Начинающие специалисты по данным часто спрашивают меня, как лучше всего изучать науку о данных. Стоит ли им попробовать себя в учебном лагере или записаться на онлайн-курс по науке о данных, или любой из множества вариантов?
За последние несколько лет мы стали свидетелями разработки множества различных типов образовательных программ, которые преподают науку о данных, от бесплатных онлайн-руководств до учебных курсов для начинающих до ученых степеней в университетах, и пандемия, похоже, способствовала созданию еще большего числа программ. для удовлетворения растущего спроса на дистанционное обучение. Хотя, вероятно, в целом это хорошо, наличие большего количества опций увеличивает сложность принятия решения, что делать, и потенциальный шум программ, продвигающих свои услуги.
Эта статья представляет собой подробный обзор четырех основных типов образовательных программ по науке о данных, который поможет вам подумать о том, какой из них лучше всего подойдет вам. Без знания науки о данных может быть сложно оценить, насколько эффективна программа в обучении этому. Надеюсь, эта статья поможет решить эту головоломку, состоящую из курицы и яйца.
Это четыре основных способа изучить науку о данных:
- Самостоятельное обучение
- Онлайн-курсы
- Учебные курсы
- Степень магистра или другая университетская степень в области науки о данных (или смежной области)
Я буду обсуждать их по порядку от самых дешевых до самых дорогих. Я также включил две гибридные стратегии, которые сочетают в себе некоторые из них, которые также стоит рассмотреть. В этой таблице представлен краткий общий обзор каждого из них:
Вариант 1: Сделай сам в Интернете
Существует множество бесплатных онлайн-ресурсов по науке о данных, которые могут либо обучить науке о данных с нуля, либо объяснить практически любой контент по науке о данных, который вы, возможно, захотите узнать. Они варьируются от учебных пособий для тех, кто учится на практике, например W3Schools, видео на YouTube и других сайтов для аудио-учащихся, таких как YouTube-серия Эндрю Нга, статей для наглядных учеников, которым нравится читать, например, На пути к науке о данных. Вы можете поискать в Интернете и научиться чему-то самому. У него есть свои плюсы в том, что он бесплатный и гибкий, чтобы адаптироваться к вашему расписанию.
Но как бывший учитель я обнаружил, что независимое обучение не для всех. Вы должны быть полностью мотивированы и самоорганизованы, чтобы учиться этому. Итак, знайте себя: вы тот человек, который может так хорошо учиться совершенно независимо?
Образовательные программы, как правило, предоставляют следующие ресурсы, которых вам может не хватить, если вы пойдете в одиночку:
1) Надзор за учебной программой: эксперты по науке о данных в любой образовательной программе обычно составляют для вас какую-то учебную программу по науке о данных, которая включает в себя необходимые темы в этой области. Многие люди, которые плохо знакомы с наукой о данных, еще не знают, какие концепции и навыки науки о данных наиболее важны для изучения. Это может создать проблему с курицей и яйцом для самообучающихся, которые должны изучить поле хотя бы немного, чтобы знать самые важные предметы, которые нужно выучить в первую очередь. Программы по науке о данных помогают обойти это, давая вам начальную учебную программу, с которой можно начать.
2) Руководство по нормам области: в дополнение к преподаванию материала образовательные программы неявно знакомят студентов с нормами науки о данных и способами мышления. Несмотря на то, что бывают случаи, когда нужно отклоняться от установленного обычая, они важны, когда вы впервые работаете в командах с коллегами по анализу данных. Иногда самообучающиеся изучают буквальный материал, но не собирают неявных точек зрения, которые позволяют им включиться в сообщество специалистов по науке о данных.
3) Внешняя социальная ответственность: образовательные программы обеспечивают форму социальной ответственности, которая тонко побуждает вас выполнять работу. Самообучающиеся должны полагаться почти исключительно на собственную самомотивацию и ответственность, что, по моему опыту, работает для одних людей, но не для других.
