε το ιστολόγιό μου (data36.com) ή / και εγγραφείτε στο Newsletter μου! Και μην χάσετε τη νέα σειρά μαθημάτων κωδικοποίησης: SQL για ανάλυση δεδομένων!

Ευχαριστώ για την ανάγνωση!

Σας άρεσε το άρθρο; Απλώς ενημερώστε με κάνοντας κλικ στο παρακάτω. Βοηθά επίσης άλλους ανθρώπους να δουν την ιστορία!

Tomi Mester συγγραφέας του data36.com Twitter: @ data36_com