Как стать успешным Data Scientist? Советы от экспертов

СохранитьСохраненоУдалён 0

Стать успешным Data Scientist не легко. Особенно, если вы новичок, делающий свои первые авантюрные шаги в этой области. Несомненно, есть тонны супер-полезных ресурсов о технической стороне науки о данных.

Однако есть еще одна сложная задача, которую должен преодолеть каждый начинающий Data Scientist. Проблема заключается в отсутствии четкого понимания того, чего стоит ожидать.

Станьте Data Scientist
Подробнее

За год Вы научитесь извлекать максимум из больших массивов данных для быстрой проверки гипотез и построения прогнозов, а еще систематизируете знания и углубитесь в сферу Data Science.

Вот почему Вам будет полезно узнать опыт трех выдающихся ученых, работающих с данными, имеющих очень разный опыт. Они ответят на следующие волнующие вопросы:

  • Чего не хватает в образовании колледжа для Data Scientist;
  • Главные проблемы, с которыми вам придется столкнуться, чтобы стать успешным специалистом по данным (и как их преодолеть);
  • Самый ценный совет, который поможет вам стать успешным Data Scientist, если вы только начинаете или переходите из совершенно другой области.

Мы уверены, что их замечательные идеи будут информировать и вдохновлять вас, независимо от того, где вы находитесь в процессе подготовки и развития вашей науки о данных. Итак, вот что говорят наши исследователи данных

Чего не хватает в образовании колледжа для Data Scientist?


Эдуард Харрис, генеральный директор и соучредитель SharpestMinds

«В школах отсутствует хорошая практика разработки программного обеспечения. Иногда вы работаете в команде старшекурсников, но команда собирается вместе, чтобы создать один проект, показать его своему профессору, а затем уйти с оценкой.

В то время как для реальных программных проектов, которые действительно вносят свой вклад в мир, вам действительно нужно писать код так, чтобы это было понятно.

Это самый большой принцип найма, который отсутствует в университетах и ​​необходим в рабочей силе. И в аспирантуре мы тоже упустили это.

Я пошел в аспирантуру, где вы пишете код для себя, вы не пишете код для чтения другими людьми. Даже когда вы публикуете свой код, вас не волнует, что другие люди будут его читать. Вы просто хотите опубликовать это.


Маянк Кейривал, доцент в USC

«Я думаю, что есть три вещи, которые колледжи могут сделать, чтобы сохранить своих кандидатов привлекательными и жизнеспособными на рынке труда, который в какой-то момент будет ужесточен и уже подвергается нападкам с альтернативных маршрутов.

Во-первых, потребуйте больше технических навыков в классе и проектов, чтобы учащиеся применяли то, что они изучают.

Во-вторых, активно начинайте готовить студентов к стажировкам и собеседованиям, которые так необходимы сегодня для хороших вакансий после окончания учебы.

И в-третьих, сделайте обязательным для учащихся занятия по сетям и коммуникациям ».


Розария Силипо, ведущий научный сотрудник KNIME

«Математика и алгоритмы должны быть изучены. До сих пор я работала со многими младшими учеными в области данных.

Они только что закончили университетский курс или специализированный курс по науке о данных, и они думают, что им больше нечему учиться ».


вернуться в меню ↑

Трудности, которые вам нужно преодолеть, как начинающему, чтобы стать успешным Data Scientist

Эдуард Харрис, генеральный директор и соучредитель SharpestMinds


«Ну, есть разные типы начинающих Data Scientist. Но я собираюсь представить, что кто-то недавно вышел из школы. Таким образом, для тех, кто только что закончил школу, одной из проблем, с которой они сталкиваются, является написание кода, который будут читать многие люди.

Второй важный момент — это возможность поговорить о ваших результатах с деловым человеком. Такого рода сотрудничество между бизнесом и технологиями на самом деле не происходит в университете. Так работает реальный мир, и все же мы не подготовлены для этого.

Таким образом, крайне важно умение конструктивно взаимодействовать с другой стороной и понимать проблему бизнеса, который либо теряет деньги, либо не зарабатывает достаточно.

И третье: часто в очень крупных компаниях существует множество культурных норм, с которыми посторонний человек не знаком, например, что вы делаете в первую очередь на встрече в этой компании?

Итак, получив техническую подготовку, вы должны переосмыслить свой ум, чтобы вы могли конструктивно общаться с другими людьми, чтобы вместе создать продуктивное предприятие. И это сложно.

Очень трудно собрать большие группы людей, которые все вместе гребут одинаково. И это еще сложнее, когда вы просто присоединяетесь и не имеете представления о культурных нормах и последствиях ошибок, которые легко совершить на раннем этапе ».


Маянк Кейривал, доцент в USC


«Технические навыки — это только один необходимый набор навыков, необходимых для успеха в качестве Data Scientist. Без навыков общения ученым, работающим с данными, будет трудно подняться в ряды и занять свои лидерские позиции ».


Розария Силипо, ведущий научный сотрудник KNIME


«Первая большая проблема заключается в признании того, что эта работа требует (и будет требовать) непрерывного обучения. Нет Data Scientist, который знает все.

Или, по крайней мере, я никогда не встречала. Мы все специализируемся на некоторых конкретных методах, предметных областях или бизнес-кейсах. И даже в том, что мы знаем лучше всего, часто появляются новые методы оптимизации, новые функции потерь и новые подходы, и нам необходимо изучить их снова.