4) Социальные ресурсы: образовательные программы (особенно те, которые проводятся лично или виртуально) предоставляют различных людей - учителей, студентов и в некоторых случаях подопечных / подчиненных - с которыми можно обсудить проблемы, помочь вам обнаружить свои слабые стороны и недостатки и определить способы их устранения. Мелкие детали программирования, которые новички легко упускают из виду, но которые могут легко заметить специалисты, могут привести к сбою всей вашей программы. Чтобы учиться самостоятельно, вам придется либо решить все эти задачи самостоятельно, либо найти друзей или родственников по науке о данных, которые готовы вам помочь.
5) Сертификация навыков: образовательные программы присуждают степени, оценки и другие сертификаты в качестве внешнего доказательства того, что вы действительно обладаете необходимыми навыками для работы в области науки о данных. Самостоятельно обучаясь, вы должны сами доказать работодателям, что обладаете этими навыками. Лучший способ продемонстрировать это - составить портфель проектов, заставляющих задуматься.
6) Руководство по формированию проектов: впечатляющий проект творит чудеса, демонстрируя ваши навыки в области науки о данных. По моему опыту, новички в науке о данных часто еще не обладают навыками для создания, завершения и продвижения на рынок наводящего на размышления, но выполнимого проекта, и одна из самых важных ролей, которые могут выполнять преподаватели по науке о данных, - помогать студентам продумать, как развиваться. один. Вы должны делать это сами, когда учитесь в одиночку.
Каждый из этих недостатков можно преодолеть. Я обнаружил, что для людей, которые хорошо обучаются самостоятельно, его преимущества в стоимости и гибкости легко перевешивают эти минусы. Таким образом, главный вопрос: подойдет ли вам эта форма независимого обучения? По моему опыту, это работает для сравнительно небольшого процента людей, но для тех, для кого он работает, это отличный вариант.
Если вы все же решили учиться самостоятельно, я бы порекомендовал учесть следующее:
1) При разработке материала внимательно относитесь к своему стилю обучения. Например, если вы визуально обучаетесь, то лучше всего было бы читать онлайн-ресурсы с материалами, но если вы в большей степени слуховой ученик, то я бы порекомендовал смотреть видеоуроки / лекции, скажем, на YouTube.
2) Если у вас есть друзья по науке о данных, готовые помочь вам, они могут быть большим подспорьем, особенно в определении того, какие материалы по науке о данных изучать, устранении любых проблем с кодированием, которые могут у вас возникнуть, и / или разработке хороших проектов.
3) Люди в целом лучше всего изучают науку о данных, занимаясь наукой о данных. Избегайте распространенной ловушки: читать только о науке о данных, не пачкать руки и не экспериментировать (желательно с нечистыми, раздражающими, реальными данными, а не с уже обрезанными, «идеальными для учебника» данными). Использование исходных данных для первого изучения концепций - это нормально, но убедитесь, что вы научились практиковаться с реальными грязными данными.
Вариант 2: онлайн-курс
Существует множество онлайн-курсов. Большинство из них относительно дешевы (обычно около 20-50 долларов в месяц или 100-200 долларов за курс). Например, на момент написания этой статьи у Udemy был вводный курс по науке о данных за фиксированную ставку 94,99 доллара, а на Coursera - курс за 19,99 доллара в месяц (оба с ценами, варьирующимися в зависимости от скидок и других специальных предложений). Онлайн-курсы, как правило, являются самыми дешевыми из курсов, на которые вы можете записаться, и из-за их продолжительности вам, вероятно, придется пройти несколько уровней курсов (от начального до продвинутого), чтобы изучить эту область.
Еще одним преимуществом является их гибкость: вы можете учиться в удобном для вас темпе, исходя из потребностей вашего расписания. Это действительно ценно для людей, которые также работают и учатся на стороне, имея семейные обязательства и / или другие обязанности, усложняющие их график. Однако имейте в виду, что, поскольку вы часто платите помесячно, количество месяцев, которые вы потратите, часто определяет окончательную стоимость. В конце концов, потратить дополнительные 100 долларов или около того, чтобы пройти еще несколько месяцев, по-прежнему намного дешевле, чем другие варианты курса.
