В моем последнем посте я поделился своим опытом работы девушки, не связанной с CSE / IT, из IIT BHU, погружающейся в мир машинного обучения и науки о данных. Каждый в мире Data Science переживает уникальную историю. Наука о данных охватила все сферы жизни, хотя я все еще новичок в сферах машинного обучения и науки о данных, я чувствую, что должен пролить еще немного света на свой путь машинного обучения и науки о данных со всеми, кто хочет войти в этот мир. Хотя в этом путешествии были свои изгибы и повороты, это был один из лучших этапов обучения.

Настоящей движущей силой моего пути всегда было мое увлечение технологиями. Меня поразило то, как некоторые строки кода могут изменить образ жизни людей и создать волну чудес. Facebook автоматически помечает всех в моих загруженных сообщениях, Google Assistant отвечает на все мои вопросы (какими бы глупыми они ни были), Netflix рекомендует фильмы и сериалы, которые наиболее совместимы с моими лайками, поразил меня тем, насколько велико это поле, и поразительным вещи, которых может достичь эта технология.

Я до сих пор хорошо помню, как все начиналось. Из любопытства я начал читать статьи на Medium о карьере в области науки о данных и о том, как она может революционизировать нашу жизнь. Я провел неделю, часами глядя на экран своего компьютера, чтобы найти, прочитать и понять весь материал, который я мог достать!

Почти во всех статьях, с которыми я столкнулся, говорилось, что лучший способ начать работу с Data Science - пройти курс Эндрю Нг, Машинное обучение на Coursera. Так как это было популярное мнение, я решил поладить с ним. Поверьте мне; В первые недели я не понимал ни слова. Но мой опыт говорит: концепции обучения и технический жаргон не являются основами машинного обучения. Значительная часть обучения заключается в применении моделей для решения реальных проблем.

Будучи второкурсником в области гражданского строительства, я начал поиск приложений машинного обучения, которые можно было бы применить в основной области. Я предпринял междисциплинарный проект, охватывающий мои сильные стороны: гражданское строительство, машинное обучение и искусственный интеллект. Для новичка в этой области это оказался отличный опыт обучения, сочетающий в себе лучшее из обоих миров. В кратчайшие сроки я начал искать возможности, которые позволили бы мне изучить эту область. Что может быть лучше, чем стажировки?

Стажировки - отличный способ запачкать руки и изучить суть области. Они помогают вам получить опыт оживления вашего кода и изменить то, как люди используют платформу / веб-сайт. В качестве стажера вы можете учиться у профессионалов, получить практический опыт в своей области и построить сильную профессиональную сеть, что очень удобно в долгосрочной перспективе.

Когда я искал стажировку в области Data Science, я натолкнулся на всевозможные советы. Нет недостатка в людях, разделяющих ценность стажировок в области науки о данных. Так что не волнуйтесь, если у вас нет предыдущего опыта. Вот почему вы ищете стажировку - чтобы получить практический опыт, применить свои навыки и создать себе место в этой области.

Стажировки по науке о данных не проходят в одночасье. Им нужно время и силы. Вам нужно поработать над многими вещами, прежде чем вы сможете подать заявку на стажировку в области Data Science. Вы должны убедиться, что ваше резюме актуально. Ваше сопроводительное письмо составлено в соответствии с каждой компанией и должностной инструкцией. Было бы полезно, если бы вы знали, среди прочего, о надлежащем этикете собеседования. Некоторые отличные платформы могут помочь вам подготовиться к собеседованию на стажировку; Среди них GeeksforGeeks (настоятельно рекомендуется), Analytics Vidhya и т. д.

Вот суть моего первого погружения в океан машинного обучения:

Прежде чем начать, я хочу сказать, что невероятные вещи обычно происходят тогда, когда вы меньше всего этого ожидаете, так что держитесь и продолжайте учиться. Наука о данных - это игра настойчивости!

Итак, вот моя история.

Это был типичный земной день; Я играл в судоку и слушал свой любимый плейлист, не зная, как будут развиваться события. Мне позвонили; Человек на другом конце провода был представителем отдела кадров, который сообщил мне о вакансии в компании, которую я подал несколько дней назад.

Она сообщила мне, что завтра у меня будет интервью. Во мне кипели смешанные чувства шока, счастья и замешательства. Это был первый раз, когда я столкнулся с группой интервьюеров; все сцены из фильмов начали крутиться у меня в голове, и незадолго до этого я перестал быть отвергнутым и удрученным. Я был к этому не готов ни морально, ни физически. Я начал готовиться к собеседованию, просматривая видео на YouTube, читая статьи и консультируясь с некоторыми из моих пожилых людей и спрашивая их, как пройти собеседование, в основном набивая все, что я могу, и пытаясь пересмотреть все, что могу. Us raat apun pura raat nahi soya and roya!

Телефонное интервью было техническим; состоящий из множества теоретических вопросов и моих решений реальных проблем, касающихся машинного обучения. Это длилось полчаса, и после того, как оно закончилось, меня не волновало, каков будет результат. Я был рад, что этот кошмар интервью для меня закончился.

На следующий день мне позвонили и объявили о моем путешествии в качестве стажера Data Science в компании. Я был в экстазе, потому что это было последнее, чего я ожидал. Us raat bhi apun bilkul nahi soya kyuki itni khushi bahut samay baad hui thi !!

JVR - это основанная на исследованиях передовая платформа HR Tech, которая стремится создать здоровую экосистему, которая устраняет разрыв между соискателями и рекрутерами. Он действует как прямая связь между рекрутерами и соискателями работы. Его уникальность - фильтрация претендентов на White-Collar и BlueCollar, а также вакансий.

В течение первых нескольких дней я познакомился с моей фантастической группой коллег и представил свои проекты. Одна из вещей, которые мне больше всего понравились в моей стажировке, - это доверие и свобода, предоставленные мне как стажеру, чтобы выбрать интересующий меня проект и пойти ва-банк!

За 2 месяца я работал над 4–5 живыми проектами, в том числе, но не ограничиваясь:

● Разработка синтаксического анализатора резюме для извлечения личной информации, такой как имя, номер телефона, адрес электронной почты, образование и набор навыков.

● Создание веб-парсера для извлечения описания вакансии с помощью Beautiful Soup для лучшего понимания шаблона набора данных, необходимого для создания Системы рекомендаций о вакансиях.

● Разработка модели сегментации клиентов для разделения «синих», «серых» и «белых воротничков».

● Исследование и разработка модели прогнозирования заработной платы компании и Profile-Wise с использованием моделей Catboost и Ensemble.

● Разработка геймифицированного теста на неврологию для рабочих мест для упрощения процесса найма путем разработки трех игр для определения компетенций и личностных качеств кандидатов с использованием базовых HTML5, CSS3 и JavaScript.

Отрасль науки о данных еще очень молода, и ее должностные обязанности могут каким-то образом показаться соискателям расплывчатыми и двусмысленными. Совершенно нормально не обладать всеми необходимыми навыками, поскольку большая часть должностных инструкций идеалистически составлена ​​так, чтобы соответствовать их лучшим ожиданиям.

Потерпи. Путешествие по обучению требует времени. Учитесь на своем пути с удовольствием. Потому что, в конце концов, после завершения путешествия остается вопрос: Вы узнали все, что хотели?