Два года назад я сменил карьеру на науку о данных. Не обошлось без проблем. Моя цель в этой статье — разбить шаги, которые я предпринял, в надежде, что вы найдете ее полезной.

Все началось с COVID

Во-первых, предыстория. Это было 6 месяцев в COVID. Я жил в маленьком городке в Вирджинии, США. Моя семья планировала переехать в Канаду где-то в следующем году. Поэтому я начал рассылать свое резюме инженера-механика, чтобы посмотреть, какие возможности я могу найти в Канаде. Я также провел небольшое исследование, изучая возможности трудоустройства в области машиностроения. Результаты не порадовали:

  • В районе Торонто было не так много вакансий MechE, которые нуждались и могли бы платить кому-то с докторской степенью.
  • Для многих вакансий требовался сертификат PEng, которого у меня нет и я не хотел его получать.
  • Диапазоны заработной платы не так высоки по сравнению со стоимостью жизни в Торонто. Кроме того, я кормилец нашей семьи.
  • Варианты будущей работы казались ограниченными
  • Но самое главное, мое резюме не получило ни одного отклика.

Мне пришлось пересмотреть свою стратегию и варианты. Я просмотрел свою текущую роль и набор навыков и огляделся, чтобы увидеть, что можно передать и где могут быть возможности. У меня был друг, который перешел из финансов в науку о данных (из Австралии в Великобританию). Меня это воодушевило, и меня взволновала возможность получить работу в области данных. Я подумал, что, поскольку у меня есть докторская степень и я умею анализировать данные и работать с числами, я мог бы попробовать заняться наукой о данных. Поэтому я решил, что мне нужно наработать навыки работы с данными.

Обучение на онлайн-курсах мне не помогло

Я начал с онлайн-курсов, работая полный рабочий день. Я прошел курс Data Science Coursera на R. Но, честно говоря, когда пришло время делать курсовую работу, я просто погуглил, скопировал чужие задания и выдал их за свои. Так что в принципе я ничему не научился.

Затем я прошел курс программирования DataCamp Python. Это было гораздо полезнее, потому что состояло из практических упражнений. Я не смотрел, как кто-то читает лекцию по программированию. Я должен был следовать за ним, выполняя основные задания. И он был текстовым. Я уже программировал в Matlab на своей основной работе, поэтому изучение Python было просто изучением другого языка.

Хотя меня это не очень воодушевило. Я чувствовал, что мой темп был очень медленным, и я все еще не понимал, что представляет собой вся эта область науки о данных. И все, с кем я разговаривал, кому я рассказывал о занятиях по науке о данных, говорили мне: может быть, вы хотите изучить машинное обучение. Что мне показалось даже более специализированным. В то время я думал: что вообще такое машинное обучение?!

Пауза и перегруппировка для перестройки стратегии

Я вздохнул и обдумал свое положение. Мой партнер действительно помог прояснить в моей голове, какие варианты имели смысл для меня в то время.

  • Мне уже не было 20, и у меня не было времени потратить еще пару лет на изучение вещей на стороне, особенно на то, чтобы управлять своим временем и вниманием с детьми. В любом случае переезд приближался, и мне нужна была работа
  • Мы были финансово на достаточно твердой почве
  • Почему бы просто не заплатить кому-нибудь, чтобы он кормил меня материалами и контентом?
  • Кроме того, я хорошо «учусь в школе» — у меня есть мотивация делать домашнюю работу и хорошо успевать в классах.

