Многие кандидаты и друзья задают один и тот же вопрос; что мне делать после МООК по Data Science/ML/AI?
Самый очевидный ответ; обновить профиль и начать поиск работы. Но конечный вопрос; Одни только МООК помогают сделать карьеру мечты? Это один из ключевых вопросов, который задают многие кандидаты. Прежде чем я попытаюсь бросить свой ответ, давайте посмотрим, что говорят другие на ту же тему.
Три года назад Kaggler поднял тот же вопрос на форуме Kaggle [1]. Вывод из этого обсуждения: если вы планируете записаться на MOOC по Data Science/ML/AI для смены карьеры, оцените этот курс по
a) Предоставляет ли этот курс обучение необходимым областям, необходимым для работы в области Data Science/AI/ML?
б) Достаточно ли этих МООК для работы в области Data Science/AI/ML? Нужно ли мне пройти какое-либо другое обучение/обучение/домашнюю работу перед поиском работы?
Вторая интересная заметка Кевина Стока, генерального директора CredED в Medium по теме [2]. Он ссылается на один из самых популярных вопросов в Quora в 2017 году, касающийся МООК по науке о данных [3]. В его краткой заметке подчеркивается один очень важный аспект науки о данных и машинного обучения.
«Этот курс подготовит меня к науке о данных — может быть, немного, а может и много, — но пока я продолжаю учиться на протяжении всей жизни и постоянно совершенствую свои знания в области обработки данных, я буду очень ценным специалистом по данным. пользуется спросом на рынке труда».
Кевин Сток [2]
Третья интересная заметка, которую стоит прочитать, принадлежит Вики Бойкис [4]. Это довольно подробная статья, начинающаяся с напоминания о статье Томаса Дэвенпорта и DJ Патила в Harward Business Review за 2012 год [5]. Автор резюмирует различные аспекты смены карьеры в науке о данных, ожидания и реальность. После МООК и перед поиском работы, если вы прочитаете статью и ссылки, вы поблагодарите автора после первого успешного собеседования. Одним из интересных выводов для начинающих специалистов по данным является следующий результат опроса.
И это приводит к связям с вопросами, которые необходимо задать перед началом МООК.
После выбора некоторых из лучших курсов, которые подходят для карьеры вашей мечты, и их завершение является реальной отправной точкой для обучения науке о данных / искусственному интеллекту / машинному обучению. Я рекомендую некоторые из следующих исследовательских работ людям, которым требуется руководство.
Бумаги для чтения и перечитывания
1) Домингос Педро, Несколько полезных вещей, которые нужно знать о машинном обучении, https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf
2) Домингос Педро, Десять мифов о машинном обучении, https://medium.com/@pedromdd/ten-myths-about-machine-learning-d888b48334a3
3) Xindong Wu et .all, 10 лучших алгоритмов интеллектуального анализа данных. http://www.cs.uvm.edu/~icdm/algorithms/10Algorithms-08.pdf
4) Мануэль Фернандес-Дельгадо и др., Нужны ли нам сотни классификаторов для решения реальных задач классификации?, http://jmlr.org/papers/v15/delgado14a.html
Эти четыре документа дадут вам достаточно информации о том, на чем следует сосредоточиться перед вами и на работе. Очень конкретно бумага. «Несколько полезных вещей, которые нужно знать о машинном обучении» необходимо прочитать и прочитать дальше по каждой из подтем, которые Педро обсуждает в этой статье. Это поможет вам не только на собеседованиях, но и на первом задании.
Следующим шагом будет просмотр графика, представленного Вики, и изучение вещей, необходимых для приобретения навыков извлечения, очистки и представления данных.
Это отправная точка обучения и переобучения, чтобы сделать карьеру своей мечты в области науки о данных. Для достижения успеха необходимо иметь больше жизненных навыков. Мы обсудим эти темы в следующей статье.
[1] https://www.kaggle.com/getting-started/16953
[4] http://veekaybee.github.io/2019/02/13/data-science-is-differen/
[5] https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-centre
