सामग्री
- शैक्षणिक फाउंडेशन तयार करणे: तीन प्राथमिक टीपा
- अभ्यासक्रमांपेक्षा अधिक: आणखी दोन टिपा
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- आपल्या टूलबॉक्समधून कोणते साधन घ्यावे हे जाणून घ्या: वक्र पुढे रहाण्यासाठी टिप
- अत्यावश्यक सॉफ्ट स्किल: आणखी सहा टिपा
- डेटा डझन
स्रोत: आर्टिंस्पायरिंग / ड्रीमस्टाइम.कॉम
टेकवे:
डेटा शास्त्रज्ञांना निश्चितपणे मजबूत गणित आणि कोडिंग कौशल्यांची आवश्यकता आहे, परंतु संप्रेषण आणि इतर मऊ कौशल्ये देखील यशस्वी होण्यासाठी आवश्यक आहेत.
ग्लासडरवर अमेरिकेत 2019 साठी डेटा वैज्ञानिक सर्वात उत्कृष्ट नोकरीसाठी स्थान आहे. Base १००,००० च्या मध्यम बेस पगारासह आणि satisfaction पैकी 3.3 च्या नोकरीच्या समाधानासह, तसेच अंदाजे उघड्या संख्येने आश्चर्य व्यक्त केले जाऊ शकत नाही. प्रश्न असा आहे: या नोकरीसाठी पात्र होण्यासाठी एखाद्याला ट्रॅकवर जाण्यासाठी काय करावे लागेल?
शोधण्यासाठी, आम्ही या करियरच्या मार्गावर जाण्याचा प्रयत्न करणार्यांना देण्यात आलेल्या सल्ल्याकडे लक्ष दिले. कोडिंग आणि गणितातील कठोर कौशल्ये बरेच आहेत. परंतु केवळ तीच मजबूत गणना ही कापत नाही. यशस्वी डेटा वैज्ञानिकांना व्यावसायिक लोकांशी त्यांच्या स्वत: च्या अटींवर बोलण्यास सक्षम असणे देखील आवश्यक आहे, जे मऊ कौशल्य आणि नेतृत्वाशी संबंधित क्षमतांसाठी कॉल करते. (डेटा वैज्ञानिकांच्या कर्तव्यांबद्दल अधिक जाणून घेण्यासाठी जॉब रोलः डेटा सायंटिस्ट पहा.)
शैक्षणिक फाउंडेशन तयार करणे: तीन प्राथमिक टीपा
न्यूयॉर्क डेटा सायन्स Academyकॅडमीतील डेटा वैज्ञानिक, ड्रॅस झान यांनी शैक्षणिक पाया आवश्यक असण्यावर भर दिला ज्यामध्ये कोडींग आणि गणिताची क्षमता आवश्यक आहे:
- आर / पायथन + एस क्यू एल. आपल्याकडे कोडिंग कौशल्ये नसल्यास, ही तूट भरून काढण्यासाठी आपल्याकडे बरीच नेटवर्किंग शक्ती आणि इतर क्षेत्रांची आवश्यकता आहे. मी कमकुवत गणित आणि थोडे डोमेन अनुभव असलेले डेटा वैज्ञानिक पाहिले आहे परंतु ते नेहमी कोड करण्याच्या मजबूत क्षमतेद्वारे चालते. पायथन आदर्श आहे परंतु आर हे एक उत्तम फॉल बॅक टूल आहे. तुमच्या शस्त्रागारात ठेवणे चांगले. डेटा विश्लेषकांसाठी एसक्यूएल देखील अत्यंत महत्वाचे आहे.
- मजबूत गणिताची कौशल्ये. सामान्यत: वापरल्या जाणार्‍या काही पद्धतींबद्दल फार चांगले समजणे: सामान्यीकृत रेषीय मॉडेल्स, निर्णय वृक्ष, के-इन्स आणि सांख्यिकीय चाचण्या आरएनएनसारख्या विविध मॉडेल्स किंवा स्पेशलायझेशनचे विस्तृत चित्र असण्यापेक्षा चांगले आहे.
त्या तयार करण्याची केंद्रीय कौशल्ये आहेत, जरी काही तज्ञ त्यांच्यात भर घालत आहेत. उदाहरणार्थ, केडीनगजेट्स यादीमध्ये झानने नमूद केलेले कोडिंग घटक समाविष्ट केले आहे आणि हडूप प्लॅटफॉर्म अपाचे स्पार्क, डेटा व्हिज्युअलायझेशन, अनस्ट्रक्टेड डेटा, मशीन लर्निंग आणि एआय या तांत्रिक बाबींवर जाणून घेण्यासाठी इतर काही उपयुक्त गोष्टी जोडल्या आहेत.
