Sisältö
- Koulutussäätiön rakentaminen: kolme ensisijaista vinkkiä
- Enemmän kuin kursseja: Kaksi muuta vinkkiä
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- Tiedät, minkä työkalun haluat poistaa työkalupakistostasi: Vihje pysyäksesi eteenpäin käyrässä
- Välttämättömät pehmeät taidot: vielä kuusi vinkkiä
- Data-tusina
Lähde: Artinspiring / Dreamstime.com
Ottaa mukaan:
Tietotieteilijät tarvitsevat selvästi vahvat matematiikka- ja koodaustaidot, mutta myös viestintä ja muut pehmeät taidot ovat välttämättömiä menestykseen.
Tietotieteilijä on vuoden 2019 paras työpaikka Amerikassa Glassdoorilla. Kun mediaani peruspalkka on 108 000 dollaria ja työtyytyväisyysaste 4,3 viidestä, plus ennustettu kohtuullinen määrä avauksia, tämä ei ole yllättävää. Kysymys on: Mitä täytyy tehdä päästäkseen tielle saadakseen tämän työn?
Selvittääksemme etsimme neuvoja niille, jotka haluavat päästä tälle urapolulle. Paljon laskee kovat koodaus- ja matemaattiset taidot. Mutta se vahva laskenta yksin ei leikkaa sitä. Menestyvien tietotieteilijöiden on myös kyettävä puhumaan liikemiehille omilla ehdoillaan, mikä vaatii pehmeisiin taitoihin ja johtajuuteen liittyviä kykyjä. (Lisätietoja tietotieteilijän tehtävistä on artikkelissa Job Role: Data Scientist.)
Koulutussäätiön rakentaminen: kolme ensisijaista vinkkiä
Drace Zhan, NYC: n Data Science Academy -tietotieteilijä, korostaa tarvetta koulutukselliselle säätiölle, joka sisältää koodauksen ja matematiikan kyvyt:
- R / Python + SQL. Jos sinulla ei ole koodaustaitoja, tarvitset paljon verkottumisvoimaa ja muita aloja tämän puutteen korjaamiseksi. Olen nähnyt tietotekijöitä, joilla on heikko matematiikka ja joilla on vähän verkkotunnuksen kokemusta, mutta heillä on aina ollut vahva kyky koodata. Python on ihanteellinen, mutta R on hieno varmuuskopiointityökalu. On parasta, että molemmat ovat arsenaalissasi. SQL on myös erittäin tärkeä data-analyytikolle.
- Vahvat matemaattiset taidot. Joidenkin yleisesti käytettyjen menetelmien ymmärtäminen: yleiset lineaariset mallit, päätöksentekopuu, K-keinot ja tilastolliset testit ovat parempia kuin laaja kuva eri malleista tai erikoistumisista, kuten RNN.
Ne ovat keskeisiä taitoja rakentaa, vaikka jotkut asiantuntijat lisäävät niitä. Esimerkiksi KDnuggets-luettelo sisältää koodauskomponentit, jotka Zhan mainitsi, ja lisää joitain muita hyödyllisiä asioita, joita tekninen puoli tietää, kuten Hadoop-alusta Apache Spark, tietojen visualisointi, jäsentämätön tieto, koneoppiminen ja AI.
Mutta jos otamme näkemykset yleisimmin käytetyistä työkaluista tehdyssä tutkimuksessa, jonka Kaggle-tutkimus on tunnistanut tosielämässä, saamme jonkin verran erilaisia tuloksia. Kuten alla olevasta 15 parhaan vaihtoehdon kaaviosta voit nähdä, Python, R ja SQL tekevät helposti kolmesta parhaasta, mutta neljäs on Jupyter-kannettavat, joita seuraavat TensorFlow, Amazon Web Services, Unix-kuori, Tableau, C / C ++, NoSQL , MATLAB / Oktaavi ja Java, kaikki Hadoopin ja Sparkin edessä. Vielä yksi lisäys, joka voi yllättää ihmiset, on Microsoftin Excel Data Mining.
Kuva: Kaggle
KDnuggets-luettelossa on myös kärki muodollisesta koulutuksesta. Useimmilla tiedemiesillä on syventävät tutkinnot: 46 prosentilla on tohtorin tutkinto ja 88 prosentilla vähintään maisterin tutkinto. Heillä olevat perustutkinto-tutkinnot jaetaan yleensä toisiinsa liittyvillä alueilla. Noin kolmasosa on matematiikassa ja tilastoinnissa, mikä on suosituin tällä urapolulla. Seuraavaksi suosituin on tietotekniikan tutkinto, jonka hallussa on 19 prosenttia, ja tekniikan korkeakoulututkinto, valinta on 16 prosenttia. Tietysti tietotekniikan erityisiä teknisiä välineitä ei usein tutkita tutkinto-ohjelmissa, vaan erikoistuneilla käynnistysleireillä tai verkkokursseilla.