С другой стороны, однако, как и самим, они, как правило, лишены социальных преимуществ обучения в классе: инструкторов, которые задают вопросы и обеспечивают внешнюю социальную ответственность, и сокурсников, которые работают вместе. По моему опыту, это очень сложно для некоторых учащихся, но на других это не так сильно влияет.
Кроме того, многие онлайн-курсы содержат более краткое изложение науки о данных и не имеют сложных проектов, которые необходимы как для изучения науки о данных, так и для продвижения себя среди других. Несмотря на то, что бывают исключения, онлайн-курсы часто лучше знакомят с концепциями науки о данных, чем для углубленного изучения. Многие сосредотачиваются на шаблонных задачах с уже очищенными, готовыми к выполнению данными вместо того, чтобы позволить вам попрактиковаться в беспорядочных, сложных и часто просто глупых данных, которые большинству специалистов по данным действительно приходится использовать в своей работе. Им также часто не хватает персонала для индивидуального коучинга, чтобы наставлять каждого студента в проектах по созданию портфолио со сложными данными.
Таким образом, онлайн-курсы, как правило, обеспечивают хорошее и экономичное введение в науку о данных, помогают понять, нравится ли вам эта область (см. Гибрид № 1 ниже), но, как правило, не обеспечивают отточенного обучения, необходимого для того, чтобы стать специалистом по данным. Сейчас некоторые программы дорабатывают свои курсы. Поскольку пандемия увеличивает спрос на дистанционное обучение, платформы онлайн-обучения разрабатывают более надежные онлайн-курсы по науке о данных. Если вы решите учиться на онлайн-курсах, я рекомендую дополнить их вашими собственными проектами, чтобы получить опыт практической работы в области науки о данных и продемонстрировать его на собеседованиях.
Гибрид №1: используйте онлайн-курс для знакомства с наукой о данных (или программированием)
Если вы новичок в науке о данных, онлайн-курс может предоставить недорогое структурированное пространство, чтобы получить представление о том, что влечет за собой эта область, и определить, подходит ли она вам. Я видел, как многие люди записывались на учебные курсы за несколько тысяч долларов или на университетские программы только для того, чтобы узнать там, что им не нравится заниматься наукой о данных. Онлайн-курс - гораздо более дешевое место, чтобы понять это.
Вы всегда можете самостоятельно изучить науку о данных, чтобы решить, нравится ли она вам (см. Вариант 1), вместо того, чтобы проходить онлайн-курс, но я обнаружил, что многие люди, которые никогда раньше не сталкивались с наукой о данных, не знают, что искать в поле, чтобы начать. Вводный онлайн-курс не так уж и дорог, а первоначальная ориентация в основных областях может окупиться.
Есть три основных варианта этого подхода:
1) Если вы еще не знаете язык программирования, пройдите онлайн-курс программирования. В этой статье я объяснил, почему я бы рекомендовал Python в качестве языка для изучения (Джулия была на втором месте). Если вам не нравится программирование, значит, вы усвоили урок, что вам не следует становиться специалистом по данным, и даже если вы не закончите науку о данных, программирование - такой ценный навык, что некоторое обучение в нем только поможет вам. профессиональные перспективы в большинстве других смежных областей.
2) Если вы знаете язык программирования, пройдите вводный курс по науке о данных. Они часто предоставляют общий обзор науки о данных, что особенно полезно для людей, которым нужно работать с специалистами по данным и понимать, о чем они говорят. Если вам нужно освежить знания по математике, это тоже отличный вариант.
