Почему вы изо всех сил пытаетесь проникнуть в науку о данных
И что вы можете с этим поделать
Я вижу, что многие люди с трудом переходят из других областей в науку о данных, хотя с каждым днем открытых вакансий становится все больше. Многие компании в конечном итоге обращаются к людям, которые уже имеют опыт работы в домене или только что закончили колледж со степенью в области статистики или компьютерных наук.
Хотя этот переход может быть трудным, я сделал это, и я думаю, что вы тоже можете это сделать, если у вас есть правильная стратегия.
Давайте рассмотрим несколько советов, которые помогут вам найти свою первую работу.
Прекратите делать МООК
Не поймите меня неправильно, некоторые онлайн-курсы хороши, но я чувствую, что новички склонны думать, что прохождение десяти таких курсов в год каким-то образом поможет найти работу.
Во-первых, если вы будете делать их просто ради получения сертификата и размещения его в LinkedIn, вы многому не научитесь. Кроме того, так много людей имеют так много из них, что большинство рекрутеров не очень заботятся об этом.
Вместо этого сначала сделайте несколько хороших, чтобы иметь некоторое представление об этой области и быть в состоянии ответить на вопросы интервью. Я рекомендую известную специализацию по машинному обучению от DeepLearning.AI и Stanford на Coursera. Это займет вас и даст хорошую теоретическую базу.
Следующая книга не поможет
Та же логика применима и к книгам: многие люди думают, что чтение сотен книг заставит их волшебным образом впитать весь этот контент и стать экспертами в области машинного обучения.
Вместо этого используйте книги как инструменты для сбора конкретных знаний, которые вам нужны прямо сейчас. Работаете над проектом временных рядов? Чтение книги на эту тему, пока вы делаете это, может помочь.
Но опять же, не делайте этого только для того, чтобы вычеркнуть этот пункт из своего списка, рекрутерам все равно, сколько книг вы прочитали в прошлом году.
Выбирайте правильные сторонние проекты
Сторонние проекты помогают вам двумя способами: развивать навыки и хвастаться своей работой. Если ваш первый проект выполняет логистическую регрессию на наборе данных «Титаника», отлично, вы разогреваетесь. Но это не лучший проект для показа.
Как только вы освоите основы, попробуйте поработать над 2 или 3 проектами, которые действительно продемонстрируют ваши навыки рекрутерам, например, развертывание модели в производстве через веб-приложение, которое вы можете показать во время собеседования, создание общедоступной информационной панели или проведение глубокого анализа какой-то интересный набор данных.
Одни сертификаты помогают, другие нет
Существует множество сертификатов, поэтому выбирайте с умом. Как правило, сложные также имеют большую отдачу: сертификаты GCP, AWS, Azure и IBM могут быть весьма ценными. Tableau и Power BI тоже. Те, которые вы получаете, просто просматривая видео на Coursera, не так уж и много.
Если вы делаете что-то из того, что я упомянул, проверьте, какие облачные провайдеры и инструменты инструментальной панели наиболее часто используются в вашем регионе, и сосредоточьтесь на них.
Не будьте придирчивы (сначала)
Если вы переходите на новый уровень и поначалу не можете найти хорошую работу, не придирайтесь. Если вы работаете в сфере логистики и хотите заниматься машинным обучением, возможно, первая работа в качестве аналитика данных в течение года приблизит вас к вашей цели. Даже если вы просто занимаетесь Excel и визуализацией данных, теперь вы ближе, чем раньше, так что смотрите на это как на временный шаг.
Возможно, вам придется согласиться на более низкую зарплату в не очень хорошей компании.
Выбирайте плавный переход
Допустим, вы работаете в сфере управления персоналом и хотите перейти на науку о данных или анализ данных. Сосредоточение внимания на работе с данными, связанной с HR-аналитикой, сделает переход более плавным для вас, а ваш набор навыков будет ценным для вашего работодателя. Они с большей вероятностью согласятся с отсутствием у вас навыков работы с данными, если вы сможете компенсировать это своим опытом в предметной области.
Даже если вы не хотите вечно работать с HR-аналитикой, рассматривайте это как временный шаг.
Начните с консалтинговых компаний
Есть много консалтинговых компаний, которые передают ученых и аналитиков данных на аутсорсинг другим компаниям. Они, как правило, платят меньше, но планка может быть ниже, поскольку в настоящее время они нанимают как сумасшедшие.
Делайте это в течение пары лет, и у вас будет достаточно опыта, чтобы в будущем получить более высокооплачиваемую работу.
Сосредоточьтесь на своих навыках кодирования
Все скажут во время интервью, какие они классные и что у них есть уникальный набор навыков, который отличает их от конкурентов.
Поверьте мне, вы не единственный, кто знает, как «подходить к проблемам с точки зрения бизнеса, чтобы получать информацию из данных и создавать реальную ценность».
Вместо этого приобретите сложные навыки, такие как Python и SQL, которые, скорее всего, будут проверены во время собеседований и действительно могут выделить вас среди других кандидатов.
Если вам нравится то, что вы читаете, подумайте о том, чтобы присоединиться к Medium и прочитать еще много статей. Часть вашего гонорара идет на поддержку таких авторов, как я. Нажмите здесь, чтобы присоединиться:
Если вы хотите продолжить обсуждение, не стесняйтесь обращаться ко мне на других платформах, это будет приятно (честно):
Если вам понравилась эта статья, возможно, вам понравятся и эти:
Подпишитесь на DDIntel Здесь.
Посетите наш сайт здесь: https://www.datadriveninvestor.com
Присоединяйтесь к нашей сети здесь: https://datadriveninvestor.com/collaborate