Bild von Autor | Leinwand
Der Information Science -Arbeitsmarkt ist überfüllt. Arbeitgeber und Personalvermittler sind manchmal echte A-Löcher, die Sie nur dann eingehen, wenn Sie dachten, Sie würden anfangen, über Ihr Gehalt zu verhandeln.
Als ob die Bekämpfung Ihrer Konkurrenz, Personalvermittler und Arbeitgeber nicht genug sind, müssen Sie sich auch selbst bekämpfen. Manchmal liegt der Mangel an Erfolg bei Interviews wirklich bei Datenwissenschaftlern. Fehler zu machen ist akzeptabel. Nicht von ihnen zu lernen ist alles andere als!
Lassen Sie uns additionally einige häufige Fehler analysieren und sehen, wie sie sie bei der Bewerbung für einen Datenwissenschaftsjob nicht machen können.
1. Behandeln Sie alle Rollen gleich
Fehler: Senden Sie den gleichen Lebenslauf und das gleiche Anschreiben an jede Rolle, die Sie beantragen, von forschungslastigen und kundenorientierten Positionen bis hin zu Koch oder Timothée Chalamet-Lookalike.
Warum es weh tut: Weil Sie den Job wollen, nicht der beste Gesamtkandidat für alle Positionen, die wir nicht einstellen, die wir nicht einstellen „. Unternehmen möchten, dass Sie in den jeweiligen Job passen.
Eine Rolle bei einem Software program -Startup könnte Produktanalysen priorisieren, während eine Versicherungsgesellschaft für die Modellierung in R. eingestellt wird
Nicht Anpassung deines Lebenslauf und ein Anschreiben, um sich als sehr geeignet für eine Place zu präsentieren, besteht darin, dass er auch vor dem Interview übersehen wird.
Ein Repair:
- Lesen Sie die Stellenbeschreibung sorgfältig durch.
- Stellen Sie Ihren Lebenslauf und Ihr Anschreiben an die genannten Arbeitsanforderungen an – Fähigkeiten, Werkzeuge und Aufgaben.
- Pay attention Sie nicht nur Fähigkeiten auf, sondern zeigen Sie Ihre Erfahrungen mit relevanten Anwendungen dieser Fähigkeiten.
2. Zu generische Datenprojekte
Fehler: Senden eines Datenprojektportfolios mit gewaschenen Projekten wie Titanic, Iris-Datensätzen, MNIST oder Immobilienpreisvorhersage.
Warum es weh tut: Weil die Personalvermittler beim Lesen Ihrer Bewerbung einschlafen. Sie haben tausende Male die gleichen Portfolios gesehen. Sie werden Sie ignorieren, da dieses Portfolio nur Ihren Mangel an geschäftlichen Denken und Ihre Kreativität zeigt.
Ein Repair:
- Arbeiten Sie mit chaotischen, realen Daten. Quellen Sie die Projekte und Daten von Web sites wie z. StratascratchAnwesend KaggleAnwesend DatasfAnwesend Datahub von NYC Open InformationAnwesend Tolle öffentliche Datensätzeusw.
- Arbeit an weniger gemeinsamen Projekten arbeiten
- Wählen Sie Projekte aus, die Ihre Leidenschaften zeigen und praktische Geschäftsprobleme lösen, idealerweise diejenigen, die Ihr Arbeitgeber möglicherweise haben.
- Erklären Sie Kompromisse und warum Ihr Ansatz in einem geschäftlichen Kontext sinnvoll ist.
3.. Unterschätze SQL
Fehler: SQL nicht genug üben, weil es im Vergleich zu Python oder maschinellem Lernen einfach ist.
Warum es weh tut: Denn es macht Sie nicht zu einem SQL -Experten, Python zu kennen und zu vermeiden. Oh ja, SQL wird auch stark getestet, insbesondere für Analysten- und mittlere Datenwissenschaftsrollen. Interviews konzentrieren sich oft mehr auf SQL als auf Python.
Ein Repair:
- Üben Sie komplexe SQL -Konzepte: Unterabfragen, CTEs, Fensterfunktionen, Zeitreihen, Dreh- und Angelpunkte und rekursive Abfragen.
- Verwenden Sie Plattformen wie Stratascratch Und Leetcode Praxis reale SQL-Interviewfragen.
4. Produktdenken ignorieren
Fehler: Konzentration auf Modellmetriken anstelle des geschäftlichen Werts.
Warum es weh tut: Weil ein Modell, das den Kunden mit 94% prognostiziert, voraussagt Roc-aucaber meistens kennzeichnet Kunden, die das Produkt nicht mehr verwenden, keinen geschäftlichen Wert. Sie können keine Kunden behalten, die bereits weg sind. Ihre Fähigkeiten existieren nicht in einem Vakuum. Arbeitgeber möchten, dass Sie diese Fähigkeiten nutzen, um Wert zu erzielen.
