5 способов извлечь выгоду из раннего начала карьеры в области науки о данных
Один из вопросов, который я чаще всего получаю от талантов, заинтересованных в карьере в области науки о данных, заключается в следующем: «Когда лучше всего начать работать в области науки о данных?». Ответ на этот вопрос может быть простым и общим: «Чем раньше, тем лучше, особенно пока вы еще студент!».
Да, это правда. Всегда лучше начинать строить карьеру в области науки о данных еще будучи студентом (даже во время учебы в докторантуре, если вы ее изучаете) или в самом начале своей карьеры. Когда я начал свой путь в науке о данных, я как раз заканчивал магистерскую программу по нейронной обработке информации (прикладное машинное обучение). Я был молодым студентом, увлеченным исследованиями в области машинного обучения. Я собирался начать свою докторскую диссертацию. учился в области фундаментальных исследований, но глубоко внутри я знал, что в душе я инженер.
У меня степень бакалавра ИТ-инженерии ... и моя магистерская диссертация во многом была связана с разработкой программного обеспечения и внедрением машинного обучения в производство. Я разработал программное обеспечение виртуальной реальности для терапевтических целей на C ++. Это был крутой инструмент виртуальной реальности, который соединялся с перчаткой для захвата движения и представлял себе движения рук пациентов в реальном времени с помощью очков виртуальной реальности. Мы использовали машинное обучение, чтобы давать пациентам обратную связь в режиме реального времени, и помогали терапевтам в реабилитационных клиниках контролировать терапевтические программы пациентов. Я был очень горд тем, что результаты одного года моей самоотверженной работы способствовали тому, чтобы сделать что-то хорошее для общества, особенно помогая людям, которые утратили способность двигать руками. Этот проект также научил меня применять некоторые новые технологии, такие как виртуальная реальность или машинное обучение (да, в 2012 году машинное обучение было еще очень новым для отрасли!) К реальному программному обеспечению.
К тому времени я знал, что меня интересует решение реальных проблем с использованием машинного обучения и анализа данных. Итак, я начал изучать науку о данных через онлайн-курсы рядом со своей глубоко теоретической докторской диссертацией. исследовать. Должен признать, что я многому научился как в академическом образовании, так и в процессе самообучения на онлайн-курсах. Онлайн-курсы и учебные пособия очень полезны для знакомства с инструментами и технологиями, а также с тем, что происходит в отрасли. Тем не менее, моя докторская степень. исследовательские проекты также помогли мне сформировать мое аналитическое и статистическое мышление и устойчивые навыки решения проблем, чтобы построить отличные модели машинного обучения.
На втором году моей докторской степени я начал чувствовать, что изучил достаточно инструментов и технологий, чтобы получить квалификацию для самых младших должностей в области науки о данных. Итак, в свободное время я начал проходить стажировку / роль младшего специалиста по данным, в основном по выходным. С рабочей нагрузкой было трудно справиться, особенно когда она выполнялась параллельно с требовательным доктором философии. программа, но все эти усилия в конечном итоге окупились! И в конце моей докторской степени. исследования, меня наняла известная консалтинговая корпорация на работу в области анализа данных. Это может показаться нормальным для многих людей, имеющих связи или членов семьи, работающих в таких компаниях, но не для большинства иностранных студентов, которым сложно найти работу после окончания учебы. Моя история вселила в меня уверенность в том, что наличие четкой карьерной стратегии и упорный труд для достижения своих карьерных целей окупаются безмерно.