Поэтому я решил бросить свою работу, записавшись в программу погружения в науку о данных, проводимую General Assembly, и использовал это время и возможность для изучения языка, словесности, методологии, инструментов и навыков, связанных с наукой о данных и машинным обучением. В 3 месяца это было фиксированное обязательство. Однако это было недешево и обошлось нам в 15 000 долларов США. Однако я должен сказать, что это было действительно одно из моих лучших решений. Вещи, которые я получил от этого, были:

  • Мне понравились уроки, упражнения и сроки. Это заставляло меня постоянно практиковаться, а практика помогала учиться
  • Мы постоянно пересматривали методы в DS: выясняли, что является источником данных, проводили исследовательский анализ данных (EDA), очищали данные, формулировали бизнес-вопрос, применяли различные и актуальные методы ML.
  • Я получил обзор различных алгоритмов машинного обучения и математики, стоящей за ними.
  • Я быстро ознакомился с различными инструментами машинного обучения.
  • Я создал портфолио проектов, которые я мог бы использовать, чтобы продемонстрировать свои навыки
  • В программе также была часть карьерного коучинга — это помогло с ребрендингом.

Разбираем

Теперь я считаю, что мне очень повезло, что я действительно наслаждаюсь своей текущей работой. Я бы разбил описанную выше историю на следующие этапы:

  • Выясните, если и почему вы хотите быть DS
  • Оцените свои навыки и опыт
  • Начни повышать квалификацию
  • Создайте свой бренд
  • Подготовьтесь к интервью

Вы действительно хотите быть Data Scientist?

Специалист по данным — это профессионал, который использует анализ данных, статистику и методы машинного обучения для извлечения информации и знаний из различных источников данных. Специалисты по данным несут ответственность за сбор, анализ и интерпретацию сложных наборов данных, а затем сообщают о своих выводах заинтересованным сторонам в организации. Источники данных разнообразны, они не все имеют одинаковое значение, и во многих случаях определения отсутствуют или не являются стандартными для наборов данных. Некоторые общие задачи включают очистку и предварительную обработку данных, исследовательский анализ данных, разработку функций, выбор модели, а также обучение и оценку модели. DS также тесно сотрудничают с инженерами данных, разработчиками программного обеспечения и другими заинтересованными сторонами, чтобы убедиться, что различные конвейеры работают хорошо и действительно помогают отвечать на вопросы бизнеса.

Я подумал, что это может быть хорошей областью для меня, потому что работа с данными требует глубокого копания, а также общения с большим количеством людей, чтобы разобраться во всем. Я знал, что мне нравятся обе эти вещи. Мне нравилось исследовать данные, чтобы выяснить, чего не хватает и что это значит, создавать инструменты, которые упрощают анализ и делают его более воспроизводимым, и обобщать данные в виде визуализаций или слов, которые имеют смысл для всех, кто хочет их увидеть. Мне также очень нравится работать с другими и общаться на всех уровнях организации. Наука о данных поставила эти галочки.

Оцените свои навыки и опыт

Будучи профессионалом среднего звена, вы потратили несколько лет на развитие своих навыков в текущей сфере деятельности. Итак, сначала подведите итоги вместе с вашим опытом:

  • Каковы некоторые из ваших передаваемых навыков?
  • Каковы ваши текущие технические и предметные знания?
  • Составьте список личных навыков

Переносимые навыки в вашем наборе инструментов

Переносимые навыки — это способности или таланты, относящиеся ко всем профессиям и аспектам жизни. Они включают в себя такие навыки, как работа в команде, тайм-менеджмент, общение, адаптивность и критическое мышление. Во многих случаях они определяют успех на рабочем месте и, как следствие, определяют, кто будет принят на работу. Их еще называют «переносимыми навыками», поскольку их можно переносить из одной карьеры в другую. По сути, это инструменты в вашем наборе инструментов.

Весьма вероятно, что вы уже обладаете многочисленными переносимыми навыками, поэтому следующим шагом будет оценка вашей силы в каждом из них. Выясните, какие области вам нужно развивать, и приложите необходимые усилия. Важно развивать как можно больше передаваемых навыков, поскольку это дает вам гибкость, необходимую для того, чтобы выделиться на конкурентном рынке труда. Кроме того, комбинация передаваемых навыков, которые вам понадобятся, будет меняться от одного работодателя к другому.