Университетские курсы и курсы специализации дают нам возможность быстро осваивать новые методы и приложения, но большая часть нашей работы состоит в постоянном обучении.

Станьте Data Scientist
Подробнее

За год Вы научитесь извлекать максимум из больших массивов данных для быстрой проверки гипотез и построения прогнозов, а еще систематизируете знания и углубитесь в сферу Data Science.

Необходимые изменения в отношении к организации задач:

Младший Data Scientist часто думает, что их работа заключается в том, чтобы просто обучить модели машинного обучения, которые «автоматически» генерируют фантастические идеи.

Ну, это не так просто. На самом деле, обучение и применение одной или нескольких моделей машинного обучения — самая простая часть. В любом инструменте есть библиотеки, чтобы сделать это.

Один узел или одна строка кода, вероятно, добьются цели. Основная проблема в проекте возникает до и после обучения модели. Перед этим вам необходимо подготовить данные таким образом, чтобы они были чистыми и точно и информативно описывали проблему, упрощая обучение модели. После обучения модели вам необходимо оптимизировать ее, а также интерпретировать и сообщать результаты.

Все эти задачи являются неотъемлемой частью успешной работы Data Scientist

Кроме того, ученый данных может помочь очистить данные, например. Не только вручную, но и путем создания и предложения более эффективных автоматических решений на основе ИИ.

Плохие данные дают плохие результаты, независимо от того, насколько интеллектуален алгоритм машинного обучения. Таким образом, очистка данных или представление результатов также является важной частью успешной работы исследователя данных.

Наконец, никакое понимание ИИ не вызывает восхищения, если оно не может быть передано должным образом. Многие решения для обработки данных терпят неудачу на этапе развертывания, и одной из наиболее распространенных причин является неспособность ученых-данных эффективно передать всю мощь достигнутых результатов.

Одним из навыков, которым часто не занимаются младшие Data Scientist, является общение, как в устной, так и в письменной форме, и им нужно будет его освоить и овладеть им, если они хотят, чтобы их решения по науке о данных были успешными ».

вернуться в меню ↑

Самые важные вещи, которые следует помнить, если вы только начинаете путь Data Scientist


Эдуард Харрис, генеральный директор и соучредитель SharpestMinds


«Это зависит от карьеры, но самый полезный совет: используйте знания в своей области. По сути, вы хотите рассказать историю, а также создать рассказ о себе.

Вы должны смотреть на ваш путь как «Я был таким, и я был удивительным в этом. Это делает меня еще более удивительным. Потому что теперь у меня есть этот удивительный набор навыков и знаний, а также все эти инструменты, доступные мне, которые делают меня еще более опытным ».

И последнее. Единственный верный способ потерпеть неудачу — это сдаться. И я видел людей, которые, я уверен, определенно получают работу. Но по разным причинам они не верят в себя. И иногда жизнь случается, когда нужно просто сводить концы с концами — такова жизнь …

Но обычно успех всего лишь на одну ступень выше уровня, на котором вы достаточно разочарованы, чтобы сдаться. Так что, да, стена есть, но вы можете прорваться сквозь стену, если продвинетесь дальше ».


Маянк Кейривал, доцент в USC


«Независимо от того, куда вы идете или чем занимаетесь (за очень небольшим исключением), вы будете иметь дело с людьми. Люди взаимодействуют с технологиями по-разному и нуждаются в технологиях для разных вещей.

Вы можете извлечь самые ценные уроки, только поговорив с разными людьми об их потребностях. Как технологи, мы склонны делать ставку на решения, а не на проблемы.

И мы по-прежнему очень движимы функциями и автоматизацией. Но самый ценный урок, который я усвоила, — это начать с проблемы и задать себе несколько холодных, сложных вопросов.

Какое самое простое решение этой проблемы и почему этого недостаточно? Возможно ли, что я склонен к решению X или Y, потому что я хочу, чтобы X или Y преуспели, а не просто решили проблему наиболее эффективным способом? »


Розария Силипо, ведущий научный сотрудник KNIME


«Изучите математику за алгоритмами, а не только как применять их в сценарии. На протяжении всей вашей карьеры вам нужно будет изучать новые инструменты.

Тем не менее, освоение нового инструмента будет легче, если вы хорошо разберетесь в математике, лежащей в основе ваших методов обработки данных. Признайте, что в этой области вы никогда не перестанете учиться.

Это хорошо и плохо работать Data Scientist. С одной стороны, ваш мозг никогда не перестанет приобретать новые концепции; с другой стороны, вам нужно будет потратить время на приобретение новых концепций.

Используйте каждый новый проект как отличный шанс узнать что-то новое … Из книги, коллеги, опыта или чего-то еще. Вы никогда не знаете, откуда придет следующий кусок нового знания! »

вернуться в меню ↑

Заключение — как стать успешным Data Scientist

Наука о данных является сложной задачей. Но это также очень полезное поле, чтобы начать карьеру! А иногда, чтобы стать успешным специалистом по данным, все, что вам нужно, — это дополнительная мотивация, чтобы вы продолжали работать.

Таким образом, всякий раз, когда кривая обучения науке о данных становится немного круче, мы надеемся, что вы будете обращаться к этой статье за ​​ежедневной порцией вдохновения для науки о данных.

Есть вопрос или дополнение?

      Оставить отзыв

      EdAdvisor
      Регистрация
      Сброс пароля
      Сравнить товары
      • Итого (0)
      Сравнить
      0