3) Я видел, как перспективные специалисты по анализу данных проходили онлайн-курсы по анализу данных, чтобы подготовить их и определить их потенциальный интерес к науке о данных. Однако я бы не рекомендовал это. Хотя специалисты по обработке данных иногда рассматривают аналитику данных как диету или базовую версию науки о данных, аналитика данных - это другая область, требующая разных навыков. Например, курсы аналитики данных обычно не включают в себя строгого программирования. Обычно они сосредотачиваются на R и SQL, если они вообще обучают программированию, которые являются прекрасными языками для анализа данных и статистики, но недостаточны для науки о данных (для чего вам нужен язык вроде Python). Аналитика данных и наука о данных также обычно делают упор на разные области математики: аналитика данных, как правило, полагается на статистику, а наука о данных, например, на линейную алгебру. Таким образом, то, что вы узнали на этих курсах, не применимо к науке о данных в той степени, в которой вы могли бы подумать. Теперь, если вы не уверены, хотите ли вы стать специалистом по данным или аналитиком данных, то курс анализа данных может помочь вам понять и почувствовать аналитику данных, но я бы не стал использовать их для оценки того, является ли наука о данных хорошо подходит для вас.
Если после прохождения онлайн-курса вы все еще думаете, что вам понравится заниматься наукой о данных, вы можете выбрать любой из вариантов, чтобы изучить эту область более глубоко. Может показаться, что это просто возвращает вас к исходной точке, но, пройдя вводный курс программирования или науки о данных, вы, так сказать, повысили свой уровень и стали более готовы к «битве с боссом» за то, чтобы стать специалистом по данным.
Вариант 3. Учебные курсы по науке о данных
Также стали популярными учебные курсы по науке о данных. Как правило, они рассчитаны на несколько недель (по моему опыту, от 2 до 6 месяцев) интенсивных тренировочных программ. Традиционный учебный курс перед пандемией проводился с личным присутствием и часто стоил от 10 000 до 15 000 долларов. Буткемп Метис - хороший пример того, как они часто выглядят.
Их самые большие плюсы в том, что они предлагают преимущества обучения в классе гораздо дешевле и за гораздо меньшее время, чем получение университетской степени. Они представляют собой значительный шаг вперед с точки зрения затрат, чем предыдущие варианты (см. Con 2 ниже), но они стремятся предоставить сопоставимый (но менее академически продвинутый и глубокий) объем знаний, как степень магистра в области науки о данных для значительно более низкая цена и в несколько раз быстрее. Несмотря на то, что это часто может сделать их темп интенсивным, хорошие учебные лагеря, как правило, в большинстве случаев преуспевают в этом. Это делает их отличным вариантом для всех, кто знает, что хочет стать специалистом по данным. Наконец, в отличие от предыдущих вариантов, вы получаете учителя, который будет задавать вам вопросы и мотивировать вас, и группу сокурсников, с которыми придется бороться с концепциями. Лучшие программы предлагают профессиональный коучинг и создают сильные сети в сообществах специалистов по науке о данных, чтобы впоследствии помочь своим ученикам найти работу.
Однако у них есть несколько основных минусов:
1) Они могут чувствовать себя быстро развивающимися, разгружая сложные концепции за короткий промежуток времени. Многие из моих друзей, которые проходили курсы для начинающих, сообщали о том, что чувствуют когнитивную травму. Ожидайте, что эти недели / месяцы будут психически напряженными и охватят вашу жизнь. В течение этого времени учебные курсы по науке о данных часто представляют собой 9–5 рабочих мест с полной занятостью, и вы, вероятно, будете слишком умственно истощены, чтобы заниматься другими делами по вечерам или в выходные дни (плюс в некоторых случаях вам все равно придется выполнять домашнее задание). Несколько недель или месяцев - не слишком много для такого испытания, но это делает их гораздо менее гибкими, чем предыдущие варианты. Например, это вынуждает многих студентов уделять время своей текущей работе, чтобы пройти учебный курс, а также максимально ограничить свои социальные, семейные и другие обязанности во время учебного лагеря. Это усложняет жизнь тем, кто не может взять отпуск на работу, ведет активную социальную или семейную жизнь или иным образом много чего делает.