Здесь я приведу пять причин, почему начало карьеры в области науки о данных на раннем этапе может стать отличным вложением в ваше будущее и поставить вас в очень выгодное положение по сравнению с вашими коллегами:
- Узнавать что-то новое намного проще, когда вы еще студент:
Быть студентом - это значит учиться. Учеба - это ваша работа, когда вы студент, поэтому гораздо легче изучать новые технологии, которые в значительной степени необходимы для проникновения в науку о данных. Вас окружает так много людей, которые учатся каждый день, поэтому вам легко задавать вопросы и получать мотивацию от людей, с которыми вы общаетесь. У вас также есть доступ ко многим ресурсам университета. Когда вы становитесь сотрудником, скажем, в какой-то другой области, помимо науки о данных, становится сложнее изучать новые технологии, связанные с наукой о данных. У вас не так много времени, чтобы узнать что-то новое или заняться волонтерской работой, и ваша профессиональная преданность должна быть направлена на работодателя. Вы всегда можете узнать что-то новое ночью, но всегда есть некоторые накладные расходы на переключение между видами деятельности, когда вы выполняете дневную работу, не связанную с наукой о данных.
2. Когда вы студент, проходить стажировку намного проще:
Многие студенты, которые с нетерпением ждут своей карьеры, сейчас проходят стажировку в отрасли, еще будучи студентами. Для студентов бакалавриата и магистратуры широко распространено прохождение стажировок и выполнение дипломных работ в некоторых компаниях. В университетах Северной Америки иногда требуется, чтобы студенты (даже докторанты) проходили летнюю стажировку. Эти стажировки отлично подходят для (а) получения реального опыта, (б) установления связей и получения рекомендаций, (в) создания социального доказательства вашего резюме, работая в некоторых известных компаниях. Последний пункт имеет особое значение. Барьер входа настолько мал, когда вы пытаетесь войти в глобальную корпорацию в качестве стажера или стажера. Итак, вы можете воспользоваться этими возможностями и начать строить карьеру, пока вы еще молоды.
3. Когда вы студент, вам легче потратить часы:
В студенческие годы вы привыкли работать по 12+ часов в день. Это твой образ жизни; днем вы ходите на занятия, а ночью занимаетесь или делаете уроки. Когда вы где-то работаете, перерыв в работе и отдых для следующего рабочего дня становится важной частью вашего образа жизни вечером или на выходных. В профессиональной жизни вы живете среди людей, которые активно продвигают концепцию баланса между работой и личной жизнью. Кроме того, когда вы выходите замуж и заводите семью, становится труднее тратить часы, изучать новые навыки, заниматься волонтерской работой или стажировками, чтобы помочь вам стать специалистом по данным. Когда вы являетесь студентом, вы можете посещать добровольные уроки, связанные с наукой о данных, и уделять больше времени изучению новых навыков, чтобы получить работу по науке о данных, как только вы закончите учебу.
4. Легче пожертвовать более высокой зарплатой в более молодом возрасте:
Один из лучших и простых способов проникнуть в науку о данных - пройти стажировку или подработать, заключив сделку по работе в некоторых компаниях со значительной скидкой. Если вы знаете лишь немного о поиске работы, вы знаете, что большинство компаний хотят нанимать специалистов по данным, у которых уже есть опыт; классическая проблема курицы и яйца, с которой сталкивается большинство соискателей на младшем уровне. Вдобавок ко всему, если вы иностранный студент, вам, вероятно, придется столкнуться с требованиями к работе и заработной плате для продления вида на жительство. Поэтому вы вынуждены искать работу на полный рабочий день, которая может быть сложной без профессионального опыта. Решение этой проблемы - попытаться убедить какую-нибудь компанию (обычно стартап) предоставить вам стажировку или работу на неполный рабочий день в области науки о данных, предоставив разумную скидку на ваши ожидаемые зарплаты. Удивительно, но вы увеличите свои шансы на получение более высокой заработной платы позже в своей карьере, потому что вы накапливаете отраслевой опыт, который может быть выгоден при подаче заявления на работу на полный рабочий день. Эту тактику может стать сложнее, когда вы станете сотрудником в другой области, кроме науки о данных. Имейте в виду, что чем больше денег вы зарабатываете, тем больше вы привязываетесь к реальной работе, над которой работаете, поэтому переходный период становится все труднее и труднее.
