5 баллов, которые стоит оценить, чтобы стать специалистом по данным.
Наука о данных - модное слово на рынке !! не так ли?
Самая сексуальная работа того времени, рост спроса на 29% по сравнению с прошлым годом и рост на 344% с 2013 года, легко получить хорошую прибавку к зарплате…. и т. д. и т. д. :)
Достаточно прибыльный, чтобы проникнуть в сознание и подтолкнуть к тому, чтобы сменить карьеру на специалиста по данным.
В этой статье я объясню 5 условий, необходимых для того, чтобы стать специалистом по обработке данных, о которых нужно знать, прежде чем принимать решение о переходе в Data Science в качестве варианта карьеры.
Я занимаюсь аналитикой данных с опытом работы в отрасли около десяти лет. Имея дело с начинающими специалистами по обработке данных в моем обучении / прохождении собеседований по науке о данных, я заметил одну вещь: только 10–15% соискателей получают работу в области анализа данных.
Почему это происходит даже после того, как вы прошли обучение, вложив много времени и денег?
Очень важно понимать, почему одни люди хорошо разбираются в науке о данных, а другие - нет, даже после обучения и наставничества.
Вот несколько ключевых вопросов, которые следует задать себе перед тем, как погрузиться в область науки о данных, которые помогут им принять правильное решение. Я не помещал технические детали в пункты ниже, а только некоторые факты высокого уровня.
Понимание данных:
Поскольку наука о данных - это все о данных, поэтому в первую очередь следует проверить Любовь человека к данным. Чтобы понять, почему данные так важны в науке о данных, посмотрите это видео на YouTube - Наука о данных - 15 минут
Нижеприведенные вопросы помогут понять любовь к данным:
- Вы понимаете язык данных или, по крайней мере, что такое данные / информация?
- Вы имеете дело с данными на своей текущей работе?
- Вы понимаете таблицы (строки / столбцы) и немного неструктурированных данных?
- Самое главное, любите ли вы просматривать данные и работать с ними?
Если на большинство из вышеперечисленных вопросов вы ответили «да», то с точки зрения «данных» можно идти вперед.
Понимание алгоритмов / логики:
Алгоритмы - это набор инструкций, которые даются компьютеру для выполнения определенной задачи.
Даже если вы решите головоломку на бумаге и ручке, она точно соответствует тому, что делают алгоритмы в компьютерах.
Поскольку все системы машинного обучения построены на алгоритмах, очень важно иметь базовое понимание того, что подразумевается под алгоритмами и как они спроектированы на высоком уровне с использованием логики.
В качестве примера, если я помещу сюда 10 случайных чисел для ex - 12,54,32,76,54,31,98, 67,76,87, и задача состоит в том, чтобы найти «третье по величине число» then Нужно уметь продумать логику, которая должна использоваться, чтобы получить третье по величине число.
Если кто-то может написать пошаговую логику, он / она также сможет понять алгоритмы машинного обучения. Чтобы понять, что такое машинное обучение на высоком уровне, посмотрите это видео - 4 компонента машинного обучения
Понимание программирования:
Никто не должен быть супер-программистом, чтобы начать свой путь в науке о данных.
Однако нужно понимать, как пишутся компьютерные коды. Некоторые базовые вещи могут быть:
- Что такое переменные и константы? Что подразумевается под типом данных?
- Что подразумевается под циклами / условными операторами?
- Что подразумевается под вводом / выводом / функциями и т. Д.?
- Что подразумевается под клиентом / сервером / базами данных / API / хостингом / развертыванием и т. Д.
Если вам удобны приведенные выше вопросы, можно приступить к разделу «кодирование»!
Понимание статистики:
Статистика - одна из основных областей науки о данных. В этом разделе нет учебной программы, которую необходимо знать для науки о данных, однако приведенные ниже темы не должны вызывать дискомфорт у начинающего специалиста по данным:
- среднее, медиана, мода, отклонение / дисперсия, процентили и т. д.
- распределение / вероятность / теорема Байеса и т. д.
- Статистические тесты, такие как проверка гипотез, анова, хи-квадрат, p-значение и т. Д.
Понимание предметной области:
Этот пункт не является препятствием для начинающего специалиста по данным, как вышеупомянутые пункты, однако, чем больше у человека понимания конкретной области бизнеса или области, ему будет легче провести анализ данных из этого домена.
Из вышеупомянутых пунктов, если кто-то отстает в одном или двух, всегда будет лучше сначала очистить эти концепции, а затем начать путешествие по науке о данных. Уверяю вас, путешествие будет более гладким.
Наука о данных - это так называемая самая сексуальная работа 21 века. Если вы хотите узнать, почему это так, посмотрите это видео на тему Будущее науки о данных.
Если вы думаете, что готовы стать специалистом по данным, вот отправная точка вашего путешествия - Как стать специалистом по данным?
Вы можете присоединиться к моей группе в Facebook Unfold data science, где я продолжаю наставлять людей здесь.
Вы можете присоединиться ко мне в LinkedIn здесь.
Ссылка на Unfold Data Science на YouTube
Ваше здоровье
Аман ([email protected])