2) На несколько тысяч долларов они явно заметно дороже предыдущих вариантов (но все же намного дешевле университетов). Некоторые предлагают стипендии и другие услуги по мере необходимости, но даже в этом случае альтернативная стоимость приостановки работы может быть высокой. Учитывая их общую высокую зарплату, получение работы в области науки о данных, вероятно, вернет деньги, но для этого потребуются огромные первоначальные вложения.
Это делает его особенно плохим вариантом для тех, кто думает о науке о данных, но не уверен, хотят ли они этим заниматься. 10 000 долларов - это много, чтобы просто понять, что вам не нравится эта область, и есть много более дешевых способов изначально изучить ее (см. Особенно Гибрид № 1). Однако цена все же может окупиться для любого, кто действительно хочет стать специалистом по обработке данных, но еще не обладает ключевыми навыками и знаниями.
3) На момент написания этой статьи пандемия Covid-19 вынудила большинство учебных курсов по науке о данных в любом случае проводить удаленные встречи, что сделало их услуги намного более похожими на гораздо более дешевые онлайн-курсы. Тем не менее, многие стремились виртуально смоделировать среду в классе, пытаясь создать какой-то тип социальной среды, но среда в классе была основным преимуществом, которое сделало их значительный рост затрат по сравнению с предыдущими вариантами оправданным.
4) Они, как правило, существуют в крупных городах (особенно в технологических центрах). Например, учебные лагеря в Соединенных Штатах, как правило, концентрируются в Нью-Йорке, Лос-Анджелесе, Чикаго, Сан-Франциско и т.д. , доплата.
5) Они часто являются трудными для людей, не разбирающихся в программировании, и для тех, кто не знает математику уровня колледжа, такую как линейная алгебра, исчисление и статистика. Если вы не разбираетесь в программировании, я бы порекомендовал выучить такой язык программирования, как Python (подробнее см. Эту статью, которую я написал, объясняющую, почему нужно изучать Python для всех языков), сначала через дешевый онлайн-курс и / или онлайн-руководства. Некоторые учебные курсы по науке о данных предлагают подготовительный вводный онлайн-курс, который обучает необходимым навыкам программирования и математике для тех, кто этого не понимает. Они тоже заслуживают внимания, но имейте в виду, что эквивалентный онлайн-курс может быть дешевле с примерно такой же образовательной ценностью.
Если вы решили провести буткемп, эти критерии важны при выборе того, какой буткемп выбрать:
1) Ориентация на проект: насколько хорошо они позволяют вам практиковать науку о данных с помощью проектов по созданию портфолио и насколько впечатляющими являются проекты, которые выполнили их выпускники? Лучшие учебные курсы по науке о данных, как правило, проводятся в проектно-ориентированной форме.
2) Ресурсы по поиску работы и / или гарантия работы: какие ресурсы или наставничество они предоставляют, чтобы помочь вам впоследствии найти работу? Например, помощь в налаживании контактов, представление себя и собеседование являются важными навыками для поиска работы в качестве специалиста по обработке данных, и в дополнение к обучению вас технической программе, лучшие программы, как правило, включают профессиональных тренеров, которые помогут конкретно в процессе поиска работы. . Кроме того, некоторые программы дают гарантию работы: если вы не найдете работу в области науки о данных через определенное количество месяцев после окончания учебы, они возмещают оплату за обучение. Как правило, это показывает, что они ищут работу, достаточно важную, чтобы рисковать своими собственными деньгами (хотя проверьте мелкий шрифт на гарантии, чтобы увидеть точные условия, с которыми они соглашаются).
3) Ресурсы для выпускников: на удивление важно учитывать, сколько ресурсов учебный лагерь вкладывает в развитие сетей выпускников. Я был удивлен тем, насколько я восприимчив к встречам / сетевым контактам с выпускниками онлайн-учебного лагеря, и насколько они были довольны учебным лагерем. Усилия, которые учебный лагерь прилагает для работы и поддержания отношений со своими квасцами, существенно влияют на это. Связь с квасцами может быть трудно оценить при исследовании программ издалека, но спросить, можете ли вы поговорить с квасцами, чтобы узнать об их опыте работы с программой, проверить активность выпускников учебного лагеря в LinkedIn и других веб-сайтах социальных сетей и спросить о Какие возможности для налаживания контактов с квасцами они способствуют, может быть отличным способом оценить, насколько программа намерена развивать отношения.