Enemmän kuin kursseja: Kaksi muuta vinkkiä
Hank Yun, Weill Cornell Medicine -sydämen keuhkojen osaston tutkimusassistentti ja NYC Data Science Academy -opiskelija, neuvoo pyrkiviä data-tutkijoita suunnittelemaan, mihin he työskentelevät, ja löytämään mentorin. Hän sanoi:
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
Älä tee virhettä, jonka tein sanomalla itsellesi, että tunnet tietotekniikan, koska olet käynyt kurssilla ja saanut todistuksen. Se on hieno alku, mutta kun aloitat opiskelemisen, mene projektin mielessä. Löydä sitten mentori kentältä ja aloita intohimohanke heti! Kun olet tuore, et tiedä mitä et tiedä, joten se auttaa, kun joku on paikalla ohjaamaan sinua siihen, mikä on sinulle tärkeää ja mikä ei. Et halua viettää paljon aikaa opiskeluun ilman mitään osoittaa sitä!
Tiedät, minkä työkalun haluat poistaa työkalupakistostasi: Vihje pysyäksesi eteenpäin käyrässä
Tietoteknisten työkalujen sijoittelun erojen vuoksi jotkut saattavat tuntea olevansa hämmentyneitä siitä, mihin keskittyä. Celeste Fralick, tietoturvaohjelmistoyrityksen McAfeen päätietotieteilijä, käsittelee asiaa CIO-artikkelissa, jossa tarkastellaan tietoteknikon olennaisia taitoja ja julistetaan: ”Tietotekijän on pysyttävä käyrän edessä tutkimuksessa ja ymmärrä, mitä tekniikkaa on käytettävä. "Tämä tarkoittaa sitä, että" seksikäs "ja uusi, kun todellinen ongelma ei houkuttele sinua, vaatii jotain paljon parempaa. "Tietoisuus ekosysteemin laskennallisista kustannuksista, tulkittavuudesta, viiveestä, kaistanleveydestä ja muista järjestelmän rajaolosuhteista - samoin kuin asiakkaan kypsyysaste - auttaa itsestään tietotekijöitä ymmärtämään, mitä tekniikkaa käytetään."
Välttämättömät pehmeät taidot: vielä kuusi vinkkiä
Kohta, jonka Fralick esittelee, liittyy ei-teknisiin taitoihin, joita tietojen tutkijan työ vaatii. Siksi KDnuggets-luettelo sisältää nämä neljä: älyllinen uteliaisuus, tiimityö, viestintätaidot ja liiketoimintaosaaminen. Zhan sisälsi myös keskeiset pehmeät taidot tietotieteilijöille tarkoitettuihin vinkkeihinsä, jotka tunnistivat ”kommunikaatiotaidot” kuten KDnuggets, mutta käyttivät ”verkkotunnuksen asiantuntemusta” ”liiketoimintakyvyn” sijasta. Mitä tahansa kutsutaan, se viittaa tietojenkäsittelyn käytännön soveltamiseen liiketoimintaa. (Lisätietoja viestintätaitoista on ohjeaiheessa Viestintätaitojen merkitys teknisille ammattilaisille.)
Olivia Parr-Rud tarjosi oman spininsä tähän, lisäämällä vielä kaksi pehmeää taitoa, painottaen luovuuden roolia ja väittäen: ”ajattelen datatiedettä taiteesta yhtä paljon kuin tiedettä”, jotain, joka vaatii piirtämistä aivojen molemmin puolin vahvuudet. ”Monet ihmiset puhuvat datatieteestä uralta, joka käyttää pääasiassa vasenta ajua. Olen huomannut, että menestyäkseen tiedemiesten on käytettävä koko aivoaan. "
Hän selitti, että eteneminen kentällä ei edellytä vain teknistä pätevyyttä, vaan luovuutta ja johtamiseen tarvittavaa visiota:
Useimmat vasemman aivon / lineaariset tehtävät voidaan automatisoida tai ulkoistaa. Jotta voimme tarjota kilpailuetua datan tutkijoina, meidän on kyettävä tunnistamaan kuviot ja syntetisoimaan suuret määrät tietoa aivojemme molemmin puolin. Ja meidän on oltava innovatiivisia ajattelijoita. Monet parhaimmista tuloksista johtuvat vasemman ja oikean aivojen integroitumisesta.
Hän painotti myös sitä, miksi vision viestintä on selvästi välttämätöntä:
Tietotekijöinä tavoitteena on käyttää tietoja auttaaksemme asiakkaitamme kasvattamaan voittojaan. Useimmat avainhenkilöt eivät ymmärrä mitä teemme tai miten teemme sen. Joten meidän on ajateltava johtajien tavoin ja toimitettava havainnot ja suositukset kielellä, jota sidosryhmät ymmärtävät ja luottavat.
Data-tusina
Tärkeimmät vinkit sisältävät suuremman määrän teknisiä työkaluja, taitoja ja kykyjä sekä vähemmän kvantitatiivisesti ilmaistavia ominaisuuksia, kuten luovuus- ja johtamiskyky. Viime kädessä se ei ole vain numeropeli. Koska tietojenkäsittely ei ole vain mallien luomista tyhjiössä, vaan keksimistä käytännöllisistä sovelluksista yritysten todellisen elämän ongelmien ratkaisemiseksi, alan menestyvien on paitsi tekniikan hallitseminen myös tunnettava liiketoiminta-alue ja ymmärrettävä ryhmän eri jäsenet työssä.