Kann Ich Als Frischgebackener Absolvent Einen Job Als Datenwissenschaftler Bekommen?

Kann Ich Als Frischgebackener Absolvent Einen Job Als Datenwissenschaftler Bekommen?

February 4, 2023, by Torsten Saudek, Arbeit

Jawohl.

Bei der Datenwissenschaft geht es darum, Daten zu sammeln, um Lösungen für Geschäftsprobleme zu finden

Wenn Sie über die richtigen Fähigkeiten verfügen, können Sie Ihre Data-Science-Karriere ohne Vorkenntnisse starten.

Bevor Sie beginnen, stellen Sie sich jedoch die folgenden Fragen:

  • Warum sollte ein Unternehmen Sie als Frischling einstellen?
  • Was wissen Sie und was müssen Sie noch über den Bereich Data Science wissen?
  • Wie können Sie sich von der Masse abheben?

Der nächste Schritt besteht darin, die notwendigen Fähigkeiten zu erwerben, die für einen Datenwissenschaftler erforderlich sind.

Sehen Sie sich das folgende Video an, um zu erfahren, wie Sie eine Karriere in der Datenwissenschaft beginnen können.

Weiterlesen

Jawohl.

Bei der Datenwissenschaft geht es darum, Daten zu sammeln, um Lösungen für Geschäftsprobleme zu finden

Wenn Sie über die richtigen Fähigkeiten verfügen, können Sie Ihre Data-Science-Karriere ohne Vorkenntnisse starten.

Bevor Sie beginnen, stellen Sie sich jedoch die folgenden Fragen:

  • Warum sollte ein Unternehmen Sie als Frischling einstellen?
  • Was wissen Sie und was müssen Sie noch über den Bereich Data Science wissen?
  • Wie können Sie sich von der Masse abheben?

Der nächste Schritt besteht darin, die notwendigen Fähigkeiten zu erwerben, die für einen Datenwissenschaftler erforderlich sind.

Sehen Sie sich das folgende Video an, um zu erfahren, wie Sie eine Karriere in der Datenwissenschaft beginnen können.

  • Beherrschung der Mathematik ist im Bereich Data Science sehr wichtig. Machen Sie sich außerdem mit Statistik und Wahrscheinlichkeitstheorie vertraut
  • Lernen Sie Python und R, da dies die beiden entscheidenden Programmiersprachen sind, die für den Start Ihrer Karriere in diesem Bereich hilfreich sein werden
  • Sie müssen über hervorragende Kommunikations- und Präsentationsfähigkeiten verfügen.
  • Liebe zum Detail und Fähigkeiten zur Problemlösung
  • Üben Sie mit einer Problemstellung in Echtzeit. Je mehr Sie üben, desto mehr Erfahrung und Selbstvertrauen gewinnen Sie. Nehmen Sie an Hackathons teil, um zu erfahren, wo Sie in diesem Wettbewerbsbereich stehen
  • Verbinden Sie sich mit einigen der führenden Unternehmen der Branche

Neben dem Erwerb der oben genannten Fähigkeiten müssen Sie die neuesten Trends in diesem Bereich kennen, um sich von der Masse abzuheben.

Alles Gute!!!

Ja - aber die Chancen, einen Job zu bekommen, liegen bei etwa 10 %, basierend auf meiner Recherche von über 100 Stellenangeboten.

Verstehen Sie zunächst die erforderlichen Fähigkeiten für einen Data Scientist. Ich habe dies in einem Bild unten zusammengefasst.

Wenn ein Studienanfänger über diese Fähigkeiten verfügt und diese Fähigkeiten in seinem Projektportfolio unter Beweis gestellt hat, hat er viel bessere Chancen.

Auf der anderen Seite, wenn ein Studienanfänger diese Qualifikationen mit größerer Wahrscheinlichkeit hat, werden sie sogar leicht durchkommen.

  • Statistischer Hintergrund / Quantitativer Hintergrund / Ingenieurwesen - Informatik und verwandte Bereiche wie Operations Research
  • Sind von erstklassigen Instituten wie ich
Weiterlesen

Ja - aber die Chancen, einen Job zu bekommen, liegen bei etwa 10 %, basierend auf meiner Recherche von über 100 Stellenangeboten.

Verstehen Sie zunächst die erforderlichen Fähigkeiten für einen Data Scientist. Ich habe dies in einem Bild unten zusammengefasst.

Wenn ein Studienanfänger über diese Fähigkeiten verfügt und diese Fähigkeiten in seinem Projektportfolio unter Beweis gestellt hat, hat er viel bessere Chancen.

Auf der anderen Seite, wenn ein Studienanfänger diese Qualifikationen mit größerer Wahrscheinlichkeit hat, werden sie sogar leicht durchkommen.

  • Statistischer Hintergrund / Quantitativer Hintergrund / Ingenieurwesen - Informatik und verwandte Bereiche wie Operations Research
  • Sind von erstklassigen Instituten wie IIT/IIM/NIT (Indian Top Institutes)

Wenn Sie ein Neuling sind, würde ich vorschlagen, dass Sie auf zwei Wegen in den Job eines Datenwissenschaftlers einsteigen

  • Beginnen Sie zunächst als Datenanalyst und sammeln Sie 2–3 Jahre Erfahrung. Wechseln Sie dann zur Position des Datenwissenschaftlers, nachdem Sie die oben genannten Fähigkeiten erworben haben
  • Steigen Sie als Dateningenieur ein, sammeln Sie 2–3 Jahre Erfahrung und wechseln Sie dann in die Position eines Datenwissenschaftlers.

Ich habe Freunde, die beide Wege gegangen sind.

Eine Abkürzung könnte sein, bei Hackathons gut zu werden und einen Hackathon zu gewinnen. Ich kenne eine Person, die einen Hackathon gewonnen hat und jetzt als Data Scientist in einem Elektronikunternehmen angestellt ist.

