Садржај
- Изградња образовне фондације: Три основна савета
- Више од курсева: Још два савета
- Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
- Знајући који алат треба да узмете из алата: Савет да останете испред кривуље
- Основне меке вештине: Још шест савета
- Дозен података
Извор: Артинспиринг / Дреамстиме.цом
Одузети:
Научницима података очигледно су потребне јаке вештине математике и кодирања, али комуникација и друге меке вештине су такође кључне за успех.
Подаци научник сврстава се као најбољи посао за 2019. годину у Америци на Глассдоор-у. С просечном основном платом од 108.000 УСД и рангом задовољства послом од 4,3 од 5, плус предвиђеним прилицним бројем отворених места, то и не чуди. Питање је: Шта треба учинити да бисте се квалификовали за овај посао?
Да бисмо то сазнали, потражили смо савет који је дат онима који желе да се упусте у овај пут каријере. Много се своди на тешке вештине кодирања и математике. Али само снажно рачунање то не смањује. Успешни научници са подацима такође морају бити у стању да самостално разговарају са пословним људима, што захтева могућности повезане са меким вештинама и лидерством. (Да бисте сазнали више о дужностима научника за податке, погледајте Јоб Роле: Дата Сциентист.)
Изградња образовне фондације: Три основна савета
Драце Зхан, научница за податке са НИЦ Академије података о науци, наглашава потребу за образовном основом која укључује основе кодирања и математичких способности:
- Р / Питхон + СКЛ. Ако немате вештине кодирања, треба вам много снаге за умрежавање и друга подручја да бисте побољшали овај дефицит. Видео сам научнике података са слабим математичким и мало домена искуства, али увек их је носила снажна способност да кодирају. Питхон је идеалан, али Р је сјајно средство за поврат. Најбоље је имати обоје у свом арсеналу. СКЛ је такође изузетно важан за аналитичара података.
- Снажне математичке вештине. Имати добро разумевање неколико најчешће коришћених метода: генерализовани линеарни модели, стабло одлука, К-средства и статистички тестови је боље него имати широку слику различитих модела или специјализације као што је РНН.
То су централне вештине за надоградњу, мада им то додају и неки стручњаци. На пример, листа КДнуггетс укључује компоненте кодирања које је Зхан споменуо и додаје неке друге корисне ствари које треба знати са техничке стране, укључујући Хадооп платформу Апацхе Спарк, визуализацију података, неструктуриране податке, машинско учење и АИ.
Али ако узмемо пажњу из анкете о најчешће кориштеним алатима које је у истраживању Каггле идентификовано за употребу у стварном животу, добићемо нешто другачије резултате. Као што можете видети из графикона 15 најбољих избора испод, Питхон, Р и СКЛ лако чине прва три, али четврти су Јупитер-ове свеске, затим ТенсорФлов, Амазон Веб Сервицес, Уник шкољка, Таблеау, Ц / Ц ++, НоСКЛ , МАТЛАБ / Оцтаве и Јава, све испред Хадоопа и Спарк-а. Још један додатак који може изненадити људе је Мицрософтов Екцел Дата Мининг.
Љубазност слике Кагглеа
Листа КДнуггетс такође садржи савет који се тиче формалног образовања. Већина научника са подацима поседује напредне дипломе: 46 процената има докторате, а 88 процената најмање магистериј. Преддипломске студије које посједују углавном су подијељене међу сродним областима. Отприлике трећина је математике и статистике, што је најпопуларније за овај пут у каријери. Следећи најпопуларнији је степен рачунарске науке, који држи 19 процената, и инжењерство, избор 16 процената. Наравно, техничка средства посебна за науку о подацима се често не проучавају у програмима дипломирања, већ на специјализованим камповима за покретање система или путем онлине курсева.
