Консультации по академической и профессиональной карьере в области искусственного интеллекта и данных
Кто такой Кен Джи?
Кен Джи — специалист по данным и создатель контента на YouTube, который быстро стал всеобщим любимым специалистом по данным. Кен помог бесчисленному количеству людей узнать о науке о данных, машинном обучении и искусственном интеллекте с помощью своих увлекательных и понятных видеороликов. Примечательно, что Кен является инициатором популярного движения #66daysofdata. Кен имеет две степени магистра: одну в области компьютерных наук, а другую в области бизнеса, маркетинга и менеджмента. Он также имеет степень бакалавра экономики. Кен является руководителем отдела науки о данных в Scouts Consulting Group.
В этой статье Кен обсуждает свою работу в качестве специалиста по обработке и анализу данных и дает советы всем, кто хочет работать в этой области. Мы изучаем важность университетского образования для карьеры в области науки о данных, актуальность математики для специалистов по данным, создание видимости в отрасли и ценность непредвзятости в отношении новых технологий.
Примечание автора: этот пост представляет собой транскрипцию фрагментов мудрости Кена, с которыми я имел удовольствие подробно поговорить в своем подкасте. В конце этой статьи вы найдете ссылку на все обсуждение. Это также означает, что в ответах, предоставленных Кеном, было много редактирования, чтобы обеспечить краткость и лаконичность, но будьте уверены, что цель сообщения Кена сохранена.
Как вы заинтересовались наукой о данных?
Я заинтересовался наукой о данных, потому что хотел улучшить свои навыки игры в гольф. Я начал изучать, как данные могут помочь мне проанализировать свои результаты и найти способы улучшить их. Вскоре я обнаружил, что у меня есть уникальное преимущество: способность анализировать данные и создавать действия на основе данных для улучшения своих навыков игры в гольф. Это привело меня к дальнейшему изучению других методов повышения производительности, поддерживаемых данными и интеллектом.
Насколько важна математика в науке о данных?
Я считаю, что математика менее важна при проникновении в область науки о данных, и что важно запачкать руки и начать программировать. Я рекомендую людям запачкать руки созданием проектов и программированием, так как это поможет им интуитивно понять, где математика ценна и необходима.
Я также рекомендую ознакомиться с исчислением, линейной алгеброй и дискретной математикой, но только если у вас есть для этого причина и вы понимаете, какое отношение они имеют к науке о данных. По мере продвижения в этой области вы постепенно узнаете, где математические навыки важны и актуальны. И как только вы увидите ценность, которую они приносят, у вас будет больше мотивации понять их.
Является ли самостоятельное обучение более важным, чем формальная степень при поступлении на науку о данных?
Одна из основных причин, по которой я призываю людей исследовать необычные методы обучения, а не посещать университет, заключается в том, что многие студенты недостаточно используют ресурсы, доступные в учреждениях. Я проводил все свое рабочее время с профессорами и задавал вопросы докторам наук, которые хорошо разбирались в предметах, но обнаружил, что очень немногие студенты делают то же самое.
Я считаю, что наличие степени полезно только в том случае, если вы приложите усилия и максимально используете имеющиеся возможности. Я рекомендую воспользоваться другими вариантами, доступными в университете, например, побочными проектами. Это может помочь учащимся получить максимальную отдачу от своего образования и дать им преимущество на рынке труда. Однако предупреждаю, что простое получение диплома не гарантирует успешной карьеры.
Примечание автора: Кен Джи вносит свой вклад в учебную платформу по науке о данных 365DataScience, где он обучает учащихся тому, как начать успешную карьеру в области науки о данных.
Получение степени магистра в таком продвинутом предмете, как наука о данных, не всегда лучший способ выделиться. Я думаю, что делать то, что вы можете, используя ресурсы, которые у вас есть, чтобы выделиться как можно больше, очень ценно. Иметь впечатляющее портфолио, уникальный опыт работы или волонтерства может быть более полезным.
Стоит подумать, можете ли вы инвестировать время и деньги в получение степени магистра, поскольку это, несомненно, жизнеспособный ресурс. Но всегда важно учитывать альтернативные издержки возвращения в школу, чтобы получить работу. Таким образом, с финансовой точки зрения целесообразно рассматривать посещение аспирантуры для получения определенной роли в ИИ как альтернативную цену; по сути, вам нужно определить, обеспечит ли посещение аспирантуры хорошую отдачу от инвестиций. Вам нужно будет рассчитать стоимость обучения и стоимость времени для получения степени, а затем сравнить использование того же капитала для финансирования более самостоятельного подхода к обучению для получения той же целевой работы.
