Как выделиться среди сотен кандидатов в науку о данных?

Несколько простых (и не очень простых) способов доказать работодателям, что ваши навыки и отношение ставят вас в более высокую категорию.

Зачем выделяться?

Потому что существует огромная конкуренция за получение работы специалиста по данным.

Потому что идет безумный порыв. Любой инженер, ученый и работающий профессионал называют себя специалистом по данным.

Потому что вы не уверены, сможете ли вы в этом порезаться или нет. Помните, что синдром самозванца жив в науке о данных.

Я могу продолжить, но вы поняли ...

Итак, как отличить себя от массы? Не знаю, сможете ли вы, но могу дать вам несколько советов, чтобы проверить себя. Вот о чем эта статья.

Задайте себе несколько простых вопросов

Задайте себе несколько вопросов и посчитайте количество ответов ДА. Чем больше вы это делаете, тем больше вы отделяетесь от масс.

Если ты новичок

• Вы опубликовали свой собственный пакет Python / R (независимо от того, в каком коде)?
• Если да, написали ли вы обширную документацию, чтобы ее могли легко использовать все остальные?
• Вы перенесли свой анализ из блокнота Jupyter в полностью опубликованное веб-приложение? Или вы исследовали инструменты, которые помогут вам сделать это легко?
• Вы написали хотя бы несколько качественных, подробных статей, описывающих ваш хобби-проект?
• Вы пытаетесь применить на практике метод обучения Фейнмана, то есть преподать концепцию, которую вы хотите узнать, ученику шестого класса?

На более продвинутой стадии

Если вы не новичок, но считаете себя достаточно зрелым специалистом по обработке данных, делаете ли вы это?

• Пытаетесь ли вы сознательно интегрировать хорошие методы разработки программного обеспечения (например, объектно-ориентированное программирование, модуляризацию, модульное тестирование) в свой код для науки о данных при каждой возможности?
• Вы ставите себе целью не останавливаться на немедленном анализе данных, который вы должны были сделать, а представить, что произошло бы при 100-кратном объеме данных или 10-кратной стоимости неверного прогноза? Другими словами, сознательно ли вы думаете о масштабировании данных или проблем и их влиянии?
• Вы ставите себе целью не останавливаться на традиционных показателях машинного обучения, но также задумываться о стоимости сбора данных и ценности машинного обучения для бизнеса?

Создание инструментов и создание документации: два важных навыка, которые нужно иметь

Не тратьте все свое время и энергию на анализ больших наборов данных или эксперименты с новейшей моделью глубокого обучения.

Выделите не менее 25% своего времени на обучение нескольким вещам, которые ценятся повсюду, в каждой организации, в любых ситуациях,

• создание небольшой, но специализированной утилиты инструментов для ежедневного анализа данных. В этом упражнении ваш творческий потенциал будет течь свободно. Вы создаете что-то, что может не иметь тысяч непосредственных пользователей, но это будет новое и ваше собственное творение.
• чтение и создание высококачественной документации, связанной с новыми инструментами, фреймворками или только что созданным служебным инструментом (см. выше). Это заставит вас научиться сообщать о полезности и механике вашего творения в понятной для широкой аудитории манере.

Как видите, эти привычки довольно легко развить и практиковать, то есть они не требуют изнурительной работы, многолетнего опыта работы в статистике или передовых знаний в области глубокого машинного обучения.

Но, что удивительно, не все их принимают. И это ваш шанс отличиться.

Как воспользоваться этими привычками на собеседовании?

Представьте себя на собеседовании. Если бы у вас было много ответов ДА на вышеперечисленные вопросы, вы могли бы упомянуть своему интервьюеру,

• «Эй, ознакомьтесь с классным пакетом Python, который я создал для генерации синтетических данных временных рядов по своему желанию».
• «Я также написал подробную документацию, которая размещена на веб-сайте MyApp.readthedocs.io. Он построен с использованием Sphinx и Jekyll ».
• «Я регулярно пишу статьи по науке о данных для крупнейшей онлайн-платформы Towards Data Science. На основании этого я даже получил предложение об издании книги от известного издателя, такого как Packt или Springer ».
• «Каждый может поместить модель машинного обучения в блокнот Jupyter. Но я могу взломать базовую демонстрацию веб-приложения этой функции Scikit-learn, где вы можете отправлять данные через REST API и возвращать прогноз ».
• «Я могу помочь в анализе рентабельности новой программы машинного обучения и рассказать вам, перевешивают ли выгоды усилия по сбору данных и как это сделать оптимальным образом».