Више од курсева: Још два савета
Ханк Иун, асистент за истраживање плућног одељења на Веилл Цорнелл Медицине и студент на НИЦ Дата Сциенце Ацадеми, саветује почетнике који се баве подацима да планирају око тога на чему ће радити и наћи ментора. Рекао је:
Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Не можете побољшати своје програмирање кад никога није брига за квалитет софтвера.
Немојте погрешити што сам направила говорећи себи да знате науку о подацима јер сте похађали курс и добили сте сертификат. То је сјајан почетак, али када почнете да студирате, крените са пројектом на уму. Затим пронађите ментора на терену и одмах започните страствени пројекат! Када сте свежи, не знате шта не знате, па вам помаже када је неко ту да вас усмери у оно што вам је важно а шта није. Не желите да трошите пуно времена на учење без ичега да покажете!
Знајући који алат треба да узмете из алата: Савет да останете испред кривуље
С обзиром на неједнакост у рангирању алата за науку о подацима, неки ће се можда осећати збуњено због чега да се усредсреде. Целесте Фралицк, главна научница за податке компаније МцАфее за сигурносну софтверу, бавила се проблемом у чланку ЦИО-а који проучава суштинске вјештине научника података, изјављујући: „Научник података мора остати испред кривуље истраживања, као и схватите коју технологију треба применити. “То значи да вас не смеју„ секси “и нови, када је стварни проблем„ захтева нешто много више покретања млина. „Спознавање рачунарских трошкова за екосистем, интерпретабилност, латенција, ширина опсега и остали услови граница система - као и зрелост купца - само по себи помаже научнику података да схвати коју технологију треба да примењује.“
Основне меке вештине: Још шест савета
Поанта коју Фралицк износи односи се на нетехничке вештине које су потребне подацима научника података. Зато КДнуггетс листа укључује ове четири: интелектуалну радозналост, тимски рад, комуникацијске вештине и пословну оштрину. Зхан је такође укључио кључне меке вештине у своје савете научницима података, идентификујући „комуникационе вештине“ попут КДнуггетса, али користећи „експертизу о домену“ уместо „пословне оштрине“. Како год се то назива, односи се на практичну примену науке о подацима у посао. (Да бисте сазнали више о комуникацијским вештинама, погледајте Важност комуникацијских вештина за техничке стручњаке.)
Оливиа Парр-Руд понудила је своје знање о томе додајући још две меке вештине, са нагласком на улогу креативности, тврдећи, „Ја науку података мислим као уметност колико и науку“, нешто што захтева да се бавимо снаге обе стране мозга. „Многи говоре о науци о подацима као о каријери која првенствено користи леви мозак. Открио сам да научници са подацима морају да користе свој мозак да би били успешни. “
Објаснила је да за напредовање на терену није потребна само техничка способност, већ креативност и визија потребна за лидерство:
Већина задатака са левим мозгом / линеарним може бити аутоматизована или додавањем извора. Да бисмо могли да понудимо конкурентну предност као научници података, морамо бити у стању да препознамо обрасце и синтетишемо велике количине информација користећи обе стране нашег мозга. И морамо бити иновативни мислиоци. Многи од најбољих резултата резултат су интеграције левог и десног мозга.
Нагласила је и зашто је очигледно важно комуницирање о визији:
Као научници података, наш циљ је да користимо податке како бисмо помогли нашим клијентима да повећају зараду. Већина руководилаца не разуме шта ми радимо или како то радимо. Зато морамо размишљати као лидери и саопштавати своја открића и препоруке на језику који наши актери разумеју и којем верујемо.
Дозен података
Кључни савети укључују већи број техничких алата, вештина и способности, као и мање мерљиве квалитете попут способности за креативност и лидерство. На крају, то није само игра бројева. Како се наука података не ради само о креирању модела у вакууму већ и проналажењу практичних апликација за решавање стварних животних проблема за предузећа, они који успеју на том пољу морају не само да савладају технологију, већ да познају своју пословну домену и разумеју потребе различити чланови тима на послу.