Наука о данных

Этот трехэтапный подход может изменить ваше путешествие в области науки о данных

Если честно, другого пути не знаю.

Это серьезное обещание, которое изменит ваш путь к науке о данных. Теперь, когда вы начали читать, я должен доставить (и поверьте мне, я сделаю это). То, что вы собираетесь прочитать, не представляет ничего особенного. Я видел, как это делают многие специалисты, и адаптировал это для себя. Это сработало для многих, поэтому я знаю, что это сработает и для вас.

Вместо того, чтобы представлять их в виде пронумерованных шагов, я предпочитаю замаскировать это за своей историей. Когда будешь искать, и получишь.

Я оказался в сложной ситуации.

Это был понедельник, и к среде нам нужно было провести демонстрацию продукта, над которым мы работаем, для заинтересованных сторон. Чтобы дать вам некоторый контекст, я был инженером по машинному обучению, который в основном занимался исследованиями, прототипированием и разработкой продуктов ИИ.

Мы получили потрясающие результаты проведенных экспериментов; товар был в хорошем состоянии. Но мы также знали, что нам нужно создать рабочее приложение для демонстрации, и проблема заключалась в нехватке времени. К тому же у нас не было опыта в создании приложений.

Из-за того, что у меня было ограниченное время, я искал по всему Google учебные пособия, пошаговые видеоролики, документацию и инструменты для создания приложений для машинного обучения. Я наткнулся на инструмент / библиотеку под названием Streamlit и понял, что это может сработать.

Все мы оказываемся в сложных ситуациях, и то, как мы подходим к ним, имеет решающее значение.

Начинаю учиться заново.

Я люблю учиться заново. Я, естественно, учусь каждый день. Имея многолетний опыт, я овладел искусством учиться учиться, и у меня это получается относительно быстро.

Я знал, что время, которое у меня было, было ограничено. Тем не менее, я продолжал смотреть видео с пошаговыми инструкциями на YouTube, перемещаться по статьям, написанным на Streamlit, и, наконец, к кроличьей норе официальной документации.

Я был приятно удивлен, когда обнаружил, насколько это просто, и создал приложение для машинного обучения в течение дня, таким образом соблюдая крайний срок в среду. День обучения и развития, бум, у нас есть рабочий продукт для демонстрации!

Обучение - это действительно первый шаг к мастерству, и не позволяйте никому говорить вам обратное.

Хвататься, когда появляется возможность.

Наконец, мы представили заинтересованным сторонам презентацию и демонстрацию. Мой менеджер, который также присутствовал на демонстрации, хотел, чтобы я представил этот инструмент команде.

Я не колебался ни секунды. Я был более чем счастлив поделиться с командой всем о разработке приложений для машинного обучения. Я подготовил и провел семинар, провел сеанс программирования в реальном времени и помог команде повысить квалификацию.

Больше всего я видел в этом возможность расти и становиться лучше. После семинара я попросил обратную связь с командой. Я прислушивался к тому, что у меня хорошо получалось, и к тому, что можно улучшить. Я был очень доволен; это был беспроигрышный вариант!

Возможности есть повсюду, и все зависит от нас.

Делимся опытом с миром.

В большинстве полученных мной отзывов выделялось одно. Процесс разработки моего приложения был легким для понимания и сэкономил команде много часов. Что, если бы я мог поделиться этим со всем миром для всеобщего блага?

Достаточно скоро я начал писать свое сердце. Я нашел время, чтобы создать новый реальный пример, отправить коды в репозиторий Github, встроить фрагменты кода и, наконец, опубликовать его на сайте Towards AI.

Эта статья продолжила одну из моих самых просматриваемых статей. (Если вам интересно прочитать статью, вы можете сделать это здесь.) Всем, кто читал, понравилась эта статья, а мой LinkedIn был полон положительных отзывов. В конце концов, издание Towards AI включило мои статьи для информационного бюллетеня за месяц. Я ощутил успех - успех моего подхода.