Hoffe diese Antwort hilft!

Jawohl . Du kannst. Aber es ist ziemlich schwierig. Führen Sie gute Projekte in Data Science durch, nehmen Sie an Hackathons teil und lernen Sie weiter von Edx, Coursera.

Jetzt die wichtigste Frage. Müssen Sie sich einem Ausbildungsinstitut anschließen?

Ich denke, das solltest du nicht. Wenn Sie viel Geld haben, können Sie wählen und die Ergebnisse sehen. Aber glauben Sie mir, Sie werden von den weltbesten Professoren in Online-Kursen und Edx-Kursen unterrichtet. Lassen Sie sich nicht von diesen Ausbildungsinstituten täuschen. Die meisten davon kassieren nur vom Data-Science-Hype.

Wenn Sie wissen wollen, was ich getan habe …
Lesen Sie diesen Artikel

Wie man in Data Science Karriere macht

Wir haben gesehen, wie Frischlinge gute Pakete bekommen, nachdem sie verschiedene Technologien in Data Science, Big Data und Business Analytics gelernt haben. Irgendwann bekamen sie ein besseres Paket als Kandidaten, die die Technologien gelernt hatten und eine Erfahrung von 4 bis 7 Jahren in Programmierung, Datenbankverwaltung usw. hatten.

Das Erlernen von Technologien wie maschinelles Lernen, Verarbeitung natürlicher Sprache, R, Python, Hadoop, Apache Spark und BI-Tools wird Ihnen helfen, Ihre Karriere in der Datenwissenschaft zu starten.

Einen Job zu bekommen, hängt von der harten Arbeit und Hingabe ab, die Sie in das Erlernen dieser Technologien investieren.

Alles erdenklich Gute!

Grüße

Mann Pilla

Weiterlesen

Wir haben gesehen, wie Frischlinge gute Pakete bekommen, nachdem sie verschiedene Technologien in Data Science, Big Data und Business Analytics gelernt haben. Irgendwann bekamen sie ein besseres Paket als Kandidaten, die die Technologien gelernt hatten und eine Erfahrung von 4 bis 7 Jahren in Programmierung, Datenbankverwaltung usw. hatten.

Das Erlernen von Technologien wie maschinelles Lernen, Verarbeitung natürlicher Sprache, R, Python, Hadoop, Apache Spark und BI-Tools wird Ihnen helfen, Ihre Karriere in der Datenwissenschaft zu starten.

Einen Job zu bekommen, hängt von der harten Arbeit und Hingabe ab, die Sie in das Erlernen dieser Technologien investieren.

Alles erdenklich Gute!

Grüße

Manisch Pillai

8422970034

Ja, du kannst. Nehmen Sie an Hackathons teil, die in Analytics Vidhya, Hackerearth für Beschäftigungsmöglichkeiten, durchgeführt werden.

Bewerben Sie sich auch weiterhin für verschiedene Unternehmen über die Analytics Opportunities-Gruppe auf Facebook

Der richtige Weg ist, selbst zu lernen, indem man Dinge selbst tut. Denken Sie daran, dass es ein herausfordernder Weg ist und Sie irgendwann das Gefühl haben, aufzugeben, wenn es härter wird und einfach alles so schwer erscheint.

Aber ja, es gibt einen Weg. Ich gebe die Links. Es ist nicht zu viel Mathematik, sondern das, was Sie hauptsächlich in der Industrie brauchen.

Hinweis: Ich bin einem etwas anderen Weg gefolgt, aber jeder muss wählen, was zu ihm passt.

Lesen Sie zuerst meinen Artikel darüber, was maschinelles Lernen ist, und ob Sie verstehen können, was ich erklärt habe. Dies wird die Dinge klarer machen, bevor Sie Ihr Ziel festlegen. Wenn Sie nicht verstehen, was ich dort erklärt habe, bezweifle ich das

Weiterlesen

Der richtige Weg ist, selbst zu lernen, indem man Dinge selbst tut. Denken Sie daran, dass es ein herausfordernder Weg ist und Sie irgendwann das Gefühl haben, aufzugeben, wenn es härter wird und einfach alles so schwer erscheint.

Aber ja, es gibt einen Weg. Ich gebe die Links. Es ist nicht zu viel Mathematik, sondern das, was Sie hauptsächlich in der Industrie brauchen.

Hinweis: Ich bin einem etwas anderen Weg gefolgt, aber jeder muss wählen, was zu ihm passt.

Lesen Sie zuerst meinen Artikel darüber, was maschinelles Lernen ist, und ob Sie verstehen können, was ich erklärt habe. Dies wird die Dinge klarer machen, bevor Sie Ihr Ziel festlegen. Wenn Sie nicht verstehen, was ich dort erklärt habe, bezweifle ich, dass Sie es bis zum Ende schaffen.

Hier ist dieser Link – Rahul Akhouris Antwort auf Was sind Voraussetzungen, um maschinelles Lernen zu lernen?

Jetzt gebe ich dir ein paar Links:

Statistiken:

Manchmal ignorieren wir es, aber es ist ein Muss, um Ihre Grundlagen richtig zu machen und Ihren Blick auf die Datenanalyse zu erweitern.

Einführung in die Statistik von Udacity

Wahrscheinlichkeit & Statistik nach CMU

Statistische Modellierung-

Statistiker sagen es statistische Modellierung und Computeringenieure maschinelles Lernen. Aber beide sind fast gleich, außer wenn Sie sich mit statistischer Modellierung befassen, konzentrieren sie sich mehr auf statistische Begriffe wie Hypothesentests und Unsicherheit. Während sich maschinelles Lernen nur auf das zu lösende Problem konzentriert.

