作者 | Jeremie Harris
翻译 | Mika
本文为 CDA 数据分析师原创作品,转载需授权
在大学我学习物理时,每当遇到不理解的术语,我就会上网搜索,这时我常会用到的就是维基百科。
虽然维基百科很好用,但是上面很多文章都不适合我的水平。那些文章要不就是超出我的理解,或者对我来说太简单了。这种情况时常发生,因此我从中总结的经验就是,维基百科上的技术词条很难既提供有效信息,又做到易于理解。
很多数据科学方面的职业建议也是如此,有些是针对完全零基础的初学者;有些是针对初级数据科学家磨练技能;有些则针对资深的软件工程师。而这容易让许多想成为数据科学家的人群感到无从下手,他们不知道该如何花在哪里。
在本文中,我打算针对三种不同类型的人群给出相应的职业转型建议。
第一类:零基础的初学者
如果你刚刚进入数据科学领域,请记住该领域的发展速度非常快,也许现在我给出的建议在你准备求职时已经过时了。如今数据科学的招聘标准与一两年后的标准之间的差距可能会更大。
在明确这点的基础上,如果你想进入数据科学领域,并且没有任何编程方面的背景,我要给出的建议如下:
首先要保持开放的心态
如果你是一名初学者,那么你可能完全不知道数据科学的具体内涵。那么可以先和一些数据科学家聊一聊;关注相关的科学播客。成为一名数据科学家需要花费大量的时间和精力,因此只因为你认为自动驾驶汽车很酷就一头扎进去,这并不是一个很好的理由。确保自己了解数据科学中不那么高大上的部分,数据处理和构建数据管道等,这些方面占数据科学家日常工作的大部分。
如果你决定继续前进,这太好了!首先你要做的第一件事就是学习Python。参加一些在线课程,并尽快建立一个基础项目。当你掌握一定Python技能时,学习如何使用Jupyter notebook。
在找工作时,一开始就从全面的数据科学职位并不是最好的。相反,可以选择数据可视化或数据分析职位,这类职位市场需求量大,而且要求没有数据科学家那么高。这些职位经常与数据科学家一起工作,当你获得了一些经验后,也可以着手向这个方向发展。
如何发挥自己的优势:
当你准备好找工作时,你会发现学会推销自己在在数据科学中非常重要。你可能会担心,因为你没有任何专业经验或计算机科学的研究生学位,推广自己是一个难题。但这也可以成为你最大的优势:你是从零开始,自学成才的数据科学家,公司需要这些努力而且学习能力强的数据科学家。为此你需要符合自己的这种形象,不断提高技能,解决一个个挑战,但当中的回报绝对是值得的。
第二类:软件工程师
我遇到的想成为数据科学家的人中,可能有20%都是软件工程师。一方面,有将代码部署到生产和与开发团队合作的相关经验,这是非常重要的资产。另一方面,如今对全栈开发人员的需求非常高,有时公司会将软件工程师归为这个方向。因此想转为数据科学家时,你要避免被当作软件工程师,而不是数据科学家。
其他建议:
首先你可以考虑转为专注后端或数据库相关方向。熟悉数据管道是一个良好的开端,这可以帮助你构建核心数据操作技能组。
机器学习工程可能是最接近数据科学的职位,这更容易过渡。在求职时,你可以找哪些强调部署模型,或将其集成到现有应用程序的职位,这些职位将最有效地利用你现有的技能。
你很可能要建立机器学习或数据科学项目来打动雇主。利用你的软件工程技能,将这些技能整合到可以向招聘人员展示的应用程序中。这特别有效,因为这更为明确,而且突显了你作为全栈数据科学家的潜力。
要记住,在职业转型时你的薪资很可能会减少。即使是高级软件工程师,当他们转行数据科学时,也需要从初级的职位开始。
如何发挥自己的优势:
最好的方法就是利用你在软件开发方面的经验。你已经知道如何编写干净、文档记录良好的代码,以及该如何与他人协作,这是大多数初级职位求职者所缺乏的优势。
第三类:计算机科学、数学或物理专业的应届毕业生
如果你是一名本科、硕士或博士生,你可能在统计学和数学方面有很好的基础。但你可能从未申请过科技方面的工作,而且你不确定如何准备面试。此外,假设你读书时一直在编程,你很可能无法写出干净、结构良好的代码。
几点建议:
你在读书期间学的R语言还不够。如果你是学物理的,那你的MATLAB或数学技能也是不够的,去学学Python吧。
这些内容你需要尽快学习:协作版本控制,比如如何与其他人一起使用GitHub);容器化,比如如何使用Docker;开发运营,学习如何使用AWS或其他类似服务在云中部署模型;SQL也是必须的。
学习Python中的测试驱动开发。学习如何使用文档字符串,如何将代码模块化,以及如何使用Jupyter notebook。
如果你在以数学为导向的领域,那么深度学习是一个很好的探索方向。要注意先从更传统的“scikit-learn”型数据科学职位开始,然后转向深度学习更容易。对你来说,最重要的是先入行,并尽快开始生产代码。
如何发挥自己的优势:
如果你是数学或物理专业,你最好的策略就是发挥有深厚理论知识的特定。为此,你需要能够自信地解释各种模型的原理,熟悉文献中最新的文章。
结语
注意:我这里提供的建议并不能完全使用与所有情况。有些软件工程师可能要学习的更多,而有些初学者有很好的数学基础,更适合成为深度学习研究人员。但希望本文能你一个不错的起点。
最后,无论你是软件工程师,刚毕业的大学生,还是零基础的初学者,你都要问自己一个关键的问题:哪种职业发展轨迹最接近你的情况?很多情况下,通过称为数据分析师或数据可视化专家进入该领域都是不错的选择。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14