И прежде чем я смог все осмыслить, я стал Лучшим писателем. Вот что касается Medium: большинство ведущих авторов на Medium много публикуют. Я не. У меня почти 10 статей опубликовано. Вместо количества я сосредоточился на качестве.

Каждый раз, когда я публикуюсь, я стараюсь дать читателю что-то ценное. Создавая ценность, я сосредотачиваюсь на самосовершенствовании, становлюсь лучшим специалистом по обработке данных и становлюсь лучшим инженером по машинному обучению с каждой публикуемой статьей. Верхний тег Writer для меня ничего не значит; лучший специалист по данным значит для меня все.

Довольно моей истории.

Я сказал все это не для того, чтобы хвастаться собой.

Фактически, это никогда не касалось меня.

Это всегда было о тебе.

Он должен показать вам результаты этого подхода.

Он должен показать вам доказательство того, что этот подход работает.

Трехэтапный подход

  1. Учиться
  2. Создавать
  3. Делиться

Я говорю об этом подходе не впервые, и не в последний. Это то, чем я занимаюсь все время. Когда новички спрашивают, как начать работу и стать лучше в науке о данных, я им отвечаю. Учиться, творить и, наконец, делиться. Если честно, другого пути не знаю.

Для адаптации не потребуется год или два; вам нужно только изменить свое мышление. Вы можете сделать это сейчас, прежде чем дочитаете эту статью.

Я искренне надеюсь, что это так.

  1. Учиться. Будут сложные ситуации. Когда это произойдет, не бойтесь начать учиться с нуля. Помните, что обучение всегда будет первым шагом; не позволяй никому говорить тебе иначе.
  2. Создать. Помните, что вы можете учиться столько, сколько хотите, но быстро разворачивайтесь и создавайте что-то из того, что вы узнали. Вы будете удивлены, когда поймете, насколько вы можете улучшить свои проекты, создав наглядное портфолио.
  3. Поделиться. Наконец, поскольку вы проделали всю тяжелую работу - учиться и творить, почему бы не найти время, чтобы поделиться ею с миром? Я делюсь, чтобы вы получали выгоду, и вы делитесь, и кто-то благодарит вас за это.

Ты оставался со мной до конца, так что вот тебе бонус.

Обратная связь - ваш вечный учитель. По возможности обращайтесь за отзывами. Во время обучения, после того, как вы что-то создадите, когда вы поделитесь своей работой, прямо попросите оставить отзыв. Когда вы просите, люди дают, а вы обновляете свои знания. (Вспомните, как работает машинное обучение, ха-ха!)

Для адаптации этого подхода не потребуется год или два, нужно только изменить свое мышление!

Изменение мышления

Все, что требуется, - это изменение мышления. Каждый день в этом мире науки о данных придерживайтесь простейшего подхода - учись, твори и делись. Начать учиться никогда не поздно. Никогда не поздно начать создавать портфолио. Начать делиться никогда не поздно. Если присмотреться, специалисты нашей отрасли делают это ежедневно.

Посмотрите на таких людей, как Эндрю Нг, Кэсси Козырков, Эндрю Траск, Андрей Бурков, Абхишек Такур, Эрик Вебер и многие другие. Это некоторые из людей, которыми я восхищаюсь, но список экспертов можно продолжать и продолжать.

Если вы возьмете большинство из этих экспертов, то увидите закономерность. Отрасль знает, что они уже эксперты. Но нет, они продолжают совершенствоваться. Они продолжают создавать исследовательские работы, проекты, видео, статьи, сообщения, пошаговые руководства и многое другое. Затем они продолжают делиться своими знаниями с миром.

Доверьтесь такому подходу и начните работать над ним. Со временем вы увидите, что ваше путешествие полностью изменится. Вы сами увидите трансформацию. Не могу дождаться, когда у вас все получится!

Надеюсь, эта статья оказалась для вас полезной. Если вам понравилось, я хотел бы услышать ваши отзывы, а давайте будем комментировать. Я делюсь своими знаниями, ценными ресурсами и опытом из моего путешествия по науке о данных здесь, в Medium. Хотите подключиться и оставаться на связи?