Von Knowledge Analyst bis Knowledge Science ist eine praktikable Möglichkeit, in das Bereich Knowledge Science einzudringen, und dieser Artikel soll erklären, wie Sie diesen Übergang durchführen können.
Warum zuerst ein Datenanalyst sein?
Ich empfehle oft, zuerst Knowledge Analyst zu werden und dann zu einem Datenwissenschaftler zu wechseln.
Warum mache ich das, da ich noch nie als Datenanalyst gearbeitet habe? Nun, es ist aus den folgenden Gründen.
- Datenanalyst zu werden ist einfacher als Datenwissenschaftler zu werden.
- Sie lernen und verstehen die Geschäftsauswirkungen, die Daten haben können – Anfängerdatenwissenschaftler konzentrieren sich häufig darauf, ausgefallene Modelle zu erstellen, anstatt Geschäftsprobleme zu lösen.
- In einigen Unternehmen können Sie trotz der Titelunterschiede sogar den gleichen Job wie der Datenwissenschaftler erledigen.
- Zeit in Beats Timing. In der Branche zu sein ist meiner Meinung nach immer besser.
Eine umfassende Roadmap, um ein Datenanalyst zu werden, liegt außerhalb des Rahmens dieses Artikels, aber ich würde gerne eine schaffen, wenn dies etwas ist, das Sie interessiert.
Was ist der Unterschied zwischen Datenanalyst und Wissenschaftler?
Obwohl Datenanalysten und Wissenschaftler in einigen Unternehmen ähnlich sein können, unterscheiden sich die Rollen in den meisten Fällen.
Im Allgemeinen ist ein Datenanalytiker mehr geschäftliche Entscheidungsfokus und arbeitet mit Instruments wie:
Ein Datenwissenschaftler kann so ziemlich alles tun, was ein Datenanalysten kann und in der sie weiter erweiterte Fähigkeiten haben, in:
Sie können es sich als Datenanalysten vorstellen, um zu betrachten, was passiert ist, und Datenwissenschaftler sind mehr besorgt darüber, was passieren wird, z. B. die Zukunft der Zukunft.
Sie müssen nicht von Datenanalysen zu Datenwissenschaften übergehen. Ich kenne viele Menschen, die fantastische Analysten sind und in ihrer aktuellen Rolle glücklich sind, viel Erfüllung bekommen und sehr intestine entschädigt werden.
Ich kenne jedoch auch viele Menschen, die zur Datenwissenschaft wechseln möchten und die Place der Datenanalysten als Sprungbrett verwenden.
Weder ist richtig noch falsch; Es kommt nur darauf an, was Ihr Ziel ist. Wenn Sie diesen Artikel lesen, möchten Sie den Sprung additionally machen.
Fähigkeiten zu entwickeln, um den Übergang zu entwickeln
Um vom Datenanalysten zum Datenwissenschaftler zu wechseln, müssen Sie Folgendes lernen.
Mathematik
Wenn Sie als Datenanalyst arbeiten, besitzen Sie wahrscheinlich bereits über gute Statistikfähigkeiten.
- Differenzierung und die Derivate von Standardfunktionen.
- Teilableitungen und multivariabler Kalkül.
- Kette und Produktregel.
- Matrizen und deren Operationen, einschließlich Merkmale wie Spuren, Determinanten und Transponieren.
Codierung
Als Datenanalyst sind Ihre SQL -Fähigkeiten wahrscheinlich bereits hervorragend. Die wichtigste Sache, die Sie verbessern müssen, ist die Python- und allgemeine Software program -Engineering.
- Erweiterte Python-Konzepte wie Unit-Exams, Klassen und objektorientierte Programmierung.
- Datenstrukturen und Algorithmen sowie Systemdesign.
- Ein Verständnis von Cloud -Systemen wie AWSAnwesend Azurblau oder GCP.
- ML -Bibliotheken wie z. Scikit-Be taughtAnwesend XgboostAnwesend TensorflowUnd Pytorch.
Maschinelles Lernen
Sie müssen kein ML -Experte sein, aber Sie sollten die Grundlagen ziemlich intestine verstehen.
Wie lernt man?