ISLR, die von Stanford-Professoren geschrieben wurden, eignen sich am besten, um damit zu beginnen. Sie haben auch eine YOUTUBE-VERSION des Buches. Für Fortgeschrittene und Lernen mit mathematischer Behandlung studieren Sie ESLR (dafür müssen Sie ein Experte für Analysis sein)

Für Doktoranden müssen Sie diese Bücher bereits gewusst haben. ISLR ist gut für diejenigen, die keine Statistiker sind.

Ich empfehle dringend, alles durchzugehen.

Maschinelles Lernen:

Informatiker lösen ein Problem mit „Algorithmen“ und Statistiker mit „Techniken“. Sie finden dieselben Inhalte sowohl im maschinellen Lernen als auch in der statistischen Modellierung, aber der Ansatz ist unterschiedlich.

Geogia TECH

Google

Deep Learning von Google

Das ist so ziemlich alles. Sie benötigen Programmiersprachen wie R oder Python. Wählen Sie nur eine aus. Wenn Sie ein Ingenieur sind, wählen Sie Python, andernfalls wählen Sie R.

R-Programmierung

Einführung in die Python-Programmierung

Einführung in die Datenanalyse in Python

Wie Sie sehen können, können Sie nicht alles und jeden beherrschen. Aber Lernen Sie bis zum maschinellen Lernen und wählen Sie dann entweder „Data Analyst“ oder „NLP“ oder „AI“. Es ist in aufsteigender Reihenfolge der Komplexität.

Datenanalyst/Visualisierung:

Es erfordert, dass Sie Muster in Daten untersuchen, indem Sie die Daten manuell durchgehen. Charts zeichnen etc. Auch das ist sehr gefragt. Diese bringen Sie auch in großartige Jobs, wenn auch nicht so gut wie maschinelles Lernen / statistische Modellierung.

SQL

Tableau

Datenvisualisierung von Georgia Tech

Verarbeitung natürlicher Sprache:

Es erfordert gute Programmierkenntnisse (Python), Datenbereinigung (reguläre Ausdrücke) und NLP-Techniken mit Machine Learning/Deep Learning-Kenntnissen (obligatorisch). Es besteht eine große Nachfrage nach NLP-Ingenieuren.

Bildverarbeitung:

Sie müssen Deep Learning beherrschen, um eine effektive Bildverarbeitung wie Objekterkennung/Gesichtserkennung usw. durchführen zu können.

Deep Learning von Google

KI-Ingenieur:

Künstliche Intelligenz wird manchmal mit maschinellem Lernen/Programmieren verwechselt. Die Sache ist, dass großartige Statistiker nicht dazu neigen, Informatikprobleme zu lösen. Wir brauchen also Informatiker, die intelligente Algorithmen schreiben und maschinelles Lernen anwenden können.

KI von Georgia Tech

KI-Einführung

KI für die Robotik

Ich hoffe es hilft.

Data Science entwickelt sich zweifellos zu einer der gefragtesten Fähigkeiten in der sich schnell verändernden Branche. In allen wichtigen Branchen suchen Personalvermittler nach Fachleuten, die datengesteuert sind und Daten analysieren können, um umsetzbare Erkenntnisse für das Unternehmen zu gewinnen. Die steigende Nachfrage scheint endlos zu sein, da bis zum Jahr 2025 weltweit ein Mangel an mindestens einer halben Million Data Scientists erwartet wird. Daher könnte das Erlernen von Data Science Ihre Chance auf eine vielversprechende Karriere sein.

Jetzt gibt es unzählige Möglichkeiten, Data Science zu lernen – Sie könnten sich an einer Universität einschreiben, sich für einen Boo entscheiden

Weiterlesen

Data Science entwickelt sich zweifellos zu einer der gefragtesten Fähigkeiten in der sich schnell verändernden Branche. In allen wichtigen Branchen suchen Personalvermittler nach Fachleuten, die datengesteuert sind und Daten analysieren können, um umsetzbare Erkenntnisse für das Unternehmen zu gewinnen. Die steigende Nachfrage scheint endlos zu sein, da bis zum Jahr 2025 weltweit ein Mangel an mindestens einer halben Million Data Scientists erwartet wird. Daher könnte das Erlernen von Data Science Ihre Chance auf eine vielversprechende Karriere sein.

Jetzt gibt es unzählige Möglichkeiten, Data Science zu lernen – Sie können sich an einer Universität einschreiben, sich für ein Bootcamp-Programm entscheiden oder sich sogar an kurzfristigen Online-Kursen versuchen, die von unabhängigen Organisationen und Plattformen angeboten werden. Bevor Sie jedoch zu dem Teil springen, an dem Sie anfangen, Kurse zu vergleichen und einen Anruf entgegenzunehmen, lassen Sie uns zunächst verstehen, welche Fähigkeiten Sie lernen müssten.

Verstehen, welche Fähigkeiten erworben werden müssen

Ein Data-Science-Profi zu werden, ist leichter gesagt als getan. Es gibt eine Menge Fähigkeiten, die Sie Ihrer Tasche hinzufügen müssten, um sich als Data Scientist zu qualifizieren. Aber zu Beginn gibt es drei absolut notwendige technische Fähigkeiten, die Sie lernen müssen -

  1. Eine Programmiersprache wie Python oder R zur Nutzung der Datensätze (ich empfehle Python). Wenn dies Ihre erste Erfahrung mit einer Programmiersprache ist, würde ich Ihnen wärmstens empfehlen, mit Python zu beginnen.
  2. Für die Datenverarbeitung und -manipulation ist SQL
  3. Ein bisschen maschinelles Lernen und die Grundlagen der Statistik. Um gut zurechtzukommen und zu verstehen, wie das Datenökosystem funktioniert, würde ich empfehlen, Ihre statistischen Grundlagen aufzufrischen und ein wenig maschinelles Lernen zu lernen (nicht erforderlich, wenn Sie sich für einen Universitätskurs oder ein vollwertiges Bootcamp anmelden).