5. Когда вы начнете заниматься наукой о данных в ранние студенческие годы, вам будет легче написать историю своей карьеры:
Когда вы начинаете карьеру, у вас есть большая свобода решать, какой работой вы хотите заниматься. В студенческие годы вы должны пробовать разные вещи в жизни и решать свое будущее, поэтому никто не будет винить вас, если вы изучаете, например, психологию, а затем захотите переключиться на науку о данных. Однако, когда вы подаете заявку на вакансию в области науки о данных с некоторым опытом в некоторых других областях, становится все труднее убедить ваших будущих работодателей, почему вы меняете свою карьеру, потому что этот сценарий вызывает беспокойство по поводу ваших прошлых результатов для многих потенциальных работодателей. Хотя многие работодатели по-прежнему открыто относятся к смене карьеры, не все такие люди, и это снижает ваши шансы на конкурентном рынке труда. Если вы, например, начинаете как финансовый эксперт, а затем хотите переключиться на науку о данных, вам становится все труднее рассказать убедительную историю о своей карьерной траектории. Во время собеседования в качестве лица, меняющего карьеру, вы должны иметь идеальный рассказ о своей карьере, который убедит работодателей. Таким образом, если вы начнете заранее планировать свой переход в науку о данных, это избавит вас от всех хлопот, которые вам придется пройти при смене карьеры.
Ваше полезное сообщение:
В общем, дополнительные усилия по обучению навыкам работы с данными или прохождение стажировки параллельно с учебой принесут гораздо больше пользы, если вы сделаете это параллельно с работой на полную ставку спустя годы. Помните, что получение работы в области науки о данных никогда не сводится к сокращению пути, а в основном к упорной работе, изучению многих новых технологий и получению реального отраслевого опыта посредством стажировок / работы с частичной занятостью. Чтобы добиться больших результатов и воплотить в жизнь свои карьерные мечты, требуются «масштабные действия». Начните карьеру в самом начале, если вы серьезно относитесь к карьере в области науки о данных, и вскоре вы увидите, что все ваши усилия окупятся. Рекрутеры будут за вами, и вам будет намного проще проводить собеседования и предложения, чем вы думаете.
Мои последние слова для опытных профессионалов, которые рассматривают возможность смены карьеры в сторону науки о данных. В этой статье я не имел в виду, что нельзя делать карьеру в области науки о данных. Я только что упомянул, что гораздо легче сформировать карьерную траекторию, если они планируют карьеру в студенческие годы и действуют в соответствии с ней. Однако, если вы уже являетесь профессионалом отрасли, заинтересованным в смене карьеры в области науки о данных, вы можете достичь своих целей, предприняв в их отношении масштабные меры. Опять же, в жизни нет ярлыка; вы должны пойти на жертвы и потратить часы, чтобы изучить новые навыки, пообщаться с потенциальными работодателями, продемонстрировать им свои навыки и способность выполнять работу и получить работу своей мечты.
Еще статьи от автора:
Об авторе:
Пуян Р. Фард - генеральный директор и главный специалист по анализу данных в Fard Consulting. Пуян имеет многолетний опыт консультирования компаний, от стартапов до глобальных корпораций, в области науки о данных, искусственного интеллекта и маркетинговой аналитики. Он сотрудничал с компаниями из списка Fortune 500 в фармацевтической, автомобильной, авиационной, транспортной, финансовой, страховой, кадровой отраслях, а также в сфере продаж и маркетинга.
Пуян также активно занимается наставничеством стартапов и соискателей, работающих в индустрии больших данных. Его страсть состоит в том, чтобы воспитывать следующее поколение специалистов по обработке данных путем профессионального обучения и помогать им находить лучшие возможности трудоустройства в области науки о данных.
Пуян защитил докторскую диссертацию. исследовательская работа по прогнозному моделированию принятия решений потребителями и по-прежнему заинтересована в разработке современных решений в области машинного обучения и искусственного интеллекта.