4) Варианты стипендий: некоторые программы предлагают полные или хотя бы частичные стипендии в зависимости от необходимости. Ясно, что способы снизить стоимость учебного лагеря были бы отличными, особенно если учебный лагерь кажется вам идеальным вариантом, но стоимость кажется слишком пугающей.
Гибрид # 2: онлайн-тренинг
Онлайн-учебные курсы, как правило, обладают гибкостью расписания онлайн-курсов, но предлагают более тщательное, личное (хотя и удаленное) обучение, позволяя сочетать лучшие аспекты учебных курсов по науке о данных и онлайн-программ. Кроме того, они обычно дешевле традиционных буткемпов (но и дороже, чем онлайн-курсы). Наконец, они, как правило, являются гораздо лучшим вариантом для тех, кто не живет в большом городе, в котором есть местная программа учебного курса по науке о данных. Пандемия, во всяком случае, вероятно, помогла создать еще больше онлайн-программ для учебных курсов, поскольку заставила учебные курсы по науке о данных проводить виртуальные занятия.
В 2017 году я записался на учебный курс по науке о данных в Интернете, который является отличным примером учебного онлайн-курса. В то время они стоили примерно 1000 долларов в месяц (на момент написания их стандартная ставка составляла 1490 долларов в месяц, а программа обычно длится шесть месяцев). Это дешевле, чем традиционные учебные курсы, но все же некоторые из них стоят около 10 000 долларов в течение шести месяцев. У них был онлайн-учебный план, типичный для онлайн-курсов, но также были предусмотрены еженедельные виртуальные встречи с инструктором для обсуждения материала и любых возникающих у вас проблем. Теперь они вроде бы включают виртуальные уроки онлайн. Это индивидуальное обучение и удаленная классная среда являются основной добавленной стоимостью по сравнению с онлайн-курсом, и вы должны оценить, будут ли они для вас стоить дополнительных затрат. Они рассчитаны на самостоятельный темп, что дает гораздо большую гибкость в отношении того, когда и как часто вы работаете, чем обычные учебные курсы. Они также вернули вам деньги, если вы не нашли работу в течение шести месяцев после завершения.
Если вы выберете этот вариант, помните о потенциальных недостатках как онлайн-курсов, так и традиционных учебных курсов для начинающих. Как и в случае с онлайн-программами, вам нужно будет оценить, комфортно ли вам изучать учебную программу самостоятельно (даже если вы можете встречаться с наставником по основным вопросам один раз в неделю, вы будете заниматься массовым обучением самостоятельно в течение недели). Как и в случае с традиционными учебными курсами, ожидайте, что обучение будет интенсивным, и убедитесь, что они помогут вам в разработке проектов по созданию портфолио и предоставят ресурсы для поиска работы и обучения.
Вариант 4: степень магистра или другое университетское образование
Последний вариант - вернуться в школу, чтобы получить степень в области науки о данных. Это самый дорогой и трудоемкий вариант: степень магистра (логичный выбор, если у вас уже есть степень бакалавра), как правило, самая короткая и занимает два года. Но они стоят более 100 000 долларов. Даже если частичная или полная стипендия снижает эту стоимость, альтернативные издержки, связанные с проведением нескольких лет своей жизни в школе, по-прежнему выше, чем при любом из других вариантов. Однако это может дать импульс резюме, если вы знаете, как правильно его использовать, что, вероятно, увеличит вашу зарплату, чтобы компенсировать первоначальные затраты. Я бы рекомендовал получить степень магистра только в том случае, если вы уже знаете, что любите науку о данных (скажем, потому что вы уже работали в этой области, предпочтительно, если вы также уже выяснили, в какой конкретной области науки о данных вы хотите заниматься), но хотите выведите свои навыки, технику и / или теоретические знания о том, как работают модели, на новый уровень.