Selbststudie
Der unkomplizierteste und intuitivste Ansatz besteht darin, in Ihrer Freizeit nach der Arbeit oder am Wochenende zu studieren.
Einige Leute mögen das vielleicht nicht, aber wenn Sie sich in Ihrer Karriere verändern möchten, müssen Sie Zeit und Mühe geben. Das ist die brutale Wahrheit. Eine Menge Menschen möchten Datenwissenschaftler sein, daher ist es kein Spaziergang im Park.
Es stehen zahlreiche Ressourcen zur Verfügung, um sich über die oben genannten Themen zu informieren, und ich habe mehrere Weblog -Beiträge zu den genauen Büchern und Kursen geschrieben, die Sie verwenden sollten.
Ich werde sie unten verlinkt und empfehle Ihnen dringend, sie anzusehen!
Die Profis der Selbststudie sind:
- Sehr kostengünstig und kann sogar völlig kostenlos sein.
- Lernen Sie nach Ihrem eigenen Zeitplan.
- Benutzerdefinierte Lernpfad.
Und die Nachteile:
- Es gibt keine klaren Strukturen, daher ist es einfach, falsch zu gehen.
- Keine formellen Anmeldeinformationen.
- Erfordert hohe Disziplin und Motivation.
Grad
Sie können jederzeit zur Schule zurückkehren und einen formalen Abschluss in Datenwissenschaft oder maschinellem Lernen absolvieren.
Die Profis dieses Ansatzes sind:
- Schwerpunkt auf Mathematik, Statistik, Informatik und algorithmischem Verständnis.
- Ein Abschluss (insbesondere von einer Prime -Universität) hat bei einigen Arbeitgebern mehr Gewicht.
- Zugang zu Fakultäten, Alaun -Netzwerken, Forschungsprojekten und Praktika.
Die Nachteile sind:
- Es kann zu theoretisch sein und es fehlen reale Projekte und Daten.
- Dauert 2–4 Jahre (Bachelor) oder 1–2 Jahre (Grasp).
- Kann teuer sein
- Benötigen Sie starke akademische Aufzeichnungen, möglicherweise GRE, Empfehlungsschreiben oder Voraussetzungen.
Bootcamps
Diese sind in den letzten Jahren aufgrund der wachsenden Nachfrage nach Daten und maschinellen Lernen überall aufgetaucht.
Im Allgemeinen bieten sie eine billigere Different zu Grad mit mehr praktischen Projekten und praktischen Lektionen.
Die Profis sind:
- Die meisten Bootcamps dauern 3 bis 6 Monate und konzentrieren sich nur auf Datenwissenschaftsfähigkeiten.
- Starker Fokus auf reale Projekte, Codierung und Instruments (Python, SQL, maschinelle Lernbibliotheken).
- Viele bieten Karriere -Teaching, Lebensläufe, Scheininterviews und Unterstützung bei der Arbeitsplatzplatzierung an.
- Billiger als einen Grad.
Und die Nachteile:
- Flache theoretische Tiefe.
- Es kann zu schnell sein.
- Die Qualität kann variieren. Achten Sie additionally darauf, Ihre Recherchen vor der Teilnahme durchzuführen.
- Begrenzte Glaubwürdigkeit gegenüber Arbeitgebern.
Bei Ihrem aktuellen Job
Dies ist mein Favorit und es ist das effektivste und lohnendste.
Sie können alles in Ihrem aktuellen Job lernen, wenn Sie an den richtigen Projekten arbeiten und Ihrem Supervisor auch Interesse an den Fähigkeiten und Instruments zum Ausdruck bringen, die Sie entwickeln möchten.
Supervisor lieben es, wenn ihre direkten Berichte die Initiative ergreifen und Leidenschaft für ihre Arbeit zeigen, da dies ihnen auch als Nebenprodukt zugute kommt.
Die Profis sind:
- Bezahlt werden, um zu lernen, was für ein Sieg!
- Zugriff auf reale Daten und Geschäftsprobleme.
- Knowledge Science -Erfahrung in der realen Lebens, um Ihr Portfolio hinzuzufügen.