Sich für den richtigen Kurs entscheiden

Die Suche nach dem richtigen Kurs wird Sie noch mehr verwirren – besonders wenn Sie Anfänger sind und keine Ahnung haben, was das Richtige für Sie ist. Wie ich bereits erwähnt habe, finden Sie möglicherweise Hunderte von Plattformen, die Bootcamp- und Kurzzeitkurse anbieten. Mein Tipp: Immatrikulieren Sie sich für einen Studiengang, der von einer Universität angeboten wird. Das Lernen in einer Klassenzimmerumgebung und die Zusammenarbeit mit Kollegen wird sicherlich den inneren Datenenthusiasten in Ihnen hervorbringen.

Wenn Sie sich jedoch mit Vollzeitprogrammen nicht wohlfühlen, können Sie sich sicherlich für Teilzeit-Online-Kurse entscheiden, die von Universitäten angeboten werden und ähnliche Karriereergebnisse bieten.

Da ich gesehen habe, wie sich mehrere Studenten mit diesen spezialisierten Programmen zu erfolgreichen Datenexperten entwickelt haben, empfehle ich dringend die von der Universität akkreditierten Studien- und Diplomprogramme von LEARNXT im Bereich Datascience. Derzeit bietet die Plattform drei Kurse an -

  1. MBA in Datenwissenschaft
  2. MSc in Angewandter Datenwissenschaft
  3. PG Diplom in Angewandter Datenwissenschaft

Einer der größten Vorteile von LEARNXT ist das hybride Lernangebot – Sie können sich für das Teilzeit-Lernprogramm am Wochenende entscheiden, wenn Sie mit dem Vollzeitprogramm nicht zufrieden sind. Abgesehen davon, hier sind noch ein paar weitere Vorteile -

  • Sie werden von erstklassigen Dozenten von IITs und renommierten globalen Universitäten unterrichtet
  • Mehr als 50 % der Zeit wird für Projekte und Aufgaben aufgewendet
  • Lebenslanger Zugriff auf die Kursunterlagen auf der KI-basierten Plattform StudyNxt
  • Zugang zu Diensten des Karriereportals CareerNxt

Aufbau grundlegender Fähigkeiten (nicht-technisch)

Der Erwerb technischer Fähigkeiten ist entscheidend, um in Zukunft Data Scientist zu werden. Sie sollten jedoch Ihrem kritischen Denken und Ihren Problemlösungsfähigkeiten ebenso viel Bedeutung beimessen wie der Liebe zum Detail. Wenn Sie mit Datensätzen spielen, bei denen selbst eine einzige Dezimalstelle enorme Auswirkungen haben könnte, müssen Sie aufmerksam, schnell und rational vorgehen. Ich bitte Sie nicht, einen Schalter umzulegen, da diese Fähigkeiten Zeit brauchen, aber beginnen Sie, daran zu arbeiten, während Sie Ihre technischen Fähigkeiten in Ihre Tasche stecken.

Gut üben und begeistern

Last but not least, PRAXIS. Üben Sie so viel Sie können, denn Data Science ist keine Fähigkeit, die Sie aus Büchern herausholen können – sie kann nur mit der Zeit erworben und verbessert werden, wenn Sie üben. Der Kurs, den Sie wählen, wird Sie sicherlich mit realen Datenherausforderungen aussetzen, aber hin und wieder können Sie zu Plattformen wie Kaggle gehen und deren Foren besuchen, um an den neuesten Problemen zu arbeiten und Ihre Fähigkeiten im Umgang mit Daten zu verbessern.

Alles Gute für deine Lernreise und deine Zukunft als Data Scientist!

Die Leute sagen oft Dinge wie „Du solltest es lieben, Probleme zu lösen“ oder „möchtest sehen, wie Datenanalysen auf die reale Welt angewendet werden“. Diese Aussagen sind kaum einzigartig für Data Science und reichen nicht aus, um einen Tag im Leben dieses Berufs zu erfassen.

Ob etwas das Richtige für Sie ist, hängt von Ihrem Verhalten und Ihren Vorlieben in anderen Lebensbereichen ab. Im Folgenden finden Sie eine Liste mit Fragen, die sich darauf beziehen, wie Menschen denken, wenn sie mit der Lösung von Herausforderungen in Data Science konfrontiert werden. Überlegen Sie, wie Sie sich in diesen Situationen verhalten würden.

Glauben Sie, dass es einen besten Algorithmus gibt, um ein bestimmtes PR zu lösen?

Weiterlesen

Die Leute sagen oft Dinge wie „Du solltest es lieben, Probleme zu lösen“ oder „möchtest sehen, wie Datenanalysen auf die reale Welt angewendet werden“. Diese Aussagen sind kaum einzigartig für Data Science und reichen nicht aus, um einen Tag im Leben dieses Berufs zu erfassen.

Ob etwas das Richtige für Sie ist, hängt von Ihrem Verhalten und Ihren Vorlieben in anderen Lebensbereichen ab. Im Folgenden finden Sie eine Liste mit Fragen, die sich darauf beziehen, wie Menschen denken, wenn sie mit der Lösung von Herausforderungen in Data Science konfrontiert werden. Überlegen Sie, wie Sie sich in diesen Situationen verhalten würden.

Glauben Sie, dass es einen besten Algorithmus gibt, um ein bestimmtes Problem zu lösen?

