Письмо
Личное обновление и две отраслевые тенденции
Речь идет о моей контентной стратегии на Medium и LinkedIn.
Обновлено 7 декабря 2021 г.
Привет!
Спасибо всем за чтение, аплодисменты, подписку, выделение и «частное упоминание» моей работы в Data Science. По-настоящему ценю помолвку. Последние несколько месяцев были определяющими в моей карьере, и все немного успокоилось. Я проведу пресс-конференцию в назначенный срок, чтобы вы, ребята, задали правильные вопросы. Если подумать, я опубликую 3000 сообщений в блоге, в которых задокументирован мой рост. Пока мы говорим, он у меня в ящике для черновиков.
Быстрое обновление: я публикую черновик сегодня, и вы можете прочитать мою историю перехода здесь:
Если вы подписаны на меня в Medium и LinkedIn, вы, вероятно, знаете, что я пишу на обеих платформах, и в последнее время я был более активен на последней. Основная причина в том, что обе платформы представляют собой разные аудитории и разные цели обучения. Medium - отличная платформа для изучения и развития глубоких знаний Data Science. В то же время LinkedIn хорошо подходит для профессионалов, позволяющих быстро заглянуть в сферу данных. Поэтому я дифференцировал свой стиль письма и стратегию разработки контента, чтобы приспособить их к соответствующим потребностям. Последние несколько месяцев это занимало у меня большую часть времени, и я наконец овладел им.
Что касается следующего шага, я продолжу писать длинные сообщения в блоге (›2 тыс. Слов) здесь и более короткие сообщения в LinkedIn . Что касается темы, я выбираю фундаментальную статистику, машинное обучение, экспериментирование, причинный вывод (например, рандомизированные контролируемые испытания, квазиэкспериментирование и методы наблюдения) и дизайн исследования.
Однако на этих двух платформах я буду рассматривать эти темы по-разному. Здесь я подробно остановлюсь на теории, развертывании кода и бизнес-приложении и дам как можно больше технических деталей. Таким образом, вы можете глубже понять тему и, если возможно, воспроизвести результаты, что и является моим намерением. Я не хочу, чтобы мои читатели чувствовали себя прекрасно после прочтения моих работ; Я тоже хочу, чтобы это было полезно.
Что касается сообщений LinkedIn, я сосредоточусь на кратких обзорах темы и сосредоточусь на ее влиянии на бизнес. В такой текст невозможно включить слишком много технических деталей. Положительным моментом является то, что он обновляется почти ежедневно, и вы получите базовое представление о нише. Если эта тема вызывает положительные эмоции, я расскажу об этом и сделаю запись в блоге здесь. Есть около 3–5 тем, например, чередование, многорукий бандит, контекстный бандит, обучение с подкреплением и допустимые показатели, которые я хочу подробно изучить.
Что нового в области науки о данных?
В мире данных произошли два последних события. Во-первых, отрасль становится все более и более ориентированной на инженерию, что стирает границу между специалистом по данным и инженером по данным. В моих прошлых интервью мне задавали вопросы о хешировании, манипулировании данными, ETL, рандомизации, развертывании модели и многих других мелочах о разработке. Эти две роли, специалист по данным и инженер по данным, должны тесно сотрудничать. Способность понимать другую сторону данных имеет решающее значение для любого из них.
Совет от профессионала:
Изучите статистику и аналитику, если хотите продолжить карьеру инженера;
Освойте ETL и рабочий процесс данных, если вы специалист по данным.
Во-вторых, индустрия сделала значительный прорыв в сочетании машинного обучения и причинного вывода, что для меня стало большим сюрпризом. Машинное обучение - это предсказание на основе корреляции, а причинный вывод - это причинно-следственная связь. Кажется, что между этими двумя полями почти нет перекрытия. Однако меня поправили недавние разработки в этой области, поскольку такие компании, как Microsoft, Uber и Booking.com, представили пакеты, сочетающие эти два поля. Я напишу еще по теме.
Забрать
Я обновил свою стратегию письма на Medium и LinkedIn с учетом целевой аудитории соответственно. Если еще не сделали, подпишитесь на LinkedIn. Не забудьте упомянуть: пришлите мне сообщение LinkedIn, если у вас есть какие-либо вопросы. Я хорошо реагирую на сообщения.
Кроме того, мир Data Science становится все более и более ориентированным на инженерию, и машинное обучение хорошо сочетается с причинным выводом.
Нравится читать это?
Также ознакомьтесь с другими моими сообщениями об искусственном интеллекте и машинном обучении.