- Es kann Ihnen sogar ermöglichen, Vollzeit in die Datenwissenschaft zu wechseln.
Die Nachteile sind:
- Dies könnte zu mehr Arbeitsbelastung führen.
- Rollenerwartungen können festgelegt werden, und es kann kaum bis gar keine interne Mobilität geben.
Erstellen Sie Ihr Portfolio
Während und nach Ihrem Studium müssen Sie Beweise für die Arbeit erstellen, die Sie als Datenwissenschaftler ausführen können, wobei Sie im Grunde ein Portfolio erstellen können.
Ich aircraft, bald ein detaillierteres Video darüber zu veröffentlichen, was ein starkes Knowledge Science-Portfolio enthalten sollte. Aber im Second ist hier die Kurzversion:
- Kaggle -Wettbewerbe– Mach ein oder zwei. Es geht nicht darum, hoch zu platzieren; Es geht darum, zu zeigen, dass Sie mit echten Datensätzen arbeiten können und durchlaufen können.
- 4–5 einfache Projekte– Dies sollten schnelle Builds sein, die Sie in ein oder zwei Tagen ausführen können. Laden Sie sie in GitHub hoch. Schreiben Sie kurze Weblog -Beiträge, um Ihren Prozess und Ihre Entscheidungen zu erklären.
- Weblog -Beiträge– Zielen Sie ungefähr fünf. Sie können über alles abdecken, was mit Datenwissenschaft im Zusammenhang mit Tutorials, Erkenntnissen, Erkenntnissen und Erkenntnissen-nur zeigen, dass Sie kritisch denken und intestine kommunizieren.
- Ein solides persönliches Projekt– Dies ist Ihr Herzstück. Etwas ausführlicheres, an dem Sie über einen Monat, ein oder zwei Stunden professional Tag arbeiten. Es sollte Finish-to-Finish-Denken präsentieren und etwas sein, an dem Sie wirklich interessiert sind.
Das conflict’s.
Die Leute überkomplizieren diesen Schritt viel zu viel. Fangen Sie einfach mit bauen – und tauchen Sie weiter auf.
Den Job bekommen
Wie ich oben sagte, besteht der einfachste Weg, intern zu wechseln.
Wenn dies keine Possibility ist, müssen Sie sich damit beschäftigt, sich zu bewerben!
Sie müssen Ihr CV/Lebenslauf, Ihr LinkedIn -Profil und Ihr GitHub -Konto mit der Job -Rolle des Datenwissenschaftlers ausrichten. Stellen Sie sicher, dass Sie sich selbst als Datenwissenschaftler beziehen und nicht „streben“.
Ich habe Physik an der Universität studiert, aber ich wurde nie für die Praxis von Physik bezahlt. Ich bin immer noch Physiker. Gleiches gilt für die Datenwissenschaft.
Nutzen Sie Ihr Portfolio überall, um Ihre Fähigkeiten zu demonstrieren. Ihr GitHub -Profil sollte mit Ihrem LinkedIn -Profil verlinken, das dann zu Ihren Weblog -Posts und anderen relevanten Inhalten verlinken sollte. Holen Sie sich ein Ökosystem, das Menschen fängt, damit sie mehr Zeit mit Ihnen verbringen.
Nachdem alles ausreichend erstellt wurde, bewerben Sie sich für mehr analyticsorientierte Rollen mit dem Titeldatenwissenschaftler. Natürlich können Sie sich für die maschinelleren Lernen entscheiden, aber sie werden schwieriger zu bekommen sein.
Nutzen Sie Ihr Netzwerk auch für Empfehlungen. Wenn Sie seit einiger Zeit im Datenfeld arbeiten, muss es mindestens eine Individual geben, die Sie wissen, die Sie an einen Datenwissenschaftsjob verweisen können.
Das Schöne am Übergang von einem Datenanalyst zum Datenwissenschaftler ist, dass Sie sich Zeit nehmen können, da Sie bereits Geld und vor Ort verdienen, was den Druck ausnimmt. Stellen Sie einfach sicher, dass Sie sich daran halten und konsequent Fortschritte machen!
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, Lebenslaufüberprüfungtopmate.io