Представьте себе, как вы будете звучать для доски для собеседований по сравнению со всеми другими кандидатами, которые хорошо справляются с обычными вопросами статистики и градиентного спуска, но не предлагают очевидных доказательств всесторонних способностей.

Они показывают, что вы любопытны в вопросах науки о данных.

Они показывают, что вы читаете, анализируете, общаетесь. Вы создаете и документ для других.

Они показывают, что ваше мышление выходит за рамки записных книжек и точности классификации в область добавления ценности для бизнеса и сочувствия к клиентам. Какая компания не понравится такой кандидат?

… Эти привычки довольно легко развить и практиковать, т.е. они не требуют изнурительной работы, многолетнего опыта работы в статистике или передовых знаний в области глубокого машинного обучения. Но, что удивительно, не все их принимают. И это ваш шанс отличиться.

Где я могу получить помощь?

Есть так много отличных инструментов и ресурсов, которые помогут вам практиковаться. Невозможно даже перечислить их значительную часть в одной маленькой статье. Я просто показываю несколько репрезентативных примеров. Ключевая идея - исследовать эти направления и находить себе вспомогательные средства.

• Создавайте устанавливаемые пакеты программного обеспечения, используя только записные книжки Jupyter

• Как создать отличный пакет Python - шаг за шагом

• Узнайте, как интегрировать принципы модульного тестирования в свои собственные модели машинного обучения и разработку модулей

• Узнайте, как интегрировать принципы объектно-ориентированного программирования в задачу по науке о данных.

• Создавайте интерактивные веб-приложения с помощью простых скриптов Python - знания HTML / CSS не требуются

• Пишите целые книги по программированию и технологиям прямо из записной книжки Jupyter. Используйте это также для создания документации.

• Понять многогранную сложность реальной аналитической проблемы и понять, что это гораздо больше, чем просто моделирование и прогнозирование

Представьте себе, как вы будете звучать для доски для собеседований по сравнению со всеми другими кандидатами, которые хорошо справляются с обычными вопросами статистики и градиентного спуска, но не предлагают очевидных доказательств всесторонних способностей.

Несколько слов о МООК / онлайн-курсах

Не прыгайте по ступенькам во время обучения. Следуйте шагам.

Читайте темы досок и книги при любой возможности

Не сосредотачивайтесь только на чтении последнего трюка с глубоким обучением или сообщения в блоге о последней библиотеке Python. При любой возможности читайте на досках темы на ведущих форумах отрасли и в хороших книгах. Вот некоторые из книг и форумов, которые мне нравятся:

Резюме

Наука о данных и связанные с ней навыки машинного обучения и искусственного интеллекта сейчас чрезвычайно востребованы на рынке труда, поскольку все больше и больше предприятий принимают и используют эти преобразующие технологии. Между спросом и предложением талантов существует сильная конкуренция и недопонимание.

Животрепещущий вопрос: как отличиться от сотни соискателей?

Мы перечислили некоторые ключевые вопросы, которые вы можете задать себе, и оценить свою уникальность в отношении некоторых навыков и привычек, которые отличают вас от других. Мы показали несколько вымышленных фрагментов разговоров, которые вы можете вести на доске для собеседований, демонстрируя эти навыки и привычки. Мы также предоставили краткий список ресурсов, которые помогут вам начать работу с ними.

Мы перечислили несколько подходов к прохождению МООК и предложили ресурсы для чтения.

Желаем вам всего наилучшего в вашем путешествии по науке о данных…

Понравилась статья? Станьте средним участником, чтобы продолжить обучение без ограничений. Я получу часть вашего членского взноса, если вы воспользуетесь следующей ссылкой, без дополнительных затрат.