Лучший способ усовершенствовать свои навыки в области науки о данных - заниматься наукой о данных: находить или создавать контексты, которые подтолкнут вас к занятиям наукой о данных. Аспирантура - не единственная потенциальная среда для совершенствования навыков работы с данными (например, все предыдущие варианты могут включать это, если все сделано хорошо), и даже несмотря на то, что аспирантура может быть отличной в обеспечении строгости, эти другие варианты могут быть намного дешевле и более гибкий. Наконец, на момент написания этого, по крайней мере, спрос на специалистов по анализу данных превышает количество реальных людей в этой области, и поэтому получить работу в области науки о данных без «официальной» университетской степени в области науки о данных довольно реалистично.
Университетские программы по науке о данных являются относительно новыми - как правило, им всего несколько лет. Таким образом, не все университеты имеют буквальные научные степени или факультеты, а вместо этого требуют, чтобы вы записались на связанную программу, такую как информатика, статистика или инженерия, чтобы изучать науку о данных. Это не всегда означает, что эти другие программы плохие или бесполезные, но это часто означает, что вам придется выполнять посторонние или полупостоянные задачи для собственно науки о данных, чтобы получить степень (в некоторых случаях с минимальной помощью со стороны преподавателей из других областей). ).
При рассмотрении программы вы должны убедиться, что они активно преподают профессиональные, а не только академические навыки в области науки о данных. Вот конкретные вопросы, которые я бы хотел исследовать, чтобы оценить, насколько хорошо они могут подготовить вас к неакадемической работе в области науки о данных:
1) Какая часть их профессорско-преподавательского состава в настоящее время работает или, по крайней мере, работала в отрасли в качестве специалиста по данным (или другой подобной должности)?
2) Насколько хорошо отдел связан с местными организациями, и могут ли они использовать эти отношения, чтобы помочь вам работать с этими организациями в рамках программы работы-учебы или стажировки во время программы и / или трудоустройства после нее?
3) Помогут ли они вам воплотить - или, по крайней мере, дадут вам гибкость для воплощения - ваш тезис в проект прикладной науки о данных, который поможет вашему резюме будущим работодателям?
Если в выбранной вами программе их не хватает, я настоятельно рекомендую создавать проекты по увеличению резюме / портфолио и налаживать контакты с местными специалистами по данным на стороне при завершении программы. Это требует значительного времени и энергии, поэтому в идеале ваш отдел будет активно помогать вам в этой работе, вместо того, чтобы требовать, чтобы вы делали это самостоятельно, одновременно выполняя всю свою работу.
Еще стоит рассмотреть варианты финансирования. Готовы ли они полностью или хотя бы частично профинансировать вашу степень? Программы работы и учебы, в которых вы работаете, пока вы получаете степень магистра, могут стать отличным способом получить высшее образование без долгов и получить опыт работы по составлению резюме (хотя они могут занять вас). Я получил большую пользу от работы в качестве специалиста по данным во время получения степени магистра как потому, что я получил высшее образование без долгов, так и потому, что это позволило мне практиковать и совершенствовать свои навыки.
Наконец, большинство университетов требуют, чтобы вы жили поблизости и посещали занятия (по крайней мере, до и, вероятно, после пандемии). Таким образом, вам, возможно, придется найти место рядом с вами или вы захотите переехать на несколько лет, если поблизости нет программы на получение степени в области науки о данных. В таком случае вам следует учесть расходы на переезд в стоимость выполнения программы.
Заключение
Изучение науки о данных может быть прекрасной, но пугающей перспективой, и найти правильную стратегию для вас сложно, особенно с учетом всех педагогических, логистических и финансовых соображений. Надеюсь, эта статья помогла вам продумать, как двигаться вперед.
Первоначально опубликовано здесь: https://ethno-data.com/data-science-training-programs/ . Для получения дополнительной информации о веб-сайте и других статей перейдите на https://ethno-data.com/.
Спасибо Towards Data Science за публикацию статьи. Подробнее об их работе см. This.