Когда вы просматриваете списки навыков, не ленитесь просто отмечать их. Когда вы делаете это для себя, отметив их, найдите время, чтобы записать несколько примеров, демонстрирующих эти навыки. Вы можете расширить их также в качестве подготовки к поведенческим вопросам интервью, которые обязательно появятся в будущем.

Необходимы базовые технические навыки

Вы также должны оценить свое положение с точки зрения технических навыков. Как с точки зрения знания того, что требуется от DS, например, некоторые базовые навыки программирования, знания математики и статистики и анализа данных, так и с точки зрения того, какие другие технические навыки вы приобрели с течением времени из своей прошлой работы.

Выполнение этого упражнения делает 2 вещи:

  1. Это придает вам уверенности в себе, когда вы пересматриваете все свои навыки — давайте, похлопайте себя по спине за то, что вы так преуспели!
  2. Он выявляет любые пробелы, которые у вас могут быть, которые вы хотите усилить.

Повысьте квалификацию

Как вы уже поняли, существует множество вариантов развития ваших технических навыков в области науки о данных. Существуют различные курсы, которые вы можете пройти как лично, так и онлайн. Можно делать короткие, длинные, лекционные, практические. Вы можете посещать мастер-классы, митапы, вебинары, конференции. Существуют учебные программы, которые помогут тем, кто находится в процессе обучения, провести вас через процесс развития навыков.

Что касается меня, я попытался повысить квалификацию, собрав воедино отдельные онлайн-курсы. Но это не заставило меня учиться достаточно быстро. Поэтому я решил заплатить, чтобы получить огненный шланг навыков. Все приходят с разным опытом, стилями обучения, опытом, наличием времени, ресурсами, временным горизонтом, уровнем приверженности. Вы делаете вы. Важно всегда осознавать себя. Знайте, что для вас важно, и активно делайте выбор. На данном этапе это то, что вы можете полностью контролировать, так что контролируйте это.

Получить практический опыт

Хотя вам определенно нужно изучить технический материал — например, теорию различных алгоритмов — было бы очень полезно также попытаться получить некоторый практический опыт работы над проектами, будь то личные любимые проекты или участие в проектах какой-либо другой организации.

Ценность практического опыта заключается в том, что вы:

  • Практикуйтесь в разработке вопросов, которые нужно задавать, и проблем, которые необходимо решить, на основе того, что вас интересует.
  • Учитесь на практике — из первых рук практический опыт — действительно лучший способ закрепить обучение.
  • Имейте проекты, которые вы можете использовать, чтобы продемонстрировать свои навыки и вклад
  • Имейте проекты, которые вы можете использовать для просмотра и обсуждения

Я завершил несколько проектов в рамках моего буткемпа и выбрал несколько лучших. Я очистил их и показал на странице моего портфолио. Я также дал краткое описание каждого из них в моем резюме. В конечном счете, я думаю, что их ценность в том, чтобы показать интервьюерам потенциальное качество моей работы. Дело не в том, что интервьюеры обязательно копаются в нем, но они, по крайней мере, нажимают на него и прокручивают, чтобы получить первое впечатление. И это дает прочный материал для обсуждения вашего мыслительного процесса и выводов.

Есть много способов получить практический или проектный опыт. Вы можете принять участие в конкурсах Kaggle, стать волонтером в проектах, основанных на данных, на своем нынешнем рабочем месте, возможно, посоветоваться со своими навыками, попробовать стажировку или работу на неполный рабочий день (что может быть не очень практично, если вы в настоящее время работаете на полную ставку). время), или придумать собственный проект исходя из личного интереса. На днях я слушал подкаст, в котором одна активная ученица, которая пытается попасть в ML, говорила о выполнении проекта по яду, потому что она много читала об этом, пошла в кроличью нору и закончила классификационным проектом. на ядовитых лягушках. Это так случайно, но такая крутая тема.