परंतु जर आपण काग्गल सर्वेक्षणानुसार वास्तविक जीवनात वापरासाठी वापरल्या जाणार्‍या सर्वात सामान्यत: वापरल्या जाणार्‍या साधनांवरील सर्वेक्षणातून आमचे संकेत घेतले तर आपल्याला काही वेगळे परिणाम मिळतात. खाली दिलेल्या १ choices निवडींच्या ग्राफमधून तुम्ही पाहु शकता, पायथन, आर आणि एस क्यू एल सहजपणे वरच्या तीन बनवतात, परंतु चौथे म्हणजे ज्युपिटर नोटबुक, त्यानंतर टेन्सरफ्लो, Amazonमेझॉन वेब सर्व्हिसेस, युनिक्स शेल, झांकी, सी / सी ++, नोएसक्यूएल , मॅटलाब / ऑक्टाव्ह आणि जावा, सर्व हडूप आणि स्पार्कच्या पुढे. लोकांना आणखी आश्चर्यचकित करणारे आणखी एक भर म्हणजे मायक्रोसॉफ्टची एक्सेल डेटा मायनिंग.
कागले यांच्या सौजन्याने प्रतिमा
केडीनूगेट्स यादीमध्ये औपचारिक शिक्षणासंदर्भातील टिप देखील समाविष्ट आहे. बर्‍याच डेटा शास्त्रज्ञांकडे प्रगत डिग्री असते: 46 टक्के लोकांकडे पीएचडी असते आणि 88 टक्के लोकांमध्ये कमीतकमी पदव्युत्तर पदवी असते. त्यांच्याकडे असलेल्या पदवीपूर्व डिग्री सामान्यत: संबंधित भागात विभागल्या जातात. सुमारे एक तृतीयांश गणित आणि आकडेवारीत आहेत, जे या करिअर ट्रॅकसाठी सर्वात लोकप्रिय आहे. त्यानंतरची सर्वात लोकप्रिय म्हणजे संगणक विज्ञान पदवी, १ by टक्के आणि अभियांत्रिकीची १ 16 टक्के निवड. अर्थात, डेटा सायन्सशी संबंधित विशिष्ट तांत्रिक साधनांचा अभ्यास बहुधा डिग्री प्रोग्राममध्ये केला जात नाही परंतु विशेष बूट कॅम्पमध्ये किंवा ऑनलाइन कोर्सद्वारे केला जातो.
अभ्यासक्रमांपेक्षा अधिक: आणखी दोन टिपा
वेल कॉर्नेल मेडिसिनमधील पल्मोनरी डिपार्टमेंटचे रिसर्च असिस्टंट आणि एनवायसी डेटा सायन्स Academyकॅडमीतील विद्यार्थी, हँक यून इच्छुक डेटा शास्त्रज्ञांना सल्ला देतात की ते कशावर कार्य करतील याबद्दल सल्लामसलत करा आणि मार्गदर्शक शोधा. तो म्हणाला:
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
आपल्याला डेटा विज्ञान माहित आहे हे स्वत: ला सांगून मी केलेली चूक करू नका कारण आपण अभ्यासक्रम घेतला आणि प्रमाणपत्र प्राप्त केले. ही एक चांगली सुरुवात आहे, परंतु जेव्हा आपण अभ्यास करण्यास प्रारंभ करता तेव्हा मनात असलेल्या प्रोजेक्टसह जा. मग या क्षेत्रात एक मार्गदर्शक शोधा आणि लगेचच एक उत्कटता प्रकल्प सुरू करा! जेव्हा आपण ताजे असता, आपल्याला काय माहित नसते हे आपल्याला माहित नसते जेणेकरून कोणी आपल्यासाठी जे महत्वाचे आहे आणि जे काय नाही त्याचे मार्गदर्शन करण्यासाठी तेथे असते तेव्हा मदत करते. आपण हे दर्शविण्यासाठी काहीही नसल्यामुळे बराच वेळ अभ्यासात घालवू इच्छित नाही!
आपल्या टूलबॉक्समधून कोणते साधन घ्यावे हे जाणून घ्या: वक्र पुढे रहाण्यासाठी टिप
डेटा सायन्स टूल्सच्या रँकिंगमध्ये असमानता लक्षात घेता, काहीजण कशावर लक्ष केंद्रित करावेत याबद्दल आश्चर्यचकित होऊ शकतात. सुरक्षा सॉफ्टवेअर कंपनी मॅकॅफीचे मुख्य डेटा वैज्ञानिक सेलेस्टे फ्रॅलिक यांनी सीआयओच्या लेखात या विषयावर लक्ष वेधले आहे, ज्यात असे म्हटले आहे की “डेटा वैज्ञानिकांना संशोधनात वक्र समोर राहण्याची गरज आहे, तसेच कोणते तंत्रज्ञान वापरावे ते समजून घ्या. ”याचा अर्थ असा आहे की“ 'सेक्सी' आणि नवीनची मोह नसणे, जेव्हा वास्तविक समस्या येते तेव्हा त्यास मिलची अधिक धावण्याची आवश्यकता असते. "परिसंस्था, अर्थ लावणे, विलंबता, बँडविड्थ आणि अन्य सिस्टम सीमारेटीच्या परिस्थितीबद्दल संगणकाच्या किंमतीबद्दल जागरूक असणे - तसेच ग्राहकांची परिपक्वता - कोणते तंत्रज्ञान वापरावे हे डेटा वैज्ञानिकांना समजण्यास मदत करते."
