Мне не потребовались рекомендуемые 4 месяца доступа, даже если я работал полный рабочий день.
Как мне стать специалистом по данным? Как мне получить доступ к реальному проекту? Я уже прошел несколько базовых курсов; как мне укрепить свое понимание сложных тем? У меня нет диплома по науке о данных; как мне продемонстрировать свои навыки моему потенциальному работодателю?
Это некоторые из вопросов, которые мне постоянно задают в LinkedIn. Я понимаю общие проблемы, поскольку они у меня тоже были. У меня нет общепринятого лучшего решения этих проблем, но я могу поделиться тем, что я делал, когда был в похожей ситуации.
Я использовал трехэтапный подход к науке о данных - Учиться, творить и делиться. Короче говоря, идея в том, что каждый когда-то был новичком, и нужно с чего-то начинать. Так вы учитесь, создаете проекты и делитесь ими с сообществом. Если вы постоянно делаете это с течением времени, ваша работа становится вашим портфолио.
Наностепень специалиста по данным - важный аспект моего пути, потому что он побуждает всех изучать темы, создавать проекты и делиться ими с сообществом. Это так хорошо синхронизировалось с моим подходом.
В этой статье я подробно расскажу, почему я выбрал наностепь для всего, что делал, чтобы завершить ее за 30 дней. К концу у вас будет план действий, чтобы ваше имя тоже было в сертификате.
Начиная с того, почему
Зачем вам нужно пройти наноградус за 30 дней? Для меня я увидел в этой степени огромную ценность. Это соответствовало моему подходу к проникновению в отрасль науки о данных.
Однако большая ценность связана с большими инвестициями. Я не мог позволить себе заплатить 1600 долларов за рекомендованный четырехмесячный период. Я выбрал вариант с оплатой по мере использования, что означает, что чем раньше я закончу, тем меньше будут мои инвестиции.
Я был честен с тобой. А теперь пора быть честным с самим собой:
Каково ваше «почему»?
Вы хотите создать портфолио? Вы хотите изучать сложные темы? Тебе это тоже дорого? Запишите их все на листе бумаги. Мы часто теряем мотивацию в пути, и Саймон Синек рекомендует всегда начинать с определения нашего почему.
Если вы можете позволить себе оплачивать больше месяцев, нет ничего плохого в том, чтобы иметь больше места для передышки. В этой статье основное внимание будет уделено тому, чтобы идти в ногу с темпом 1 месяца, но вы можете применять те же стратегии в течение 2 или 3 месяцев.
Сначала заполните предварительные условия
Мы должны понимать, что это продвинутая программа, предназначенная для подготовки студентов к работе в области Data Scientist. Следовательно, перед запуском программы у нас должен быть высокий уровень комфорта по основам.
К счастью, эти курсы доступны в самом Udacity бесплатно, которые я прошел перед зачислением.
- Основы Python
- SQL для анализа данных
- Введение в описательную статистику
- Введение в выводную статистику
- Основы машинного обучения
Я вижу, что большинство новичков совершают ту же ошибку, изучая эти бесплатные курсы после регистрации. Зачем вам платить за тот же курс, который уже доступен бесплатно?
Я рекомендую вам просмотреть это заранее и ознакомиться с темами, прежде чем начинать с наностепени.
Теперь мы готовы приступить к изучению наноразмеров!
Принятие подхода «Проект - прежде всего»
В отличие от других платформ, таких как Coursera, EdX, Udemy или Datacamp, Udacity следует стилю обучения, основанному на проектах. Идея здесь в том, что наши знания будут основаны на реальных проектах, и нас оценивают, насколько хорошо мы применяем полученные знания в проекте.
Эти проекты оцениваются, и мы должны соответствовать требованиям, чтобы их сдать. Теперь остановимся на обязательных проектах:
- Напишите отчет об анализе данных - вы проанализируете любой набор данных по вашему выбору, применив знаменитую методологию CRISP-DM, и представите этот отчет в виде сообщения в блоге.
