die ganze Zeit:
„Welche Projekte sollte ich tun, um einen Job in Datenwissenschaft oder maschinellem Lernen zu bekommen?“
Diese Frage ist von Anfang an fehlerhaft.
Ein großartiges Projekt ist persönlich für Sie, was bedeutet, dass jedes Projekt, das ich vorschlage, automatisch eine „schlechte“ Wahl ist.
In diesem Artikel möchte ich die Arten von Projekten aufschlüsseln, die Ihnen tatsächlich helfen, eingestellt zu werden, und den Rahmen, den Sie befolgen können, um sie zu finden.
4–5 einfache Projekte
Erstellen Sie mit 4 bis 5 kleineren Projekten, um Ihrem Portfolio ein gewisses anfängliches Gewicht zu geben.
Das Hauptziel hier ist hauptsächlich für „Optik“ und sicherzustellen, dass Ihr Lebenslauf/Lebenslauf, Ihr GitHub und Ihre LinkedIn-Profile aktiv und intestine besiedelt erscheinen.
Bitte nehmen Sie sich ein paar Wochen Zeit, um diese kleineren Projekte zu erstellen, und stellen Sie sicher, dass sie von ausreichender Qualität sind und nicht etwas, das Sie mit ChatGPT hastig generiert haben.
Ziel ist es, eine breite Palette von Projekten zu erstellen, die jeweils unterschiedliche Instruments, Datensätze und Algorithmen für maschinelles Lernen verwenden.
Algorithmen und ML -Modelle
Ich empfehle Ihnen, Projekte mit den folgenden Algorithmen zu haben:
- Gradienten steigern Bäume– Der Goldstandard -Algorithmus für tabellarische Daten. Daher werden Sie auf jeden Fall die Arbeit verwenden.
- Neuronale Netze – Gutes Verständnis für tiefe Lernrahmen wie Tensorflow oder Pytorch ist wertvoll, insbesondere wenn Sie in Laptop Imaginative and prescient, NLP oder KI arbeiten möchten.
- Clustering -Algorithmen– Modelle wie Okay-Means Und DBSCAN Demonstrieren Sie Ihr Verständnis für unbeaufsichtigtes Lernen, das für einige Rollen erforderlich ist.
Aufregende und neuartige Daten erhalten
Es ist viel besser, einen unordentlicheren und realistischeren Datensatz zu erhalten, der die Daten widerspiegelt, denen Sie in der realen Welt begegnen werden. Dies wird Arbeitgeber und Interviewer noch mehr beeindrucken und Ihre Fähigkeiten als Datenwissenschaftler direkt demonstrieren.
Vermeiden Sie es bei der Auswahl von Datensätzen für Ihre Projekte MNISTAnwesend Titanicoder Iris. Wenn ich diese sehen würde, wäre es eine sofortige Ablehnung oder zumindest viel ab.
Einige gute Orte, um Daten zu erhalten:
- Verwenden Sie öffentliche und kostenlose APIs – Sie können sich das ansehen Free-apis Web site für einige Ideen.
- Net -Scape -Daten von relevanten Web sites (stellen Sie sicher, dass Sie dies zuerst tun dürfen!) –Hier ist eine Liste von Web sites, auf denen das Net -Scraping ermöglicht wird.
- Datenquellen der öffentlichen Regierung –Knowledge.gov ist ein Beispiel, das Sie verwenden können.
- Sammeln Sie Ihre eigenen Daten durch Umfragen und Fragebögen.
Um zu entscheiden, was Ihre Projekte sein sollten, können Sie mit der Beantwortung spezifischer Fragen, die Sie für interessant halten, aus den Daten zu beantworten.
Ich empfehle, Ihre Ergebnisse mit Instruments wie zu demonstrieren Straffung oder ein einfaches Modell durch Bereitstellen über Github -Aktionen.
Stress jedoch nicht auf den Aufbau eines vollständig Finish-to-Finish-Produktionssystems mit etwas wie so etwas wie etwas wie AWS oder seine Dienstleistungen, wie z. EC2 oder ECS. In diesem Stadium ist es völlig in Ordnung, wenn Sie nicht wissen, wie das geht, und es ist nicht das Ziel dieser kleinen Projekte.
Ein großes Projekt
Hier müssen Sie sich wirklich konzentrieren und sich Zeit nehmen.
Nachdem Sie Ihre kleineren Projekte aufgebaut haben, ist es Zeit, ein großes Projekt zu erstellen. Dieser kann ein paar Monate dauern, wenn Sie jeden Tag ein oder zwei Stunden daran arbeiten.
Dies kann Sie einschüchtern, aber Sie müssen sich anstrengen, wenn Sie ein Projekt möchten, das sich von den anderen abhebt.
Die Frage ist, was sollten Sie bauen?
Wie ich bereits erwähnt habe, kann ich dieses Projekt für Sie nicht wählen, aber ich kann einen Rahmen für den folgenden Bereich bereitstellen, sodass Sie selbst ein großartiges Projekt finden können.
Beispielprojekt
Lassen Sie mich Ihnen ein Beispiel für ein großartiges Projekt geben.
Bei meinem früheren Unternehmen stellten wir für einen Junior -Datenwissenschaftler ein, an dem wir arbeiten konnten Optimierung Und Operationsforschung Probleme.
