Ինչպե՞ս ձեռք բերել ձեր առաջին աշխատանքը Data Science- ում:

Ինչպե՞ս կարելի է ստանալ իր առաջին մուտքի մակարդակի աշխատանքը `որպես տվյալների գիտնական կամ տվյալների վերլուծաբան: Եթե ​​շարժվում եք տվյալների գիտության ֆորումներում, այս թեմայի շուրջ շատ հարցեր կգտնեք: Իմ տվյալների գիտության բլոգի (data36.com) ընթերցողները ինձ ժամանակ առ ժամանակ նույնն են հարցնում: Եվ ես կարող եմ ձեզ ասել այս բոլորովին վավեր խնդիր:

Որոշել եմ ամփոփել իմ պատասխանները բոլոր հիմնական հարցերի համար:

ՆՈՐ! Ես ստեղծել եմ համապարփակ (անվճար) առցանց վիդեո դասընթաց, որը կօգնի ձեզ սկսել Data Science- ով: Սեղմեք այստեղ `լրացուցիչ տեղեկությունների համար. Ինչպե՞ս դառնալ տվյալների գիտնական:

Գրանցվել ԱՅՍՏԵՂ (ԱՆՎ (ԱՐ) ՝ https://data36.com/how-to-become-a-data-sledgeist/

# 1. Որո՞նք են տվյալների գիտնականների ամենակարևոր հմտություններն ու գործիքները: Եվ ինչպես կարող եք դրանք ձեռք բերել:

Լավ նորություն - վատ նորություններ:

Ես կսկսեմ վատը: 90% դեպքերում, այն հմտությունները, որոնք նրանք ձեզ դասավանդում են համալսարաններում, իրականում օգտակար չեն իրական կյանքի տվյալների գիտության նախագծերում: Ինչպես ես գրել եմ մի քանի անգամ, իրական նախագծերում անհրաժեշտ են տվյալների կոդավորման այս 4 հմտություններ.

  • bash / հրամանի տող
  • Փիթոն
  • SQL
  • Ռ
  • (և երբեմն Java)
աղբյուրը ՝ KDnuggets

Որից 2-ը կամ 3-ը, որը դուք կգտնեք առավել օգտակար, իսկապես կախված է ընկերությունից ... Բայց եթե դուք սովորել եք մեկը, շատ ավելի հեշտ կլինի սովորել մեկ այլ:

Այսպիսով, առաջին մեծ հարցը հետևյալն է. Ինչպե՞ս կարող եք ձեռք բերել այս գործիքները: Ահա բարի լուրը: Այս բոլոր գործիքներն անվճար են: Դա նշանակում է, որ դուք կարող եք ներբեռնել, տեղադրել և օգտագործել դրանք ՝ առանց նրանց համար կոպեկ վճարելու: Կարող եք զբաղվել, կառուցել տվյալների հոբբիի նախագիծ կամ որևէ այլ բան:

Վերջերս ես գրել էի քայլ առ քայլ հոդված, թե ինչպես տեղադրել այս գործիքները ձեր համակարգչում: Ստուգեք այստեղ:

# 2. Ինչպե՞ս սովորել:

Տվյալների գիտությունը հեշտությամբ և ծախսարդյունաբերությամբ սովորելու 2 հիմնական եղանակ կա:

1-ին. Գրքեր:

Kinda հին դպրոց, բայց դեռ լավ սովորելու միջոց: Գրքերից կարող եք ստանալ շատ կենտրոնացած, շատ մանրամասն գիտելիքներ առցանց տվյալների վերլուծության, վիճակագրության, տվյալների կոդավորման և այլնի մասին: Ես կարևորեցի այն նախորդ 7 հոդվածները, որոնք ես առաջարկում եմ իմ նախորդ հոդվածում ՝ այստեղ:

Տվյալ 7 լավագույն գրքերը, որոնք ես խորհուրդ եմ տալիս

2-րդ. Առցանց վեբինարների և տեսաֆիլմերի դասընթացներ

Տվյալների գիտության առցանց դասընթացները գալիս են արդար գներով ($ 10- $ 500) և դրանք ընդգրկում են տարբեր թեմաներ ՝ սկսած տվյալների կոդավորումից մինչև բիզնես հետախուզություն: Եթե ​​սկզբում չեք ուզում գումար ծախսել, ես այս գրառման մեջ թվարկել եմ անվճար դասընթացներ և ուսումնական նյութեր:

(3-րդ. Կրտսեր տվյալների գիտնականի առաջին ամսվա դասընթացը) ես ստեղծել եմ առցանց տվյալների տվյալների գիտության 6-շաբաթյա դասընթաց `տվյալների գիտնականին հավակնելու փորձ իրականացնելու և իրական կյանքում կատարված խնդիրների լուծման համար: Պատանիների տվյալների կրտսեր առաջին ամիս .)