Большинство практиков обнаружат, что инвестирование капитала в самостоятельный подход к обучению вместо аспирантуры является более подходящим вложением, если предполагаемая цель состоит в том, чтобы получить конкретную роль. Этот взгляд на распределение средств на подходы к обучению указывает на то, что университет не должен рассматриваться как метод достижения одномерной цели, такой как получение конкретной работы. В большинстве случаев инвестирование времени и денег в ресурсы, которые помогут найти работу, такие как служба составления резюме или имитационное собеседование, принесет более высокую отдачу от инвестиций, чем возвращение в школу.
В большинстве случаев инвестирование времени и денег в ресурсы, которые помогут найти работу, такие как служба составления резюме или имитационное собеседование, принесет более высокую отдачу от инвестиций, чем возвращение в школу. Я не стремился сразу получить степень магистра в области наук о данных, а вместо этого пошел на степень магистра в области компьютерных наук, и это, в сочетании с моим уникальным набором бизнес-навыков, позволило мне выделиться среди кандидатов, состоящих из выпускников магистра наук в области наук о данных.
Как правильно использовать ресурсы Университета?
Я считаю, что немногие люди максимально используют то, что доступно, и что это упущенная возможность. Я проводил много времени в кабинетах своих учителей в рабочее время, задавая вопросы и получая помощь. Я чувствую, что это было ценным использованием моих денег за обучение. Я советую студентам подумать о своих целях и спросить себя, получают ли они свои деньги. Если они ходят на занятия и не выполняют никакой дополнительной работы или проектов, они не получают максимальной отдачи от своего образования. Студенты должны приложить усилия, если они хотят воспользоваться преимуществами университетского образования.
Как вы учитесь?
Лучше всего я учусь, пытаясь справиться с чем-то самостоятельно в своем собственном темпе, многократно перечитывая одно и то же, пока не пойму. Я влюбился в чтение в аспирантуре, и большую часть своих знаний я получил из учебников. Я рекомендую смотреть на вещи с разных сторон, чтобы получить разностороннее понимание темы. Одним из наиболее важных ключей к ускорению обучения является поиск подходящего средства, которое объясняет тему понятным для вас способом, и это может быть чтение сообщения в блоге, просмотр видео или прослушивание подкаста. Хотя мой основной метод получения знаний в аспирантуре был через книги, я признаю, что мое изучение концепций и тем Data Science сегодня включает видео и учебные пособия на YouTube. В частности, я хочу упомянуть популярный канал Data Science на YouTube StatQuest with Josh Starmer .
Каковы наилучшие навыки, чтобы дифференцировать себя как специалиста по данным?
Специалисты по данным должны изучать кодирование, математику и бизнес, чтобы добиться успеха. Я отличался от конкурентов своей уникальной комбинацией навыков. Мои деловые знания и способность соответствовать стратегическим требованиям к кодированию и науке о данных сделали меня очень желанным кандидатом. Мое резюме и портфолио выделялись среди конкурентов. Кроме того, мои коммуникативные навыки и знание бизнеса дали мне явное преимущество на собеседованиях при приеме на работу.
Почему вы начали снимать видео о науке о данных на YouTube?
Я начал снимать видео о науке о данных на YouTube, потому что не видел ресурсов, которые искал, когда пытался изучать науку о данных.
Я также рассматривал создание видео как лучший способ улучшить свои коммуникативные навыки. Создание контента дало мне конкурентное преимущество, потому что оно привлекало ко мне работодателей, а не стремилось их заполучить. Обычно я называю это концепцией гравитации контента. Чем больше контента я создаю, тем больше я притягиваю внимание работодателей и открывающихся передо мной возможностей. Я вижу в этом святой Грааль конкурентного преимущества, потому что это означает, что мне не нужно идти и получать то, что я хочу; это приходит ко мне из-за тяжелой работы и создания контента.
Как вы повышаете свою узнаваемость в качестве специалиста по науке о данных?
Мне нравится работать над интересными проектами по работе с данными и создавать легко усваиваемый контент, который может помочь другим учиться и развиваться. Я считаю, что навыки Data Science ценны и ими можно поделиться, и что контент, основанный на данных, может стать вирусным. Компании должны поощрять своих сотрудников заниматься подработками и публично рассказывать о них, так как это хорошо для компании. Я вижу будущее, в котором все используют социальные сети, чтобы делиться своей работой и идеями, и где это принято и ожидается в большинстве ролей. На некоторых моих предыдущих должностях меня называли парнем, который снимает видео на YouTube. Мои внешние усилия вне работы помогли моей внутренней видимости в компаниях.
Есть ли у вас какой-нибудь совет специалисту по данным, планирующему исследовать метавселенную?