Es gibt kein Problem auf dieser Welt, das ein einzelner Algorithmus besser lösen kann als andere. Warum? Denn Probleme werden nicht mit Algorithmen gelöst, sondern mit Produkten, bei denen der Algorithmus nur eine Rolle von vielen spielt. Produkte leisten nur dann etwas Wertvolles, wenn sie den Anforderungen der realen Welt entsprechen, informiert durch Nutzung und Versagen. In der Datenwissenschaft ist kein Platz für den Entwurf eines Algorithmus im Voraus, der nur in einem Vakuum gut funktioniert. Die statistische Gültigkeit allein kann Ihnen nicht sagen, ob das Modell korrekt ist. Das beste Modell ist dasjenige, das die richtige Art von Ausgabe erzeugt und auf eine Weise abgefragt werden kann, die die erforderlichen Produktfunktionen unterstützt. Ein zu 99 % genaues Modell ist zu 100 % nutzlos, wenn es nicht seinen Teil zur ganzheitlichen Schaffung eines wichtigen Produkts beiträgt. Als Data Scientist müssen Sie Ihre Liebe zur Analyse in die kreative Welt der Produktentwicklung einbringen und Ihre Analyse für diesen Prozess verantwortlich machen. Das Produkt wählt Ihren Algorithmus, nicht Sie.

Mögen Sie Formeln lieber als Bilder?

Mathe ist toll. Mathe ist unerlässlich. Die Chancen stehen gut, dass Sie zumindest seine Kraft zu schätzen wissen, wenn Sie seine Eleganz nicht ganz lieben. Aber Mathematik ist nicht die universelle Sprache, Konzepte sind es. Konzepte sind die jargonfreien Analogien, die wir verwenden, um Objekte und Prozesse so zu erklären, dass jeder sie verstehen kann. Die Verwendung von Mathematik für den reinen Nutzen ist eine akademische Übung, keine reale. Das Schreiben von Formeln an die Tafel trägt nicht dazu bei, anderen zu erklären, was der Ansatz ist oder warum er wichtig ist. Leute, die Mathematik verstehen, schreiben keine Gleichungen, sie zeichnen Bilder. Sie zeigen, wie sich mathematische Konzepte auf reale Ziele, Objekte und Ziele auswirken, und erzählen eine Geschichte, die sowohl für technische als auch für nicht-technische Interessengruppen Sinn macht.

Würden Sie lieber Ihre eigene Bibliothek schreiben, als das zu verwenden, was verfügbar ist?

Es gibt buchstäblich Tausende von Bibliotheken zwischen R und Python, um mit Daten zu arbeiten, fortschrittliche Modelle zu erstellen und ihre Fähigkeit zu validieren, aus Daten zu lernen. Ihre Verantwortung als Datenwissenschaftler besteht darin, sehr „paketbewusst“ zu sein und zu wissen, wie man die Werkzeuge dieses Handwerks einsetzt, um Lösungen schnell in Produkte umzusetzen und sich entsprechend den Anforderungen zu drehen. Es ist nichts Falsches daran, eigene Bibliotheken zu schreiben, und natürlich hängt unser Beruf von dieser Tätigkeit ab. Aber wenn Sie lieber Ihre eigenen schreiben, als das Verfügbare zu nutzen, passen Sie wahrscheinlich besser zu einer Entwicklerrolle als zu einem aktiv arbeitenden Data Scientist. Ich habe zu viele Leute gesehen, die sich im Unkraut verirrten und eine esoterische Bibliothek schrieben, die am Ende nichts Besseres leistete als das, was bereits verfügbar war. Data Science ist keine akademische Übung, bei der Sie dafür bezahlt werden, herumzuspielen und zu sehen, was Sie finden können. Es wird von Ihnen erwartet, dass Sie Ihr Verständnis von Advanced Analytics in die Produktentwicklung einbringen, um Dinge zu schaffen, die von Bedeutung sind.

Sind Sie bereit, ein schwaches Modell frühzeitig in ein Produkt zu integrieren?

Es gibt etwas, was wirklich gute Datenwissenschaftler die ganze Zeit tun. Sie führen am ersten Tag schlechte Modelle in die Software ein. Warum? Weil wirklich gute Data Scientists verstehen, dass es auf die Art der Modellausgabe ankommt, und dass die einzige Möglichkeit, ein Modell besser zu machen, darin besteht, es in Software zu integrieren und zu testen. Hervorragende Datenwissenschaftler verfügen über ein tiefes konzeptionelles Verständnis der Arten von Ergebnissen, die verschiedene Modelle erzeugen, und wissen, wie diese Modelle abgefragt werden können, um Produktionsfunktionen zu unterstützen. Sie wissen, dass durch die frühzeitige Einführung eines Modells mit der richtigen Art von Ausgabe in das Produkt, unabhängig von seiner aktuellen Vorhersagekraft, eine ordnungsgemäße Validierung ihres Modells ermöglicht wird. Wenn das Produkt verwendet wird, können Modelle gewechselt, ihre Parameter angepasst und bessere Daten zugeführt werden, wobei all diese Aktivitäten den Produktanforderungen entsprechen. Es gibt viel Mystik rund um die Datenwissenschaft, bei der die Erwartungen an Sie, „Magie“ zu liefern, sehr hoch sein können. Es braucht eine bestimmte Art von Person, um sich über den Hype zu erheben, die Erwartungen richtig zu setzen und sicherzustellen, dass maschinelles Lernen dem validierten Lernen ausgesetzt ist, das von allen Produktkomponenten erwartet wird.

Die obigen Fragen sind spezifisch für Data Science, sprechen aber die Art von Person an, die für diese Arbeit benötigt wird. Es gibt viele Karrieremöglichkeiten in der Welt der Technologie, alle mit unterschiedlichen Erwartungen. Data Science ist insofern einzigartig, als von Ihnen erwartet wird, dass Sie etwas so Experimentelles und Unbekanntes wie die Entdeckung von Dingen in Daten zähmen und diese Entdeckungen in ein Produkt umsetzen, das den Menschen wichtig ist. Obwohl es verschiedene Arten von Datenwissenschaftlern gibt, braucht es eine bestimmte Art von Persönlichkeit, um es gut zu machen.