- Создавайте конвейеры реагирования на стихийные бедствия - вы будете использовать инженерию данных и машинное обучение для классификации сообщений о чрезвычайных ситуациях, связанных с крупными стихийными бедствиями по всему миру.
- Разработайте механизм рекомендаций - вы будете создавать простые рекомендации, основанные на поведении пользователей в реальной социальной сети.
- Головной проект по науке о данных - это открытый сквозной проект, в котором вы должны применить все элементы жизненного цикла науки о данных от определения проблемы до развертывания.
Есть много других необязательных проектов, которые не рассматриваются (подробнее об этом позже). Поскольку я знал, чего ожидать от проектов, я лучше усвоил содержание курса. В этом прелесть подхода, ориентированного на проект.
Понимание проектов и того, что вас оценивают, поможет вам более внимательно изучить содержание курса.
Заимствование мозгов
На протяжении всего пути к науке о данных я научился обращаться за помощью в самом начале своей карьеры. Информация, полученная от опередивших меня экспертов, без сомнения, ускорила мой путь к обучению.
Наностепень приходит с сообществом учеников, которые учатся вместе с нами. Кроме того, мы получаем доступ к наставникам, которые являются экспертами в соответствующих областях.
Как только я записался, я назначил звонок своему наставнику и развеял все свои сомнения относительно программы. Большая часть того, о чем я пишу в этой статье, - все благодаря им. Всякий раз, когда я застревал в проекте, я задавал вопрос и общался с обучающимся сообществом.
Вам ничего не передадут на серебряном блюде; ты всегда должен спрашивать. В конце концов, вы за это платите! Без сомнения, это ускорило мое завершение.
Создание моего индивидуального плана выпуска
Все советы и бездействие не дают нам никаких результатов.
Это самый важный шаг из всех. Я создал то, что назвал «планом выпуска», в котором был изложен мой точный график обучения и реализации проекта на месяц.
Каждую неделю я начинал с просмотра плана проекта и содержания курса с понедельника по пятницу. Я мог посвятить только 1-2 часа, так как работал полный рабочий день. В те же выходные я тратил около 10 часов на завершение проекта.
Я отправляю проекты на выходных и перехожу к следующему разделу. Короче говоря, на 4 проекта у меня ушло 4 недели, с рабочими днями на просмотр лекций и выходными на их реализацию.
Я оставил буфер на пару дней на конец месяца, так как проект нужно было пересмотреть до конца 1 месяца. Я не рекомендую вам следовать тому же плану; Я рекомендую создать что-то самостоятельно, потому что вы знаете, что лучше всего подходит для вас.
Важно убедиться, что вы создали индивидуальный план выпуска и неукоснительно следуете ему в течение этого периода времени.
Максимум после окончания учебы
Предположим, вы следовали плану и завершили наноуровень в течение периода; поздравляю! Вы должны увидеть волнение на моем лице, когда я, наконец, закончил учебу с наностепенным ученым данных.
Мы действительно поспешили завершить наноуровень, но сохранили пожизненный статический доступ к содержанию курса. Итак, давайте вернемся и завершим те проекты, которые мы пропустили, но которые были необязательными:
- Создание пакета pip
- Создание веб-приложений
- Экспериментальный дизайн для стратегии продвижения
- Обзор LinkedIn и GitHub
Это отличные проекты, которые станут отличным дополнением к вашему портфолио, так что давайте не упускать их.
Оглядываясь назад, можно сказать, что наноразмеры сыграли решающую роль в укреплении некоторых основ, которые у меня уже были. Такая область, как наука о данных, постоянно требует, чтобы мы учились и были в курсе тенденций отрасли.
В конце концов, помните, что ваше учебное путешествие находится в ваших руках.
Чтобы получить более полезную информацию о проникновении в науку о данных, честном опыте и знаниях, подумайте о присоединении к моему личному списку друзей по электронной почте.