Bist du a Datenanalyst Möchten Sie in die Datenwissenschaft einbrechen? Wenn ja, ist dieser Beitrag für Sie.
Viele Menschen beginnen in der Analytik, weil es im Allgemeinen eine geringere Eintrittsbarriere hat, aber wenn sie Erfahrungen sammeln, erkennen sie, dass sie mehr technische Herausforderungen stellen möchten, ein tieferes maschinelles Lernen eintauchen oder nur ihr Verdienstpotential erhöhen. Wechsel vom Datenanalysten zu Datenwissenschaftler Kann ein intelligenter Karriereschritt sein – aber es erfordert die richtige Strategie.
Wenn Sie hier neu sind, ist mein Title Marina. Ich bin ein angewandter Wissenschaftler bei Amazon und Ich habe Dutzenden von Menschen geholfen Übergang in die Technik, selbst aus nicht-traditionellem Hintergrund-ich habe eingeschlossen.
In diesem Beitrag werden wir alles abdecken, was Sie wissen müssen, um den Übergang vom Datenanalyst zum Datenwissenschaftler erfolgreich zu machen:
- Welche Fähigkeiten müssen Sie entwickeln
- Meine Lieblingslernressourcen
- Und Strategien zur Landung von Interviews und zur Sicherung von Stellenangeboten
Lassen Sie uns darauf eingehen und entscheiden, ob dieser Übergang überhaupt eine gute Idee für Sie ist.
Rollenvergleich
Bevor wir anfangen, stellen wir einfach sicher, dass wir alle auf derselben Seite darüber sind, was der Unterschied zwischen diesen Rollen ist, beginnend mit Datenanalysen.
Datenanalysten konzentrieren sich auf die Arbeit mit strukturierten Daten, um Geschäftsentscheidungen voranzutreiben. Ihr Toolkit umfasst typischerweise SQL, Excel, Tableau oder PowerBi und Fundamental Python für die Datenverarbeitung, Visualisierung und möglicherweise einfache statistische Analysen. Der Rollenspiel dreht sich um das Verständnis historisch Daten, um Fragen darüber zu beantworten, was passiert ist und warum.
Datenwissenschaftler bauen auf diesen Fundamenten auf, erstrecken sich jedoch in prädiktive Modellierung und automatisierte Entscheidungsfindung. Während sie auch SQL und Python verwenden, arbeiten sie ausführlicher mit statistischer Modellierung, maschinellem Lernrahmen und Cloud -Plattformen. Ihr Fokus verlagert sich auf die Vorhersage Zukunft Ergebnisse und Empfehlung von Aktionen.
Ein häufiges Missverständnis ist, dass Datenanalysten Datenwissenschaftler werden müssen, um ihre Karriere voranzutreiben. Das ist definitiv nicht wahr!
Senior -Analysten können hohe Gehälter verdienen und ohne tiefe ML oder statistisches Wissen eine wirklich starke geschäftliche Wirkung haben.
Ehrlich gesagt wird nicht jeder Datenwissenschaftsarbeit genießen, und viele würden glücklicher auf dem Analytics -Pfad bleiben.
Stellen Sie sich additionally die folgenden Fragen, bevor wir weiter gehen:
- Sind Sie neugierig auf maschinelles Lernen und wie es funktioniert?
- Fühlen Sie sich mit fortgeschrittenen Mathematik und Statistiken wohl (oder zumindest interessiert)?
- Fühlen Sie sich mit technischen Herausforderungen und Software program -Engineering -Konzepten wohl?
- Sind Sie in Ordnung mit einer Rolle, die sowohl in der täglichen Arbeit als auch in der Karriere -Fortschritt viel Mehrdeutigkeit hat?
Wenn Sie immer noch bei mir sind und denken: „Ja, ich möchte auf jeden Fall Knowledge Science verfolgen“, lassen Sie uns darüber sprechen, wie es tatsächlich geschehen kann.
Fähigkeiten, die für den Übergang erforderlich sind
Okay, jetzt, wo Sie sich für den Übergang entschieden haben, lassen Sie uns die wichtigsten Fähigkeiten aufschlüsseln, die Sie entwickeln müssen. Wir konzentrieren uns auf vier Kernbereiche, die die Grundlage für die Datenwissenschaftsarbeit bilden.