Ein Repair:
5. Mlops ignorieren
Fehler: Konzentrieren Sie sich nur auf den Aufbau eines Modells und ignorieren gleichzeitig seine Bereitstellung, Überwachung, Feinabstimmung und wie es in der Produktion läuft.
Warum es weh tut: Weil Sie Ihr Modell, das Sie wissen, wo kleben können, wenn es in der Produktion nicht verwendbar ist. Die meisten Arbeitgeber werden Sie nicht für einen ernsthaften Kandidaten betrachten, wenn Sie nicht wissen, wie Ihr Modell bereitgestellt, umgeschult oder überwacht wird. Sie werden das alles selbst nicht unbedingt selbst tun. Sie müssen jedoch einige Kenntnisse zeigen, da Sie mit Ingenieuren für maschinelles Lernen zusammenarbeiten, um sicherzustellen, dass Ihr Modell tatsächlich funktioniert.
Ein Repair:
- Verstehen Sie die drei Hauptmethoden von Datenverarbeitung: Batch-, Echtzeit- und Hybridverarbeitung.
- Verstehen Pipelines für maschinelles LernenAnwesend CI/CDUnd Modellüberwachung des maschinellen Lernens.
- Üben Sie das Workflow -Design in Ihren Projekten, indem Sie einbeziehen DatenaufnahmeModell AusbildungAnwesend VersioningUnd Portion.
- Machen Sie sich mit maschinellen Lernen Orchestrierungstools vertraut, wie z. Präfekt Und Luftstrom (zur Orchestrierung), Kubeflow Und Zenml (für Pipeline -Abstraktion) und Mlflow Und Gewichte & Vorurteile (zur Verfolgung).
6. Unvorbereitete auf Fragen des Verhaltensinterviews
Fehler: Fragen wie „Erzählen Sie mir von einer Herausforderung, mit der Sie ausgesetzt sind“ als nicht wichtige und nicht auf sie vorbereiten.
Warum es weh tut: Diese Fragen sind nicht Teil des Interviews (nur), da sich der Interviewerin mit ihrem Familienleben zu Tode gelangweilt hat. Verhaltensfragen testen Sie, wie Sie denken und kommunizieren.
Ein Repair:
7. Verwenden von Schlagwörtern ohne Kontext
Fehler: Verpacken Sie Ihren Lebenslauf mit technischen und geschäftlichen Schlagworten, aber keine konkreten Beispiele.
Warum es weh tut: Denn „gehebelte hochmoderne Large-Information-Synergien zur Straffung skalierbarer datengesteuerter KI-Lösung für Finish-to-Finish-Generative Intelligence in der Cloud“ bedeutet nichts. Sie könnten versehentlich jemanden damit beeindrucken. (Aber zählen Sie nicht darauf.) Häufiger werden Sie gebeten zu erklären, was Sie damit meinen, und riskieren, zuzugeben, dass Sie keine Ahnung haben, wovon Sie sprechen.
Beheben:
- Vermeiden Sie die Verwendung von Schlagwörtern Und klar kommunizieren.
- Wissen Sie, wovon Sie sprechen. Wenn Sie die Verwendung von Schlagwörtern nicht vermeiden können, fügen Sie für jedes Schlagwort einen Satz hinzu, der zeigt, wie Sie ihn verwendet haben und warum.
- Sei nicht vage. Anstatt zu sagen: „Ich habe Erfahrung mit DL“, sagen Sie „Ich habe benutzt langes Kurzzeitgedächtnis Prognose der Produktnachfrage und reduzierter Lagerbestände um 24%“.
Abschluss
Es ist nicht schwierig, diese sieben Fehler zu vermeiden. Sie können kostspielig sein, additionally machen Sie sie nicht. Der Rekrutierungsprozess in der Datenwissenschaft ist kompliziert und grausam genug. Versuchen Sie, Ihr Leben nicht noch komplizierter zu machen, indem Sie den gleichen dummen Fehlern erliegen wie andere Datenwissenschaftler.
Nate Rosidi ist Datenwissenschaftler und in Produktstrategie. Er ist außerdem eine zusätzliche Professorin für Lehranalysen und Gründer von Stratascratch, einer Plattform, die Datenwissenschaftlern hilft, sich auf ihre Interviews mit echten Interviewfragen von High -Unternehmen vorzubereiten. Nate schreibt über die neuesten Tendencies auf dem Karrieremarkt, gibt Interviewberatung, teilt Datenwissenschaftsprojekte und deckt alles SQL ab.