अत्यावश्यक सॉफ्ट स्किल: आणखी सहा टिपा
फ्रॅलीकने आणलेला मुद्दा डेटा सायंटिस्ट जॉबसाठी आवश्यक असलेल्या नॉनटेक्निकल कौशल्याशी संबंधित आहे. म्हणूनच केडीनगजेट्स यादीमध्ये हे चार समाविष्ट आहेतः बौद्धिक उत्सुकता, कार्यसंघ, संप्रेषण कौशल्य आणि व्यवसाय कौशल्य. झॅनने डेटा वैज्ञानिकांकरिता असलेल्या आपल्या टीपांमध्ये मुख्य सौम्य कौशल्यांचा समावेश केला, केडीनुगेट्स सारख्या “संप्रेषण कौशल्ये” ओळखल्या, परंतु “व्यवसाय कौशल्य” च्या जागी “डोमेन कौशल्य” वापरुन ते जे म्हटले जाते, ते डेटा सायन्सच्या व्यावहारिक अनुप्रयोगाचा संदर्भ देते व्यवसाय (संप्रेषण कौशल्यांबद्दल अधिक जाणून घेण्यासाठी तांत्रिक व्यावसायिकांसाठी संप्रेषण कौशल्याचे महत्त्व पहा.)
ऑलिव्हिया पार-रुड यांनी यावर स्वत: ची फिरकी ऑफर केली आणि सर्जनशीलताच्या भूमिकेवर भर देऊन आणखी दोन मस्त कौशल्यांची भर घालत त्यांनी असे प्रतिपादन केले की, “मी डेटा सायन्सला एक विज्ञान म्हणून एक कला म्हणून विचार करतो,” असे काहीतरी जे रेखांकन आवश्यक आहे मेंदूत दोन्ही बाजूंच्या सामर्थ्य. “बरेच लोक डेटा सायन्स बद्दल करिअर म्हणून बोलतात जे प्रामुख्याने डाव्या मेंदूचा वापर करतात. मला आढळले आहे की यशस्वी होण्यासाठी डेटा वैज्ञानिकांनी त्यांचा संपूर्ण मेंदू वापरला पाहिजे. ”
तिने स्पष्ट केले की क्षेत्रात प्रगती करण्यासाठी केवळ तांत्रिक क्षमता नाही तर सर्जनशीलता आणि नेतृत्वासाठी आवश्यक दृष्टी आवश्यक आहे:
बहुतेक डाव्या-मेंदूत / रेखीय कार्ये स्वयंचलित किंवा आउट-सोर्स केली जाऊ शकतात. डेटा वैज्ञानिक म्हणून एक स्पर्धात्मक धार ऑफर करण्यासाठी, आपण आपल्या मेंदूतल्या दोन्ही बाजूंचा वापर करुन नमुने ओळखण्यास आणि मोठ्या प्रमाणात माहितीचे संश्लेषण करण्यास सक्षम असणे आवश्यक आहे. आणि आपण अभिनव विचारवंत असलेच पाहिजे. डाव्या आणि उजव्या मेंदूत एकत्रिकरणामुळे बरेचसे चांगले निकाल प्राप्त होतात.
दृष्टी स्पष्टपणे सांगणे का आवश्यक आहे यावरही तिने भर दिला:
डेटा शास्त्रज्ञ म्हणून, आमचे लक्ष्य आमच्या ग्राहकांना त्यांचा नफा वाढविण्यात मदत करण्यासाठी डेटाचा वापर करणे आहे. आम्ही काय करतो किंवा आम्ही ते कसे करतो हे बहुतेक अधिकार्‍यांना समजत नाही. म्हणून आम्हाला नेत्यांसारखा विचार करण्याची आणि आमचे हितधारक समजून घेणार्‍या आणि विश्वास असलेल्या भाषेत आमचे शोध आणि शिफारसी संवाद साधण्याची आवश्यकता आहे.
डेटा डझन
मुख्य टिप्समध्ये मोठ्या संख्येने तांत्रिक साधने, कौशल्ये आणि क्षमता तसेच सर्जनशीलता आणि नेतृत्त्वासाठी योग्यता यासारखे कमी प्रमाणात गुण समाविष्ट केले जातात. शेवटी, हा फक्त एक नंबर गेम नाही. डेटा विज्ञान हे केवळ व्हॅक्यूममध्ये मॉडेल तयार करण्याबद्दल नसून व्यवसायांसाठी वास्तविक जीवनातील अडचणी सोडविण्यासाठी व्यावहारिक अनुप्रयोग घेऊन येत आहे, जे या क्षेत्रात यशस्वी होतील त्यांना फक्त मास्टर तंत्रज्ञानाची आवश्यकता नाही परंतु त्यांचे व्यवसाय डोमेन माहित असणे आणि त्यांच्या गरजा समजून घेणे आवश्यक आहे कार्यस्थळी असलेल्या संघाचे विविध सदस्य.