Mathematik und Statistik
Wenn Sie aus einem Analyse -Hintergrund stammen, haben Sie wahrscheinlich eine gewisse Exposition gegenüber Statistiken, aber die Datenwissenschaft erfordert möglicherweise etwas mehr Tiefe in der Mathematikfront. Sie müssen sich wohl fühlen mit:
- Multivariable Kalkül und lineare Algebra, insbesondere Matrixoperationen und Gradienten zum Verständnis von Algorithmen für maschinelles Lernen. Aber keine Sorge – Sie müssen kein Mathematikexperte sein, Sie brauchen nur genug, um die Grundlagen zu verstehen, um zu verstehen, wie Algorithmen funktionieren.
- Sie benötigen auch Wahrscheinlichkeitstheorie und Hypothesen -Assessments für experimentelles Design.
- Sowie statistische Konzepte wie verschiedene Arten von Verteilungen und Regressionstechniken
- Und im Idealfall einige Erfahrung mit kausaler Schlussfolgerung
Programmierung
Wenn Sie bereits SQL und Fundamental Python in Ihrer Rolle verwenden, haben Sie hier einen Vorsprung. Jetzt geht es nur darum, sich zu verbessern. Konzentrieren Sie sich auf:
- Fortgeschritteneres Python, Dinge wie OOP -Grundlagen, Schreiben modularer Wartungscode, Unit -Assessments, Leistungsoptimierung usw.
- Verwenden von ML-Frameworks wie Scikit-Be taught, Tensorflow und Pytorch.
- Und Vertrautheit mit grundlegenden Datenstrukturen und Algorithmen zum Codieren von Interviews. Im Allgemeinen sind dies nur Fragen zu Arrays und Saiten, sodass Sie damit nicht zu verrückt werden müssen, aber es wird wichtig sein, um das Interview zu wissen.
Grundlagen für maschinelles Lernen und KI
Dies ist eine weitere Kernsäule der Knowledge Science, daher möchten Sie mit ML -Grundlagen wie folgt sein:
- Beaufsichtigtes Lernen (so, Regression und Klassifizierung).
- Unbeaufsichtigtes Lernen (Dinge wie Clustering und Dimensionalitätsreduzierung).
- Modellbewertung und Validierung.
- Deep Studying Fundamentals.
- Und heutzutage ist es ein Plus, mit Genai vertraut zu sein (aber damit meine ich zu lernen, wie man mit APIs arbeitet, keine Schulungsmodelle von Grund auf neu)
Huge Knowledge & Knowledge Engineering Ideas
Schließlich umfassen viele Datenwissenschaftsrollen die Arbeit mit großen Datensätzen und bauen automatisierte Pipelines. Dafür möchten Sie sich darauf konzentrieren:
- Arbeiten Sie mit Cloud -Computing -Plattformen, insbesondere AWS -Diensten wie S3 und Sagemaker
- Datenpipeline -Entwicklung mit Instruments wie Luftstrom
- Potenziell grundlegende Systemdesignprinzipien zur Skalierung Ihrer Lösungen (dies ist wichtiger, da Sie mehr älter werden oder sich mehr auf ML konzentrieren).
Wie man diese Fähigkeiten entwickelt
Jetzt, wo wir abgedeckt sind Was Sie müssen lernen, lassen Sie uns darüber sprechen, wie Sie diese Fähigkeiten tatsächlich aufbauen können. Es gibt einige verschiedene Wege, die Sie aufnehmen können, und das richtige für Sie hängt von Ihrem Funds, Ihrem Lernstil und Ihrem Zeitplan ab.
Selbststudie
Wenn Sie selbst motiviert und diszipliniert sind, kann Selbststudien eine völlig vernünftige und kostengünstige Möglichkeit sein, in die Datenwissenschaft umzusteigen. Der Schlüssel ist die konsistente Praxis und die Auswahl der richtigen Ressourcen.
Hier sind einige großartige Kurse, die ich empfehlen würde, in Ordnung zu sein (dies sind Affiliate -Hyperlinks, übrigens!):
Sie müssen auch ein Verständnis für die grundlegende DSA für die Codierung von Interviewvorbereitungen erhalten. Dafür habe ich die Bildung genossen Trulking der Coding -Interviewmuster In Python, das sich auf gemeinsame Muster für Datenstrukturen und Algorithmen konzentriert. Ich fand das sehr hilfreich, damit es nicht nur so aussieht, als müssten Sie den Trick kennen, um das Drawback der Leetcode zu beantworten.