„Stellen Unternehmen selbst gemachte Data Scientists ein?“

Ja, aber es ist ein härterer Weg.

Das Problem: Hiring Manager sind im Allgemeinen jung und haben einen Abschluss, oft mit einem ziemlich schmalen Karriereweg. Folglich fehlt ihnen die Erfahrung, um zu verstehen, wie sie die Fähigkeiten von jemandem qualifizieren können, der keinen Abschluss in Data Science oder quantitativer Mathematik hat oder der aus einem anderen Bereich der IT in die Data Science „gewachsen“ ist. Folglich sind sie zu stark von Indikatoren abhängig, die ihren eigenen Weg widerspiegeln, und schwächer von der Kompetenzbewertung. Sie sind auch mehr auf Interviewteams angewiesen, aber natürlich sind diese Teams mit noch jüngeren und jüngeren besetzt

Weiterlesen

„Stellen Unternehmen selbst gemachte Data Scientists ein?“

Ja, aber es ist ein härterer Weg.

Das Problem: Hiring Manager sind im Allgemeinen jung und haben einen Abschluss, oft mit einem ziemlich schmalen Karriereweg. Folglich fehlt ihnen die Erfahrung, um zu verstehen, wie sie die Fähigkeiten von jemandem qualifizieren können, der keinen Abschluss in Data Science oder quantitativer Mathematik hat oder der aus einem anderen Bereich der IT in die Data Science „gewachsen“ ist. Folglich sind sie zu stark von Indikatoren abhängig, die ihren eigenen Weg widerspiegeln, und schwächer von der Kompetenzbewertung. Sie sind auch stärker auf Interviewteams angewiesen, aber natürlich sind diese Teams mit noch jüngeren und weniger „karrierediversen“ Mitarbeitern besetzt – was bedeutet, dass es eine noch größere Tendenz gibt, Leute basierend auf der kulturellen Eignung einzustellen (auch bekannt als jemand wie ich, jemand, den ich sofort mag , jemand, der genau dieselben Tools und dieselbe Terminologie verwendet).

Die Lösung (für den Arbeitssuchenden):

  1. Ihre berufliche Vielfalt und Fähigkeit, selbstständig zu lernen, ist ein großer Bonus für sie. Verkauf es! Denken Sie im Voraus darüber nach, wie Ihre Geschichte dieser Rolle zugute kommen wird, und suchen Sie im Vorstellungsgespräch nach Wegen, wie Sie ihre Sprache und Ziele verwenden können, um ihnen zu helfen, dies zu erkennen. Erwähnen Sie beispielsweise, wie gut Sie sich mit 4 verschiedenen Skriptsprachen auskennen (auch wenn keine die gesuchte ist) und wie Sie diese bei Bedarf abgeholt haben.
  2. Verbinden Sie sich persönlich - arbeiten Sie noch härter daran, die Interviewer als Menschen zu sehen, und behandeln Sie das Interview nicht als einen Verwaltungsvorgang, sondern als ein informationsreiches Gespräch mit einem neuen Freund. Versuchen Sie, die üblichen Fähigkeiten zur Beeinflussung von Menschen zu lernen und anzuwenden, wie z. B. die Wiedergabe ihrer bevorzugten Terminologie, und bringen Sie sie dazu, über ihre persönliche Sicht auf das Projekt/den Arbeitsplatz/usw.
  3. Kompetenz aktiv demonstrieren – Nutzen Sie jede Gelegenheit, Tools, Fähigkeiten und Projekte zu erwähnen, die genau das sind, wonach sie suchen, und wiederholen Sie dies mit jedem Interviewer (wobei Sie sich mehr auf die Fähigkeiten konzentrieren, die für den Hintergrund des Interviewers relevant sind). Wenn Sie Tool A nicht verwendet haben, erwähnen Sie, dass Sie gute Erfahrungen mit derselben Art von Aufgaben mit Tool B gemacht haben. Wenn Sie keine umfangreiche ETL-Codierung durchgeführt haben, erwähnen Sie die Zeit, die Sie mit der Standardisierung von Datenanforderungen und der manuellen Datenbereinigung verbracht haben Ihren letzten Job, zusammen mit der Nicht-ETL-Datencodierung, die Sie durchgeführt haben.
  4. Fokussiertes Training - Informieren Sie sich über die häufig genannten Tools und Plattformen, mit denen Sie keine praktische Erfahrung haben, und machen Sie ein grundlegendes Training. Wählen Sie die 2 oder 3 am häufigsten nachgefragten Artikel aus, die Sie persönlich noch nicht verwendet haben, und machen Sie einen Crashkurs. Beispielsweise bietet AWS kostenlosen Zugang und Videoschulungen für sein Toolset. Es gibt unzählige Online-Schulungen nach dem Motto „Einführung in Python für erfahrene Programmierer“ und so weiter. Sie sollten in der Lage sein, über diese Tools zu sprechen, auch wenn Sie sie nicht täglich verwenden. Zeigen Sie insbesondere, dass Sie die Konzepte und Auswirkungen dieser Tools auf die Arbeit verstehen, und geben Sie Beispiele dafür, wie Sie mit der gleichen Art von Problemen zu tun haben. Zeigen Sie, dass Sie sich Gedanken über die Bedürfnisse ihrer spezifischen Umgebung gemacht haben.
  5. Lebenslauf & benutzerdefinierter Spickzettel - Ich passe meinen Lebenslauf nicht pro Bewerbung an - stattdessen verwende ich 3 verschiedene Versionen, die unterschiedliche breite Fähigkeiten hervorheben (Full-Stack-Erfahrung, MDM- und Datenarchitektur, Lager- und Verkauf-zu-Analyse-Prozesserfahrung). Aber hier sind zwei Zeitinvestitionen, die ich dringend empfehle:
    • Wenn in der Stellenbeschreibung ein bestimmtes Werkzeug/Fähigkeit erwähnt wird, die Sie haben, dann führen Sie es ausdrücklich in Ihrem Lebenslauf auf.
    • Wenn Sie es zu Vorstellungsgesprächen vor Ort schaffen, dann haben Sie jetzt viele zusätzliche Informationen über den Job aus den früheren Vorstellungsgesprächen. Erstellen Sie einen Mini-Lebenslauf mit sehr spärlichen, prägnanten Aufzählungspunkten der entsprechenden Tools und Aufgaben, die Sie bei früheren Jobs ausgeführt haben, die direkt das widerspiegeln, was Sie jetzt als die wahren Jobanforderungen kennen. Entfernen Sie alle anderen Erfahrungen, egal wie wichtig sie sind (oder fügen Sie sie alle in eine Zeile am Ende). Verwenden Sie dies als Erinnerung für Gesprächsthemen während des Vor-Ort-Auftritts. Wenn Ihre Erkenntnisse richtig waren, erklären Sie, was es ist, und geben Sie es dem Interviewer oder senden Sie es ihm per E-Mail, bevor Sie gehen. Dies ist Ihr Verkaufsargument, das sie überprüfen können, wenn sie nach dem Vorstellungsgespräch rehabilitieren.