Я не люблю слушать лекции и предпочитаю учиться на практике. Уже после того, как я был в своей нынешней роли, я нашел действительно классное сообщество, которое называется Клуб разговоров о данных. Я прошел один из их Data Engineering Zoomcamp, но у них есть еще 2: Machine Learning Zoomcamp и MLOps Zoomcamp. Это 12-недельные учебные курсы на базе Zoom, которые состоят из коротких лекций и видеороликов, которые проведут вас через практические упражнения. Это подтверждается страницей на github, кучей заметок и очень активным slack-каналом. Если вы заинтересованы в DS, вам стоит заглянуть в ML Zoomcamp. Они также проводят подкасты с интервью с практикующими в этой области, имеющими разный опыт.

Создайте свой бренд

В конечном счете, все навыки в мире не имеют значения, если у вас нет способа передать эту информацию остальному миру, особенно тем, кто нанимает.

Резюме на 1 странице для максимальной передачи информации

Обязательно подчеркните навыки и опыт, имеющие отношение к работе, на которую вы стремитесь. Не просто перечисляйте все, что вы сделали, но адаптируйте свое резюме к позициям в области науки о данных. Я взял свой опыт и переформулировал его, чтобы выделить аспекты данных и анализа, а также любую рентабельность инвестиций, о которой я знал.

Мне сказали, чтобы мое резюме не превышало 1 страницы. Менеджеры по найму тратят считанные секунды на просмотр резюме, и на странице должно быть достаточно информации, которая говорит им, если у вас есть соответствующие навыки. Если вы подходите для данной должности, это должно быть возможно зафиксировать на 1 странице. Иными словами, даже если у вас есть все навыки в мире и они охватывают 10 страниц, если они не имеют отношения к работе, это не имеет значения.

Расширить профиль в LinkedIn, чтобы охватить все базы

Вы хотите убедиться, что вы также определенно хорошо представляете себя в LinkedIn. Пространство не является ограничением для LinkedIn, поэтому вы можете перечислить столько вещей, сколько хотите. Например, я перечислил почти все свои статьи в журналах и конференциях на LinkedIn, а в своем резюме просто указал: опубликовал более 20 статей в журналах и конференциях. И не забудьте представить тяжелую работу, которую вы проделали над своими проектами, в Интернете.

Подготовка к интервью

После всей этой подготовки пришло время для интервью! Под собеседованиями я подразумеваю технические собеседования, а также информационные собеседования.

Информационные интервью помогают в сборе информации

Что такое информационные интервью? Это разговоры, которые вы организовали с другими профессионалами, которые уже делают работу, которую, по вашему мнению, вы хотите делать. У меня, даже когда я проходил буткемп и готовился к собеседованиям, оставалось много вопросов без ответов:

  • Каков именно опыт перехода от области, отличной от DS, к DS? Что испытали люди? Соответствовало ли оно их ожиданиям?
  • Что на самом деле делает DS изо дня в день? Чем это отличается от компании к компании?
  • Каков их технический стек? Как организованы команды? И так много других вопросов, вопросов, которые наверняка у вас тоже сегодня возникнут

А как вы получаете информационные интервью? ПО СЕТИ! Главный посыл, который вбили нам в головы во время карьерного коучинга буткемпа, был: СЕТЬ, СЕТЬ, СЕТЬ! Цель состоит в том, чтобы учиться на чужом опыте. Механизм? Ну, что я сделал, так это:

  • Я попросил друзей подумать о людях в их сети, которые являются DS, и попросил их либо связать меня с ними, либо я мог бы назвать их и назвать их обычным соединением. Я протягивал руку, чтобы связаться и попросить 20-минутный чат
  • Я писал в соцсетях: «Эй, я меняю карьеру — если вы знаете какие-нибудь DS, пожалуйста, соедините меня с ними».
  • Если была работа, которая, как мне казалось, могла меня заинтересовать, я просматривал список людей, работающих там, чтобы найти людей, с которыми у меня может быть хотя бы незначительная связь, я связывался с ними и просил 20-минутный чат

Кроме того, 85% людей получают работу через сети. Если разговор прошел хорошо, я бы закончил что-то вроде: если я увижу какие-либо возможности, не возражаете, если я свяжусь с вами для направления? К этому времени люди всегда говорили да.