Und ein paar Bücher, die es wert sind, gelesen zu werden (dies sind auch Affiliate -Hyperlinks, aber ich mache alle diese Bücher):
Es gibt Tonnen mehr, aber dies wären meine Prime Drei. Hier ist ein Hyperlink Weitere meiner Lieblingsbücher, wenn Sie weiter erkunden möchten!
Das Wichtigste, wenn Sie die Selbststudienroute gehen, ist die Konsistenz. Machen Sie einen Zeitplan und halten Sie sich daran, auch wenn es nur ein bisschen täglich ist.
Bootcamps
Vielleicht denken Sie, Sie möchten es vorziehen, ein wenig mehr Struktur und eine externe Rechenschaftspflicht in Ihrem Lernen zu haben. Wenn Sie sich nicht in vollem Maße festlegen möchten, können Bootcamps eine weitere Choice sein.
Einige Profis von Bootcamps sind:
- Schnelles Lernen-Sie können sie im Allgemeinen in wenigen Monaten abschließen.
- Strukturierter Lehrplan, weil alles für Sie angelegt ist, sodass Sie Ihren eigenen Lernplan nicht zusammenfügen müssen.
- Und Unterstützung in der Gemeinschaft – Sie lernen mit Kollegen mit und erhalten Mentoring von Ausbildern, die möglicherweise bereits vor Ort arbeiten.
Eine Sache, die Sie beachten sollten, ist, dass Bootcamps in der Qualität variieren und nicht alle von Arbeitgebern tremendous bewertet werden. Machen Sie vor dem Einschreiben Ihre Recherchen. Überprüfen Sie additionally Bewertungen, sprechen Sie mit Alumni und stellen Sie sicher, dass sie Karriereunterstützung bieten.
Grasp-Abschluss
Für diejenigen, die einen tiefen Eintauchen in die Knowledge Science mit starken Networking -Möglichkeiten suchen, kann ein Grasp -Abschluss eine solide Investition sein. Dies ist besonders nützlich, wenn Sie von einem nichttechnischen Hintergrund wechseln oder wenn Sie befürchten, dass Ihr Hintergrund keine Lebenslauf-Scan-Instruments übergeben.
Der Nachteil ist offensichtlich, dass die Masterprogramme teuer und zeitaufwändig sein können. Die gute Nachricht hier ist jedoch, dass es jetzt erschwingliche, Teilzeit-On-line-Programme gibt, mit denen Sie während der Arbeit studieren können. Zum Beispiel sind die Programme von Georgia Tech wirklich erschwinglich und von ziemlich anständiger Qualität.
Mentoring
Egal welchen Weg Sie einschlagen, Mentoring kann unglaublich hilfreich sein. Wenn Sie jemanden haben, der Sie führt, Suggestions geben und bei der Karriere -Navigation helfen kann, kann ein großer Unterschied führen.
Einige Möglichkeiten, Mentoren zu finden:
- In Ihrem Unternehmen – Wenn Ihr Unternehmen Datenwissenschaftler hat, fragen Sie, ob Sie zusammenarbeiten oder beschatten können.
- LinkedIn – Schließen Sie sich Knowledge Science -Gruppen an oder wenden Sie sich an Fachkräfte (ich habe ein Ganzes Video über Mentoring -Strategien Wenn Sie dabei Hilfe benötigen!).
- On-line -Communities wie Reddit, Discord -Server und Slack -Gruppen können eine weitere Möglichkeit sein, sich mit anderen Lernenden und Fachleuten zu verbinden.
- Oder beauftragen Sie einen Mentor – wenn Sie es ernst meinen, schnell aufzusteigen, in einen Mentor zu investieren dürfen sich lohnen.
Erfahrung zeigen
OK, Sie haben additionally alle Fähigkeiten gelernt, die Sie benötigen. Das ist großartig, aber wie beweisen Sie einem potenziellen Arbeitgeber, dass Sie tatsächlich die Aufgabe eines Datenwissenschaftlers erledigen können?
Ich habe Ein ganzes Video zum Bau eines Portfolios und Erfahrung außerhalb Ihrer Vollzeitbeschäftigung. Das TL; Dr.
Wenn Sie diesen Beitrag jedoch lesen, besteht eine anständige Probability, dass Sie derzeit bereits als Datenanalyst arbeiten, was Ihnen eine ganz andere Reihe von Möglichkeiten bietet, innerhalb Ihrer aktuellen Rolle zu nutzen.