Ich sitze genau im selben Boot. Mit über 10 Jahren Erfahrung in Data Science bekomme ich nicht einmal ein Vorstellungsgespräch, nachdem ich mich auf 50 Stellen beworben habe. Ich sitze seit zwei Monaten zu Hause und tue nichts.. lol.

Lass mich dir sagen…

Das Problem ist einfach. Jeder will diese Jobs, daher sind Jobs in den Bereichen Wissenschaft, Ingenieurwesen und Technologie (STEM) schwer zu bekommen. Nur weil Sie den Abschluss haben, garantiert es nicht, dass Sie überhaupt ein Vorstellungsgespräch bekommen.

Das Problem ist folgendes:

  • Es gibt eine Menge Leute, die MINT studieren (also alle, die mit dir graduiert haben!). Sie alle müssen Jobs finden. Darüber hinaus haben wir viel H1B und
Weiterlesen

Ich sitze genau im selben Boot. Mit über 10 Jahren Erfahrung in Data Science bekomme ich nicht einmal ein Vorstellungsgespräch, nachdem ich mich auf 50 Stellen beworben habe. Ich sitze seit zwei Monaten zu Hause und tue nichts.. lol.

Lass mich dir sagen…

Das Problem ist einfach. Jeder will diese Jobs, daher sind Jobs in den Bereichen Wissenschaft, Ingenieurwesen und Technologie (STEM) schwer zu bekommen. Nur weil Sie den Abschluss haben, garantiert es nicht, dass Sie überhaupt ein Vorstellungsgespräch bekommen.

Das Problem ist folgendes:

  • Es gibt eine Menge Leute, die MINT studieren (also alle, die mit dir graduiert haben!). Sie alle müssen Jobs finden. Darüber hinaus haben wir viele H1B- und Studentenvisa, die hierher kommen, um in den USA zu studieren, und sie alle suchen nach Jobs. Rund 500.000 Menschen jedes Jahr!
  • Dies ist keine Nischenbranche, in der der Arbeitgeber keine Kandidaten finden kann.
  • Eine durchschnittliche Stellenausschreibung erhält Hunderte von Bewerbungen. Wahrscheinlich um 600.

Obwohl wir uns über Leute lustig machen, die Dinge wie Philosophie am College studieren, weil wir glauben, dass sie keinen Job bekommen, und wir Dinge sagen wie: „Was kannst du mit einem Abschluss in Philosophie machen?“, Dasselbe kann über STEM gesagt werden. Ich sage eigentlich, zumindest das Studium der Philosophie ist eher eine Nische als das MINT-Studium. In MINT ist es so, dass jeder es macht. Wenn alle es tun, gibt es eindeutig mehr Konkurrenz. Wenn es mehr Wettbewerb gibt, sind die Einsätze höher.

Unternehmen wollen die Besten einstellen. Erinnern Sie sich an das College, dass es nur einen Teil der Studenten gab, die alle Einsen richtig hatten? Es ist normalerweise wie eine Hand voll von der ganzen Klasse. Ein erheblicher Teil der Klasse gilt als ziemlich durchschnittlich, oder? Als ich meinen Abschluss in Elektrotechnik mit Schwerpunkt Signalverarbeitung gemacht habe, haben es die meisten meiner Freunde kaum geschafft; das heißt, sie haben viele Bs und Cs. Es gibt also eindeutig A-Level-Studenten und Ingenieure und es gibt B-Level und C-Level. Niemand möchte einen C-Level-Ingenieur einstellen! Damit sind Sie konfrontiert. Du musst in Topform sein und das ist unglaublich schwer, weil es zu einem Wettkampf wird. Für einen Job als Data Scientist gibt es also immer jemanden, der schlauer ist als du oder genauere Erfahrung als du hat oder einen höheren Abschluss hat oder eine tolle Schule besucht hat. Alle MINT-Berufe sind so.

Es ist nur so, dass Sie eine bessere Chance haben, den Job zu bekommen, wenn Sie einen Nischenberuf haben. Jobs wie Datenwissenschaftler, Elektroingenieur, Programmierer und Datenanalyst sind allgemeine Jobs, die Millionen von Menschen ausüben können, und viele von ihnen können es besser als Sie. Was Sie sehen, ist die Konkurrenz dieser A-Level-Schüler. Kluge Menschen gibt es in der Tat wie Sand am Meer!