Послушайте, цель не в том, чтобы пытаться использовать других. Цель состоит в том, чтобы поднять ногу разумным способом. Менее 10% людей, с которыми я связался, согласились на чат. К тому времени, когда они соглашаются, они понимают, что соглашаются быть чем-то полезным. Если я раздражаю их, когда протягиваю руку, то они просто игнорируют меня — никакого вреда не будет. Со своей стороны, мне нужно построить толстую кожу и не принимать это на свой счет. Кроме того, они могут быть теми, кто делает мне одолжение прямо сейчас, даже разговаривая со мной и делясь своим опытом, но я могу быть им полезен и в будущем. Время не останавливается прямо сейчас, когда я устраиваюсь на работу.

Итак, еще раз, что является важной частью интервью? СЕТЬ, СЕТЬ, СЕТЬ!

Собеседование — удачи!

Для самого интервью обычно есть раздел с техническими вопросами и раздел с поведенческими вопросами. Вы должны убедиться, что ознакомились с обоими типами интервью и попрактиковаться в ответах на вопросы. Подготовьте свои ответы, а затем попрактикуйтесь в них вслух, возможно, перед зеркалом, но лучше, если вы потренируетесь с другим реальным человеком для обратной связи. Разговор с другим человеком повышает ставки и фактор нервозности, делая ситуацию более похожей на ситуацию на собеседовании. Вы хотите быть в состоянии продемонстрировать техническую компетентность, умение решать проблемы и коммуникативные навыки.

По моему опыту, техническое собеседование может состоять из теста на портале (это быстрый способ отфильтровать компетенцию), раздачи на дом и/или сеанса парного программирования, где вы решаете проблемы и программируете «вживую» во время интервью. Интервьюеры также могут спросить вас о ваших проектах.

Что касается поведенческих вопросов, в Интернете есть множество примеров различных поведенческих вопросов, на которые вы можете ответить. Кроме того, есть руководство о том, как структурировать свой ответ. В основном, держите его не более 1–3 минут. И убедитесь, что ваш ответ соответствует шаблону STAR: конкретная ситуация, задача (или цель), действие (что вы сделали), результат. Весь мой опыт собеседования был удаленным, поэтому я не могу говорить о личном собеседовании.

Финальная мотивация

Наконец, я хочу дать вам несколько мотивационных слов о том, почему эта область может извлечь выгоду из переключений в середине карьеры. Конечно, у вас могут быть свои собственные цели и мотивы для получения данных, но область также может извлечь выгоду из ваших навыков и опыта. Поле нуждается в вас!

Переключатели в середине карьеры играют решающую роль в области науки о данных по нескольким причинам:

  • Разнообразие взглядов: специалисты, переходящие в DS из разных отраслей, привносят уникальные взгляды и опыт, которые могут помочь в решении сложных проблем, комбинируя различные подходы и знания.
  • Переносимые навыки. Будучи профессионалами среднего звена, мы часто обладаем ценными переносимыми навыками из наших предыдущих ролей, такими как управление проектами, общение, командная работа и знание предметной области. Эти навыки могут дополнить технические знания, необходимые в DS, помогая нам эффективно участвовать в междисциплинарных командах.
  • Решение проблемы нехватки кадров: растущий спрос на специалистов по данным привел к нехватке специалистов в этой области. Сменщики в середине карьеры могут помочь преодолеть этот разрыв, а также открывают новые возможности для карьерного роста и развития.
  • Приспособляемость и устойчивость. Специалисты среднего звена, которые успешно прошли переходный период в своей карьере, демонстрируют способность к адаптации и устойчивость. Наша способность быстро адаптироваться и учиться может быть важным преимуществом для любой команды.

Надеюсь, вы найдете что-то полезное в информации, которой я поделился. Я рад подключиться для дополнительных вопросов. Помните, вы сильный и способный человек. Ты молодец и ты можешь это сделать!