Nehmen wir beispielsweise an, Sie erstellen regelmäßig Berichte in Excel oder Tableau. Sie können diesen Prozess mit Python -Skripten automatisieren und vielleicht sogar einige prädiktive Elemente hinzufügen. Oder wenn Ihr Unternehmen A/B -Assessments durchführt, hilft sich freiwillig für die statistische Analyse.
Wenn Sie ein Knowledge Science -Group haben, versuchen Sie, mit ihnen an einem Projekt zusammenzuarbeiten. Und wenn es kein Knowledge Science -Group gibt, richten Sie Ihren Arbeitgeber einige wirkungsvolle Projekte auf, die Ihnen auch helfen würden zu lernen.
Bestes Szenario, dies kann zu einem internen Übergang führen. Schlimmste Fall, Sie haben jetzt konkrete Beispiele für Auswirkungen und reale Datenwissenschaftsprojekte, die in Ihren Lebenslauf aufgenommen werden.
Einen Job bekommen
Wenn Sie in internem Übergang in der Lage sind, sind Sie großartig, Sie sind fertig! Wenn nicht, finden Sie hier einige Strategien, mit denen Sie diese erste Datenwissenschaftsrolle erhalten können:
Lassen Sie uns zunächst darüber sprechen, wie Sie sich on-line positionieren können. Ihr Lebenslauf, Ihr LinkedIn und Ihr GitHub müssen eine konsistente Geschichte erzählen, dass Sie bereits ein kompetenter Datenwissenschaftler sind (denn wenn Sie über die Fähigkeiten verfügen und solide Projekte durchgeführt haben, sind Sie es!). Anstatt „Datenanalyst auf der Suche nach Datenwissenschaftlern“ zu schreiben, können Sie sagen, „Datenfachmann spezialisiert auf prädiktive Analysen und maschinelles Lernen“.
Wenn es um Ihren GitHub geht, stellen Sie hier Ihr bestes Zeug hier an. Dies ist besonders wichtig für Analysten, da Ihre Codierungsfähigkeiten unter Kontrolle stehen. Additionally,
- Passen Sie Ihre besten ML -Projekte an der Spitze
- Schreiben Sie klare Readmes, die Ihren Ansatz erklären
- Stellen Sie sicher, dass Ihr Code intestine strukturiert und dokumentiert ist, wobei Sie die Software program -Engineering -Prinzipien verstehen
- Fügen Sie Visualisierungen und Ergebnisse hinzu, um die Auswirkungen zu präsentieren, die für Sie mit Ihrem Hintergrund einfach sein sollten!
Sobald es Zeit ist, sich zu bewerben, priorisieren Sie die Hybridrollen. Dies sind Positionen, die zwischen traditioneller Analytik und Datenwissenschaft liegen, und sie sind oft ein hervorragender Sprungbrett.
Zum Beispiel haben viele Unternehmen (darunter große Technologieunternehmen wie Meta und Amazon) Rollen, die sie als „Datenwissenschaftler“ bezeichnen, aber tatsächlich eher erweiterte Analysepositionen. Und ehrlich gesagt bei vielen Unternehmen sind die Linien sowieso verschwommen. Verwenden Sie diese Mehrdeutigkeit zu Ihrem Vorteil!
Wenn Sie sich auf Interviews vernetzen und sich vorbereiten, nutzen Sie Ihren Analyse -Hintergrund. Verwenden Sie Ihr tiefes Verständnis des geschäftlichen Kontextes, klare Kommunikationsfähigkeiten und Beispiele dafür, wie Sie das Unternehmen beeinflusst haben, um messbare Auswirkungen zu erzielen. Andere Kandidaten, die möglicherweise technischer sind, als Sie mit der Geschäfts- und Kommunikationsseite der Dinge zu kämpfen haben. Haben Sie additionally keine Angst, sich in Ihre Stärken zu lehnen.
Denken Sie daran, dass dieser Übergang nicht über Nacht passieren wird, und das ist okay. Was zählt, ist ein konsequenter Fortschritt. Jede Codezeile, die Sie schreiben, jedes Konzept, das Sie lernen, jedes Projekt, das Sie abschließen – alles summiert sich.
Wenn Sie das Gefühl haben, Unterstützung bei Ihrer Datenwissenschaft/ML -Karriere zu unterstützen, kann ich hier einige Möglichkeiten helfen:
Hinweis: Dieser Beitrag enthält Affiliate -Hyperlinks. Wenn Sie einen Kauf tätigen, verdiene ich eine kleine Provision, kostenlos für Sie. Vielen Dank für Ihre Unterstützung ❤