Я считаю, что подготовка к метавселенной включает в себя эксперименты с разными типами данных. В частности, я предлагаю специалистам по данным знать, как моделировать данные в более высоких измерениях и предвидеть потенциальные проблемы. Кроме того, я рекомендую освежить в памяти языки программирования, чтобы лучше понять метавселенную. Специалистам по данным необходимо предвидеть проблемы, с которыми придется столкнуться в метавселенной, и понимать разработку сторонних приложений.
Примечание автора: Nvidia Deep Learning Institute предлагает отличные учебные ресурсы, которые знакомят с рабочим процессом и процессом создания цифровых реалистичных миров и объектов.
Каков потенциал заработка для специалистов по данным?
Я пошел на сокращение зарплаты, чтобы работать в моей нынешней компании, потому что это дает мне большую свободу создавать контент и преследовать другие интересы помимо работы. Для меня автономия и свобода выбора моих проектов стоят больше, чем более высокая зарплата. Я не думаю, что люди должны изучать науку о данных исключительно из-за денег с точки зрения потенциального заработка. Я считаю, что порог входа для инженеров-программистов немного ниже, и что специалистам по данным необходимо изучать кодирование, математику и бизнес, чтобы добиться успеха. Что для меня важнее денег, так это удовольствие от работы, которую я делаю.
Как вы стали главой Data Science в вашей нынешней компании?
С самого начала я обнаружил, что не вписываюсь в корпоративную бюрократию. Я сосредоточился на создании ценности, привлечении внимания к добавленной стоимости и получении удовлетворения от работы. Моя должность прошла путь от специалиста по данным до главы отдела науки о данных, и теперь я отвечаю за всю работу, связанную с данными, и взял на себя роль директора отдела науки о данных. Это изменение отражает возросшие обязанности, которые я взял на себя очень рано в моей нынешней компании, от единоличной ответственности за всю деятельность по науке о данных до управления группами специалистов по данным. Если вы ищете работу, я рекомендую вам создать свои возможности, связавшись с потенциальными работодателями. Вы можете быть удивлены тем, насколько открыты они для найма вас, если увидят, что вы готовы и способны выполнять работу. Я советую специалистам по науке о данных найти должность, которой еще не существует, или создать ее для себя. Таким образом, вы можете миновать очередь и добраться туда, куда хотите, не дожидаясь возможности.
Что вы посоветуете начинающим специалистам по данным?
Специалисты по данным начального уровня должны делиться своей работой и опытом с другими. Люди не решаются производить контент, потому что боятся осуждения, но обычно это не так. Люди более склонны быть позитивными и благосклонными. Я также рекомендую сначала научиться программировать, так как это ценный навык для специалистов по данным. Однако я признаю, что все учатся по-разному, поэтому это не универсальный подход.
Каковы ваши планы на ближайшие пять лет?
Мой план на ближайшие пять лет — продолжать производить контент. Мне нравится создавать видео и размещать их там, но мне также нравится заниматься предпринимательством и создавать вещи, которые приносят пользу людям. В следующей главе своей жизни я планирую работать над проектом, применяющим методы науки о данных — что-то, что требует меньшего обслуживания, чем создание контента.
Резюме от автора
Путь Кена в науке о данных уникален, но шаги, которые привели его к успеху, можно воспроизвести и адаптировать к вашей карьере в области науки о данных. Моя беседа с ним показала важность использования цифрового контента для передачи вашего опыта и присутствия в области науки о данных, которая иногда может быть наполнена шумом.
Кен советует специалистам в области науки о данных: сосредоточьтесь на создании ценности и постоянном обучении, чтобы идти в ногу с быстро меняющейся областью. Итак, какими бы ни были ваши цели в карьере Data Science, не забывайте получать удовольствие от путешествия и документировать его по пути!
Спасибо, что прочитали эту статью, в которой рассказывалось о моем разговоре с Кеном Джи. Я уверен, что советы и подсказки Кена принесут пользу вашему путешествию в науку о данных.
Версия этой статьи изначально была опубликована в Блоге Nvidia AI Blog
Вы можете посмотреть или прослушать весь разговор с Кеном Джи на YouTube или Spotify.
Дополнительные материалы Кена можно найти на следующих платформах: YouTube | Твиттер | ЛинкедИн | Подкаст
Выполните шаги 1–4, чтобы быть в курсе контента, который я создаю на Medium и других платформах.
- Поддержите мое письмо, став рекомендателем Medium
- Подпишитесь на мой канал YouTube
- Подпишитесь на мой список адресов электронной почты для получения моих информационных бюллетеней
- Подпишитесь на мой подкаст в Apple Podcasts | Спотифай | Слышимый