
大约18个月前,由于新冠肺炎疫情,我失去了工作。我在大学里做兼职家教。我从家教中得到的钱被用来支付食物、汽油和汽车等费用。
在政府对全国实施封锁限制后,我无法继续教学。我也上不了大学,只能在家学习。
虽然一开始这看起来很糟糕,但我意识到不上大学和工作腾出了我的很多时间。
在这段时间里,我开始考虑扩大我的技能集。在做了一些研究后,我发现了一个机器学习在线课程,看起来很有趣。
那是我完成的第一门在线课程。
在那之后,我把大部分时间都花在了构建项目、学习编码和获得在线认证上。
现在--18个月来,我已经用我在数据科学和分析领域的知识建立了多种收入流。
我最初作为数据科学实习生加入一家公司一段时间,现在在那里全职工作。
起初,我希望我的工作主要包括建模。
然而,一旦我加入,我意识到我的工作只有大约10%的模型建立。其余的时间,我和我的团队都在寻找新的解决方案,我们可以创建来解决业务问题。
通常,这些问题甚至不需要机器学习来解决。数据解决方案可以只包含转换为简单SQL查询的业务逻辑。
我每天做的工作包括回答以下问题:
这是对我每天所做工作的一个非常抽象的描述,但我想强调的是,创建数据科学解决方案并不是从模型构建开始和结束的。
如果你是一个有抱负的数据科学家,我建议在你想工作的行业获得一些领域知识。
我写我在数据科学领域的经验。
如果我在工作中构建一个项目,我会在Kaggle上找到一个类似的数据集并复制分析,并围绕它创建一个教程。
我最初开始编写和发布数据科学教程,以增强我的投资组合。
写关于我工作的文章是我与其他有抱负的数据科学家联系的一种方式。这也是我展示自己编写和构建ML模型能力的一种方式。
最初,我从没想过我的写作会得到报酬。我只是认为这是一个很好的方式来增强我的数据科学投资组合。
然而,在过去的一年里,一开始是业余爱好的事情开始产生收入。
我现在可以通过简单地创建与数据相关的教程、项目和写我的经历来获得被动收入。
当我开始在数据科学界建立一个在线存在时,我开始得到多个自由职业的邀请。我为客户建立了一次性的机器学习模型,创建了竞争对手分析报告,并撰写了数据科学文章。
当我最初想到自由职业时,我想象着必须在在线平台上竞争和投标项目。
然而,我所有的自由职业客户在阅读了我的文章或看了我的投资组合项目后,都联系了我。
几个月前,我构建了一个聚类算法,并在网上发布了一个关于它的教程。第二天,有人联系我,问我是否有兴趣为他们的客户构建一个集群模型。
自由职业使我具备了许多我通常工作领域之外的技能。
在我的公司里,我处理的数据通常是以某种预先处理的格式出现的,我用SQL和Python查询数据来利用它。
然而,当自由职业者时,客户数据的格式非常不同。其中大部分都没有经过处理或结构化,我花了很多时间来弄清楚数据集之间的关系并理解它。
我还需要收集外部数据来进行分析,这通常涉及到搜索第三方网站和使用开源工具。
我觉得自由职业让我接触到了我目前在日常工作中没有的知识,我能够通过我从事的每一个项目学到新的东西。
我上面提到我上了一门数据科学在线课程,事情从那里发生了变化。你可能想知道怎么做。
老实说,在上了我的第一门数据科学在线课程后,我感到很失落。我花了大约一个月的时间用SCIKIT-Learn学习不同的算法和训练模型。
我根本不知道从那里去哪里。
我开始阅读关于那些没有硕士学位或任何专业资格就设法找到数据科学工作的人的文章。我意识到领域知识的重要性,以及借助可用数据解决问题的重要性。
我没有必要建立最精确的模型或理解模型背后的底层算法。
我意识到对我来说最重要的技能是利用数据解决问题的能力。这意味着我必须超越机器学习算法。
我选修了商业分析和ML工程课程。我花在学习代码上的时间比花在理论上的时间还要多。我花时间学习SQL和数据操作。
然后,我在网页刮擦的帮助下从在线站点收集了自己的数据。我用这些数据解决了一个问题,并用它构建了一个简单的机器学习web应用程序。
通过这种方式,我慢慢获得了成为端到端数据科学家所需的技能。
即使在我工作的数据分析团队中,如果有任何项目超出了我们日常工作的范围(需要外部数据收集或新算法的项目),我通常会被分配去做。
作为一个有抱负的数据科学家,有这么多的资源提供给你在网上。事实上,太多了,你不知道该从中选择什么。
然而,大部分的重点都放在模型构建上。
虽然了解建立和训练模型的基本原理是很重要的,但大多数可用的工作都要求你超越这一点。
真正的需求是对能够借助可用数据解决问题的人的需求。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08LSTM 输出不确定的成因、影响与应对策略 长短期记忆网络(LSTM)作为循环神经网络(RNN)的一种变体,凭借独特的门控机制,在 ...
2025-07-07统计学方法在市场调研数据中的深度应用 市场调研是企业洞察市场动态、了解消费者需求的重要途径,而统计学方法则是市场调研数 ...
2025-07-07CDA数据分析师证书考试全攻略 在数字化浪潮席卷全球的当下,数据已成为企业决策、行业发展的核心驱动力,数据分析师也因此成为 ...
2025-07-07剖析 CDA 数据分析师考试题型:解锁高效备考与答题策略 CDA(Certified Data Analyst)数据分析师考试作为衡量数据专业能力的 ...
2025-07-04SQL Server 字符串截取转日期:解锁数据处理的关键技能 在数据处理与分析工作中,数据格式的规范性是保证后续分析准确性的基础 ...
2025-07-04CDA 数据分析师视角:从数据迷雾中探寻商业真相 在数字化浪潮席卷全球的今天,数据已成为企业决策的核心驱动力,CDA(Certifie ...
2025-07-04