热线电话:13121318867

登录
首页大数据时代我如何在18个月内把数据科学的收入增加了两倍
我如何在18个月内把数据科学的收入增加了两倍
2022-02-21
收藏

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。

1.全职工作


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:

  • 我们如何使用数据来查找关于A公司竞争对手的信息?
  • 我们建立了客户客流量预测模型。我们可以识别哪些业务用例来测试这个模型?它在生产环境中是否和在测试环境中一样有效?
  • 我们如何为客户持续改进细分和业绩?我们能从现有的数据推断出现实生活中的场景吗?

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。

2.数据科学博客


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。

3.自由职业


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。

我怎么到这儿来的?


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。

结论


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

最新资讯
更多
客服在线
立即咨询