# 3. Ինչպե՞ս վարվել և ինչպես ստանալ իրական կյանքի փորձ

Սա բարդ է, այնպես չէ՞: Յուրաքանչյուր ընկերություն ցանկանում է ունենալ առնվազն մի փոքր իրական կյանքի փորձ ունեցող մարդիկ… Բայց ինչպե՞ս եք ձեռք բերում իրական կյանքի փորձ, եթե ձեզ անհրաժեշտ է իրական կյանքի փորձ ունենալ ձեր առաջին աշխատանքը ստանալու համար: Դասական բռնել -22: Եվ պատասխանը ՝ ընտանի կենդանիների նախագծեր:

«Կենդանիների նախագիծ» նշանակում է, որ դուք եկել եք տվյալների նախագծի գաղափար, որը ձեզ հուզում է: Ապա դուք պարզապես սկսում եք այն կառուցել: Կարող եք մտածել դրա մասին ՝ որպես փոքրիկ գործարկման, բայց համոզվեք, որ շարունակեք կենտրոնանալ նախագծի տվյալների գիտության մասի վրա և կարող եք պարզապես անտեսել բիզնեսի մասը: Ձեզ որոշ գաղափարներ տալու համար, ահա իմ ընտանի կենդանիների մի քանի նախագիծ `անցած մի քանի տարիների ընթացքում.

  • Ես կառուցեցի մի սցենար, որը հսկում էր անշարժ գույքի կայքը և էլեկտրոնային փոստով ուղարկեց ինձ լավագույն գործարքները իրական ժամանակում, այնպես որ ես կարող էի ստանալ այս գործարքները բոլորի առաջ:
  • Ես կառուցեցի մի սցենար, որը նկարում էր ABC- ի, BBC- ի և CNN- ի բոլոր հոդվածները, և օգտագործված բառերի հիման վրա կապում էի այն հոդվածները, որոնք ճշգրիտ նույն թեմայի շուրջ էին, տարբեր 3 լրատվական պորտալների:
  • Ես կառուցեցի ինքնակրթական զրուցարան ՝ Python- ում: (Չնայած դա խելացի չէ, քանի որ այն դեռ չեմ պատրաստել):

Եղեք ստեղծագործ: Գտեք ինքներդ ձեզ համար տվյալների գիտությանը վերաբերող կենդանիների նախագիծ և սկսեք կոդավորումը: Եթե ​​դուք պատին եք հարվածել կոդավորման խնդրով. Դա կարող է հեշտությամբ պատահել, երբ սկսում եք նոր տվյալների լեզու սովորել, պարզապես օգտագործեք google և / կամ stackoverflow: Իմ մի կարճ օրինակ `այն մասին, թե որքանով է արդյունավետ stackoverflow:

ձախ կողմ. իմ հարցը. աջ կողմը. պատասխանը (7 րոպեի ընթացքում)

Ուշադրություն դարձրեք ժամանակացույցին: Ես ուղարկել եմ մի տեսակ բարդ հարց և պատասխանը ստացել եմ 7 րոպեի ընթացքում: Միակ բանը, որ ես պետք է անեի ՝ կոդն պատճենել-տեղադրել իմ արտադրության կոդով և բում, այն պարզապես աշխատեց:

(Նշում. Cross Validated- ը տվյալների գիտությանը վերաբերող հարցերի ևս մեկ հիանալի ֆորում է:)

+1 առաջարկություն.

Նույնիսկ եթե դա մի փոքր դժվար է, փորձեք մենթոր ձեռք բերել: Եթե ​​բավականաչափ հաջողակ եք, կգտնեք մեկին, ով աշխատում է Data Scientist- ի դերում `գեղեցիկ ընկերությունում, և ով կարող է շաբաթական 1 ժամ կամ երկու անգամ անցկացնել ձեզ հետ և քննարկել կամ սովորեցնել բաներ:

# 4. Որտե՞ղ և ինչպես եք ուղարկում ձեր առաջին աշխատանքի դիմումը:

Եթե ​​չկարողացաք մենթոր գտնել, ձեր առաջին ընկերությունում դեռ կարող եք գտնել առաջինը: Սա կլինի ձեր տվյալների առաջին գիտությունը վերաբերող աշխատանքը, ուստի ես առաջարկում եմ չկենտրոնանալ մեծ փողերի կամ գերհագեցած նորաստեղծ մթնոլորտի վրա: Կենտրոնացեք այնպիսի միջավայրի վրա, որտեղ կարող եք ինքներդ սովորել և կատարելագործվել:

Բազմաթիվ ընկերությունում ձեր առաջին տվյալների գիտական ​​աշխատանքը ստանձնելը կարող է չհամընկնել այս գաղափարի հետ, քանի որ այնտեղ մարդիկ սովորաբար շատ զբաղված են իրենց գործերով, այնպես որ նրանք ժամանակ և / կամ դրդապատճառ չեն ունենա `օգնելու ձեզ բարելավվել (իհարկե, միշտ կան բացառություններ):

Սկսելը փոքրիկ գործարկման մեջ, որպես թիմի առաջին տվյալների անձնավորություն, ձեր դեպքում նույնպես լավ գաղափար չէ, քանի որ այս ընկերությունները չունեն ավագ տվյալների տղաներ, որոնցից պետք է սովորեն:

Ես խորհուրդ եմ տալիս կենտրոնանալ 50-500 չափսի ընկերությունների վրա: Դա ոսկե միջն է: Տվյալների ավագ գիտնականները գտնվում են օդանավում, բայց նրանք այնքան էլ զբաղված չեն ձեզ օգնելու և սովորեցնելու համար:

Լավ, դուք գտել եք մի քանի լավ ընկերություններ ... Ինչպե՞ս դիմել: Ձեր CV- ի որոշ սկզբունքներ. Ընդգծեք ձեր հմտությունները և նախագծերը, այլ ոչ թե ձեր փորձը (քանի որ դեռ երկար տարիներ չունեք թղթի վրա դնել): Թվարկեք համապատասխան կոդավորման լեզուները (SQL և Python), որոնք դուք օգտագործում եք և կապեք ձեր հետ կապված github repos- ի որոշ մասը, այնպես որ կարող եք ցույց տալ, որ դուք իսկապես օգտագործել եք այդ լեզուն:

Բացի այդ, շատ դեպքերում ընկերությունները պահանջում են ծածկագիր: Իհարկե լավ առիթ է ձեր ոգևորությունն արտահայտելու համար, բայց կարող եք ավելացնել նաև որոշ գործնական մանրամասներ, ինչպես օրինակ ՝ ինչ եք անելու ձեր առաջին մի քանի շաբաթների ընթացքում, եթե վարձու լինեիք: (Օրինակ. «Նայելով ձեր գրանցման հոսքին, ես կռահում էի, որ ____ կայքը կարևոր դեր ունի: Իմ առաջին մի քանի շաբաթների ընթացքում ես կկատարեի ___, ___ և ___ (հատուկ վերլուծություններ)` այս վարկածը ապացուցելու և ավելի խորը հասկանալու համար: Դա կարող է օգնել ընկերությանը բարելավել _____ և վերջապես մղել _____ KPI- ներ »:)

Հուսով եմ, որ սա ձեզ հարցազրույց կբերի, որտեղ կարող եք մի փոքր զրուցել ձեր ընտանի կենդանիների նախագծերի, ձեր նամակների վերաբերյալ առաջարկների վերաբերյալ, բայց դա հիմնականում վերաբերվում է անհատականության ստուգմանը և, հավանաբար, մի քանի հիմնական հմտությունների քննությանը: Եթե ​​բավականաչափ զբաղվել եք, կանցնեք դա… բայց եթե դուք նյարդային եք և ցանկանում եք ավելին վարժվել, կարող եք դա անել hackerrank.com կայքում:

Եզրակացություն

Դե, դա այն է: Գիտեմ, որ այն ավելի հեշտ է հնչում, երբ գրված է, բայց եթե դու իսկապես վճռված ես լինել տվյալների գիտնական, ապա դա ոչ մի խնդիր չի լինի: Հաջողություն դրանով:

Եթե ​​ուզում եք փորձել, որն է իրական կյանքի մեկնարկի ժամանակ կրտսեր տվյալների գիտնական լինելը, ստուգե՛ք իմ առցանց 6-շաբաթյա տվյալների գիտության դասընթացը ՝ «Պատանիների տվյալների կրտսեր առաջին ամիս»:

Եվ եթե ցանկանում եք ավելին իմանալ տվյալների գիտության մասին, ստուգեք իմ բլոգը (data36.com) և / կամ բաժանորդագրվեք իմ Տեղեկագրին: Եվ մի կարոտեք իմ կոդավորման նոր ուսումնական շարքը. SQL ՝ տվյալների վերլուծության համար:

Շնորհակալություն կարդալու համար:

Վայելե՞լ եք հոդվածը: Խնդրում եմ, պարզապես տեղեկացրեք ինձ `կտտացնելով ստորև նշված -ին: Այն նաև օգնում է այլ մարդկանց տեսնել պատմությունը:

Tomi Mester- ը հեղինակ է data36.com Twitter- ում ՝ @ data36_com