Der Kandidat, den wir eingestellt haben, stach aus einem Hauptgrund auf, sie hatten ein sehr relevantes und zutiefst persönliches Projekt, das der Rolle genau übereinstimmte.
Sie waren leidenschaftlich für den NFL -Fantasy -Fußball und wollten die Artwork und Weise verbessern, wie sie ihre wöchentlichen Aufstellungen aufgebaut haben (dies ähnelt der Fantasy Premier League in Großbritannien).
Daher entwickelten sie ihre eigene Optimierungsmotor, um Spieler effektiver innerhalb der Einschränkungen des Programms zuzuweisen.
Es warfare nicht nur der Motor selbst; Sie lesen akademische Arbeiten zu Optimierungsstrategien und untersuchten, wie sich andere dem gleichen Downside näherten.
Sehen Sie, warum dies ein so mächtiges Projekt warfare?
- Es warfare ein persönliches Downside, an dem sie interessiert waren.
- Es warfare einzigartig und wir hatten so etwas noch vorher oder seitdem nicht gesehen.
- Es zeigte ihre Leidenschaft und ihr Interesse an Optimierung und Operationsforschung.
- Es warfare direkt related für den Job, für den sie sich bewerben.
Mein Rahmen
Hier ist ein einfacher Rahmen, den Sie folgen können, um großartige Projektideen zu finden:
- Hear Sie mindestens fünf Dinge auf, die Sie außerhalb der Arbeit und des Feldes Knowledge Science oder maschinelles Lernen interessieren.
- Für jedes Ding stellen Sie Fragen, auf die Sie Antworten wünschen, oder andere Personen können interessant sein.
- Überlegen Sie, wie maschinelles Lernen dazu beitragen könnte, diese Fragen zu beantworten. Mach dir keine Sorgen, wenn die Frage unmöglich erscheint. so kreativ wie möglich sein.
- Wählen Sie eine Frage aus, die Sie am meisten begeistert. Wählen Sie im Idealfall etwas aus, das sich nur leicht außerhalb Ihrer Reichweite anfühlt. Auf diese Weise werden Sie wirklich lernen und sich aus Ihrer Komfortzone herausschieben.
Komplexität und Skalierung aufbauen
Um dieses Projekt hervorzuheben, müssen wir ihm eine gewisse Komplexität und Skalierung hinzufügen. Dies bedeutet unterschiedliche Dinge, und es gibt verschiedene Möglichkeiten, dies zu integrieren.
Wenn Sie eine Rolle als Ingenieur für maschinelles Lernen anstreben, ist es besonders wertvoll, das Projekt-Finish-to-Finish-Projekt zu erstellen und bereitzustellen.
Ihr Projekt sollte idealerweise Folgendes enthalten:
- Datenerfassung und -speicher.
- Datenvorverarbeitung.
- Modelltraining und Bewertung.
- Modellbereitstellung (über API, Net -App usw.).
- Analyse und Präsentation Ihrer Ergebnisse.
Dazu müssen Sie einige der folgenden Lernen lernen:
Es magazine viel erscheinen, aber Sie müssen nicht alles auf dieser Liste tun.
Die Hauptsache ist, diese Dinge auf dem Weg zu beginnen und zu lernen. Versuchen Sie nicht, alles auf einmal zu lernen. Das ist Aufschub.
Dokumentieren und kommunizieren
Der endgültige und wohl wichtigste Teil ist es, Ihr Lernen zu dokumentieren.
Allein technische Fähigkeiten haben Sie nicht den Job.
Kommunikation ist eine der wichtigsten Fähigkeiten als Ingenieur oder Datenwissenschaftler, insbesondere wenn Sie die Reihen nach oben bewegen.
Zeigen Sie Ihr Projekt von:
- Hinzufügen Ihrer Projekte zu Github und einem intestine dokumentierten Readme.
- Einbeziehung von Anweisungen für Setup und Nutzung, damit Benutzer Ihr Projekt erkunden und interagieren können.
- Schreiben Sie einen Weblog -Beitrag, in dem Sie Ihre Projekte erläutern und wie Sie es gemacht haben.
- Teilen Sie es auf LinkedIn, Twitter, Reddit, Discord, YouTube oder überall, wo auch immer Menschen, die daran interessiert sind, es versuchen, teilen.
Je mehr Sie Ihre Arbeit teilen, desto sichtbarer werden Sie für potenzielle Arbeitgeber und Mitarbeiter.
Es ist eigentlich nicht so schwer, ein solides Projektportfolio zu erstellen. Es erfordert nur eine konsequente Arbeit und Geduld, die die meisten Menschen nicht wollen.
Es gibt kein „schnelles“ Projekt, bei dem Sie eingestellt werden. Was Sie einstellen wird, nimmt sich die Zeit, etwas Persönliches, von guter Qualität und Roman aufzubauen.
Das ist das Geheimnis.
Eine andere Sache!
Ich biete 1: 1 -Teaching -Anrufe an, bei denen wir uns über alles unterhalten können, was Sie brauchen – sei es Projekte, Karriereberatung oder einfach nur Ihren nächsten Schritt herauszufinden. Ich bin hier, um Ihnen zu helfen, vorwärts zu kommen!
1: 1 Mentoring -Anruf mit Egor Howell
Karriereanleitung, beratende Beratung, Projekthilfe, Lebenslaufüberprüfung topmate.io