Если вы когда-либо работали из дома, вы знаете, что это не тот волшебный, освобождающий опыт, который представляет большинство людей. Сохранять концентрацию и боевой дух, а также держать коллег в курсе - не так просто, как думает большинство людей. Но, к счастью, проблема работы на дому привлекла много внимания: вы можете найти множество постов в блогах и подкастов, посвященных ей, со всевозможными полезными советами.
Но есть тесно связанная проблема, к которой не так много любви, и это проблема обучения из дома. Обучение на дому сильно отличается от работы на дому, потому что оно самоуправляемое (у вас нет начальника, который говорит вам, что вы * должны * учить) и - особенно в области науки о данных - это неограниченный (нет предела тому, сколько вы можете узнать, поэтому трудно понять, когда остановиться).
С появлением большего количества МООК, онлайн-курсов для повышения квалификации и бесплатных учебных ресурсов, чем когда-либо, эта проблема становится все более важной, и я собираюсь сделать это в этой статье.
Некоторый контекст: моя компания реализует программу наставничества в области науки о данных, разработанную с учетом философии дистанционного обучения, и значительная часть наших усилий направлена на то, чтобы наши подопечные не чувствовали боли, которая в противном случае приходит с дистанционным обучением. Я надеюсь, что извлеченные нами уроки могут быть полезны другим, поэтому я собрал их здесь.
Общие проблемы и способы их решения
Проблема: я теряю концентрацию, и мне трудно не отвлечься.
Решение: это обычная проблема, но на самом деле есть несколько вещей, которые вы можете сделать, чтобы не отвлекаться и не отвлекаться.
→ Выходите из социальных сетей после каждого использования. Это не сведет ваше использование к нулю, но заставляя себя входить в систему каждый раз, когда вы используете Twitter или Instagram, вы лучше понимаете, как вы тратите свое время.
→ Не работай из дома. Вместо этого попробуйте кафе, публичную библиотеку или место для совместной работы. Четкое разделение «рабочего» и «домашнего» пространства может помочь вам отслеживать время, которое вы на самом деле тратите на свои проекты и MOOC, и войти в более сфокусированное настроение, когда вы это сделаете.
→ Найдите кого-нибудь, с кем можно поработать. Бонусные баллы, если это еще один начинающий специалист по данным или разработчик, но подойдет почти любой. Согласитесь отслеживать цели друг друга, чтобы быть честными. Примечание: вашему партнеру по учебе даже не обязательно физически присутствовать - открытый видеочат тоже может работать.
→ Прочтите литературу по взлому производительности. Книги вроде Атомные привычки и посты вроде эта - отличная отправная точка.
Проблема: я не добиваюсь достаточного прогресса, и у меня проблемы с мотивацией.
Решение: всегда возможно, что график, к которому вы стремитесь, нереалистичен, и это первая возможность, которую вам следует рассмотреть (завершение перехода к науке о данных может занять месяцы или даже годы). Помимо этого, ключом к тому, чтобы не сбиться с пути, является подотчетность.
→ Установите четкие цели обучения. Стремитесь к краткосрочным целям («Вот что я хочу сделать сегодня»), которые можно определить более реалистично.
→ Придерживайтесь своих целей публично. Держите своих подписчиков в Twitter или LinkedIn в курсе вашего прогресса (если у вас нет Twitter или LinkedIn, зарегистрируйтесь). Если можете, обратитесь к отраслевому профессионалу и спросите его, можете ли вы держать его в курсе ваших последних работ с помощью еженедельного информационного бюллетеня. Это довольно простой способ дать себе дополнительную мотивацию, чтобы убедиться, что у вас есть что показывать в работе на каждую неделю, и он также является отличным способом расширить вашу профессиональную сеть.
→ Постарайтесь настроить свой проект так, чтобы результат был для вас значимым. Постарайтесь развернуть его как приложение Flask, чтобы с ним могли играть ваши друзья. Планируйте написать об этом в блоге. Подготовьте по нему презентацию для местного митапа. Сосредоточение на получении конкретных, ощутимых результатов может быть отличным мотиватором.
Проблема: я не знаю, когда двигаться дальше.
Решение: это особенно большая проблема в области науки о данных, где проекты могут быть необычно открытыми. Насколько хорошо подходит для вашей модели? Как узнать, что вы закончили этап исследования данных? Стоит ли попробовать другую стратегию кодирования?
→ Лучшие проекты разрабатываются как продукты с учетом конкретной целевой аудитории и конкретного сценария использования. Заранее решите, для кого вы создаете свой проект, и сосредоточьтесь на создании чего-то, что было бы им полезно. Помните ли вы о том, что при исследовании данных вы исследуете данные: какие идеи вы могли бы получить, изучая свои данные, что привело бы к созданию лучшего продукта?
→ Заранее определитесь с критериями успеха (что вы хотите узнать, насколько хорошо должна работать ваша модель и т. Д.). У большинства отраслевых проектов есть четкая область действия, и у вас она тоже должна быть.
→ Установите временные рамки для вашего проекта. Прежде чем приступить к работе, установите для себя точный срок завершения. Это дает дополнительное преимущество в виде моделирования временных ограничений и решений по сортировке, с которыми вам придется столкнуться как профессиональный специалист по данным.
Проблема: я не знаю, с чего начать.
Если вы только начинаете, первое, что вам нужно сделать, это выяснить, в чем заключаются ваши интересы.
→ Пройдите бесплатный MOOC (их можно найти здесь). Если вы только начинаете, сосредоточьтесь на чем-то, что позволит вам развить свои навыки Python, и это познакомит вас с блокнотами Jupyter, scikit-learn и pandas.
→ Как только вы это сделаете, спросите себя: каким аналитиком данных я хочу быть? Конечно, вы захотите узнать, какие у вас есть варианты, поэтому я написал этот пост.
→ Получите некоторое представление о предстоящем пути. Поговорите с людьми, которые сделали аналогичный карьерный переход, и спросите их, что они сделали, чтобы это произошло. Я также рекомендую прочитать этот пост о наиболее распространенных изменениях карьеры в области науки о данных, которые я видел, поскольку, скорее всего, ваш случай будет среди них.
Я видел, как каждая из этих вещей приводит к значительному улучшению успеваемости и производительности подопечных SharpestMinds. Тем не менее, нужно помнить одну важную вещь - быть терпеливым по отношению к себе.
Вы можете потерпеть неудачу при первой попытке реализовать ту или иную стратегию, вы все равно отстаете от графика и можете не завершить проект вовремя. Ничего страшного: главное - относиться к своему путешествию как к эксперименту и отслеживать, что работает, а что нет. Как и в любой хорошей модели машинного обучения, вы рано или поздно найдете оптимальную, если продолжите итерацию.
Если вы хотите подключиться, вы можете найти меня в Твиттере по адресу @ jeremiecharris!