Wenn Sie nicht nachweisen können, dass Sie der Beste der Besten sind, werden Sie letztendlich keinen Job bei diesen größeren Unternehmen bekommen.

Der grundlegende Rat, den ich jedem geben würde, ist. Wähle keinen Beruf, den alle wählen, weil du mit allen konkurrieren wirst, um einen Job zu bekommen. Wenn Arbeitgeber eine Fülle von Kandidaten haben, können sie immer jemand anderen finden, der besser ist als Sie, und es wird nur noch schlimmer, wenn Sie älter werden, weil sie Sie leicht durch jemanden ersetzen können, der jünger ist und weniger bezahlen kann.

Um Data Scientist zu werden, spielt es keine Rolle, welchen Abschluss Sie haben, Sie brauchen nur Fähigkeiten wie technischen Scharfsinn, statistisches Denken, analytische Denkweise, Neugier, Problemlösungsansatz, Big-Data-Analysefähigkeiten und so weiter an.

Einfach ausgedrückt, Sie sollten in der Lage sein, mit riesigen Datenmengen zu arbeiten und durch den Einsatz verschiedener Tools, Techniken, Methoden, Algorithmen usw. überzeugende geschäftliche Erkenntnisse zu gewinnen.

Data Scientists sind dafür verantwortlich, die im komplexen Netz aus unstrukturierten Daten verborgenen Fakten aufzudecken, um sie in mak zu verwenden

Weiterlesen

Um Data Scientist zu werden, spielt es keine Rolle, welchen Abschluss Sie haben, Sie brauchen nur Fähigkeiten wie technischen Scharfsinn, statistisches Denken, analytische Denkweise, Neugier, Problemlösungsansatz, Big-Data-Analysefähigkeiten und so weiter an.

Einfach ausgedrückt, Sie sollten in der Lage sein, mit riesigen Datenmengen zu arbeiten und durch den Einsatz verschiedener Tools, Techniken, Methoden, Algorithmen usw. überzeugende geschäftliche Erkenntnisse zu gewinnen.

Data Scientists sind dafür verantwortlich, die im komplexen Netz aus unstrukturierten Daten verborgenen Fakten aufzudecken, um sie für Geschäftsentscheidungen zu nutzen.

Um ein Master in Data Science zu werden:

  • Machen Sie sich mit den realen Data Science-Problemen vertraut
  • Nehmen Sie an Data Science-Foren und -Wettbewerben teil (z. B. Kaggle)
  • Arbeiten Sie regelmäßig an riesigen Datensätzen
  • Gehen Sie kooperativ und interaktiv vor
  • Üben Sie jeden Tag und verschaffen Sie sich einen entscheidenden Vorteil

Als absoluter Anfänger können Sie beginnen, indem Sie einer der folgenden Methoden folgen, um zunächst eine starke Grundlage aufzubauen, bevor Sie fortschreiten:

  • Online-Tutorials (Datacamp, Udemy)
  • Online-Blogs (Towardsdatascience, mittel)
  • Bücher (Amazon)

Nachdem Sie eine grundlegende Vorstellung von Data Science und den damit verbundenen Konzepten erhalten haben, müssen Sie damit beginnen, verschiedene Fähigkeiten zu erwerben, um Fachwissen in Data Science zu erwerben, wie z.

Programmierkenntnisse: Python, R, Java, C oder Perl. Eine gute Kenntnis einer dieser Programmiersprachen ist sehr nützlich.

Hadoop-Kenntnisse: Hadoop ist das beliebteste Big-Data-Framework. Es wird erwartet, dass Sie ein gutes Verständnis dafür haben.

SQL-Datenbank: SQL ist die gebräuchlichste Methode, um Informationen aus einer Datenbank abzurufen und zu aktualisieren. Kandidaten müssen wissen, wie man in SQL abfragt, da dies die am meisten bevorzugte Sprache für RDBMS ist.

MATLAB: MATLAB ermöglicht Matrizenmanipulationen, das Zeichnen von Funktionen und Daten, die Implementierung von Algorithmen, die Erstellung von Benutzeroberflächen und die Verbindung mit Programmen, die in anderen Sprachen geschrieben wurden, einschließlich C, C++, C#, Java, Fortran und Python.

SPSS: Es ist ein Softwarepaket, das für interaktive oder stapelweise statistische Analysen verwendet wird

SAS: Es ist eine statistische Software-Suite, die vom SAS Institute für fortgeschrittene Analysen, multivariate Analysen, Business Intelligence, strafrechtliche Ermittlungen, Datenmanagement und prädiktive Analysen entwickelt wurde.

Angemessene Kenntnisse in Java, Scala, Tableau und MSExcel können Ihre Effizienz bei der Durchführung komplexer Berechnungen schrittweise steigern und qualitativ hochwertige Visualisierungen erstellen.

Als Data Scientist benötigen Sie nicht nur technische Fähigkeiten, sondern auch einige wichtige nicht-technische Fähigkeiten, um Ihre Erkenntnisse effektiv zu präsentieren.

Einige nicht-technische Fähigkeiten:

Analytische Fähigkeiten

Soft Skills

Kommunikationsfähigkeit

Starke Geschäftstüchtigkeit

Eine andere Möglichkeit besteht darin, sich für ein Online-Data-Science-Training anzumelden, das Ihnen nicht nur die Konzepte beibringt, sondern auch ein professionelles Zertifikat auf Industrieniveau bereitstellt, das Ihnen hilft, eine Karriere in Data Science zu beginnen, und außerdem weniger Zeit mit dem Suchen und Navigieren der Inhalte verschwendet selbst und bieten auch nach Abschluss des Studiums Praktikumsmöglichkeiten an.

Viel Glück!

Related Post: