ui怎样做网站,网站开发速成培训机构,小红书推广方法,旅游网络营销论文这篇文章中#xff0c;本文作者将针对三种不同的、想要进入数据科学领域的人群#xff0c;给出自己的经验#xff0c;帮助他们迅速有效入行。无论是软件工程师、应届毕业生#xff0c;还是完全初学者#xff0c;都要问自己一个关键问题#xff1a;什么样的职业轨迹最接近… 这篇文章中本文作者将针对三种不同的、想要进入数据科学领域的人群给出自己的经验帮助他们迅速有效入行。无论是软件工程师、应届毕业生还是完全初学者都要问自己一个关键问题什么样的职业轨迹最接近你。如果你是想成功入门数据分析师或数据可视化专家那么这将是协助你走上正确的职业轨迹的最好方法。虽然没有适合每个人的万能解决方案但这三类建议值得想转行的你一看。一、如果你是零基础小白新手上路如果你刚刚进入数据科学领域请记住这一点这个领域发展很快我在这里给出的建议基本上在你工作时已经过时了。能满足2017年招聘岗位要求的建议策略在如今可能就不满足而今天的数据科学领域招聘标准与一两年后的标准之间的差异可能更大。对大数据以及人工智能概念都是模糊不清的该按照什么线路去学习学完往哪方面发展想深入了解想学习的同学欢迎加入大数据学习qq群458345782有大量干货零基础以及进阶的经典实战分享给大家并且有清华大学毕业的资深大数据讲师给大家免费授课给大家分享目前国内最完整的大数据高端实战实用学习流程体系 。从java和linux入手其后逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相关知识一一分享因此如果你打算在数据科学领域发展事业并且没有编程经验和STEM(科学Science科技Technology工程Engineering数学Mathematics四门学科英文首字母的缩写)背景那么这里有一些建议首先要保持开放的心态。如果你是一个新手那么你实际上并不知道什么是数据科学所以它完全有可能不是你想要的工作领域。请与LinkedIn上的一些数据科学家进行联系请他们喝咖啡并向他们请教;并关注数据科学播客。要成为数据科学家需要花费大量的时间和精力如果仅因你自认为驾驭数据科学很酷然后就一头扎进去这并不是冒险的好理由。请确保充分了解数据科学中不好的方面比如数据整理以及构建数据生产流水线而这些工作占了数据科学家日常工作的大部分时间。如果你决定要从事数据科学领域的工作那太好了!你首先要做的是学习Python。尽快在MOOC(大规模网络公开课平台即慕课)上选择相关的课程项目。当熟悉Python基本用法后请学习如何使用Jupyter otebooks工具并选学一些数据科学领域的网络公开课。如果你是完全从零开始的一开始就以高级的数据科学职位为目标可能不太好选择一些入门级的职位比较好比如数据可视化或数据分析职业的需求量很大并且市场需求也大。这些岗位的人员通常与数据科学家一起工作一旦你积累了相关经验就为今后的胜任更高级的数据科学相关职位奠定了基础。如何包装个人品牌如果你已经准备好申请工作你可能会惊讶地发现个人品牌在数据科学中非常重要。由于你没有任何专业经验或者没有计算机科学专业的研究生学位你也许会担心个人亮点不足。但实际上这可能是最大的优势所在如自学成才的开发人员/数据科学家这些将成为公司可以利用的快速学习和努力工作的优点。但问题是你背负着去实现那个形象的重担这是一座陡峭的山需要你去攀登但是回报肯定是值得的。二如果你已经是一枚软件工程师在我遇到的专业数据科学家中约有20%是软件工程师一方面他们有从编写程序到形成产品的工作经验是开发团队中难得的经验人才。另一方面对于全栈开发人员的需求很多使得公司比较愿意朝着全栈工程师方向培养软件工程师即使他们的录用通知上写的职位是“数据科学”。所以你要避免被当作软件工程师而不是数据科学家。其他一些建议首先可以先往更注重后端/数据库的方向上靠。把深化对数据生成线流水线的认识作为良好的开端可以帮助你建立关键的数据处理技能;当然也可以帮你重塑自己把自己塑造成一个经验丰富的数据管理者。机器学习工程可能是更容易过渡到数据科学领域的因为它和该领域的研究内容最接近。你可以先着手部署模型或将它们集成到现有应用程序因为这可以充分利用你的现有技能这是迈出第一步的好方法反正以后你总是可以投入更多精力到模型开发中的。为了让招聘人印象深刻你很可能需要建立机器学习或数据科学项目。那么利用你的软件工程技能把这些项目集成到可以向招聘人员和技术主管展示的应用程序中。这会特别有效因为它很直观并体现了你作为一个全栈数据科学家的潜力。要记住的是在过渡期你的薪资极大可能会变少。即使是高级软件工程师换到数据科学领域时通常也是要先过渡到初级职位的但令人惊讶的是他们中的很多人在做决定时并没有考虑这个因素然而拿到的薪资少了却又失望。如何包装个人品牌一个最简单的方法就是充分利用你的软件开发经验。作为初级职员已经知道如何编写干净、文档齐全的代码以及如何与他人协作这是大多数职位申请者不具备的。如果要真正做到善于写“干净的产品代码”你还需要尽可能多的去学习数据科学领域中类似的好案例。三、如果你是相关专业的应届毕业生新CS、数学或物理学毕业生如果你是应届理科本科硕士或博士毕业生那么你统计学和数学基础可能很好。但你可能从来没有申请过真正的工作职位也不知道如何准备面试。而且就算你在读期间一直有编码但很可能无法编写干净、组织良好的代码。所以要记住以下几点你在读期间所学的R是不够的。如果你是一名物理学家并且赌定要用MATLAB或Mathematica的技能找到工作那这可能不太会如愿;所以学习Python吧。你可能需要尽快学习这些你没接触过的东西协作版本控制(学习如何用GitHub与其他人一起工作)、容器化(学习如何使用Docker)和开发(学习如何用AWS或类似的服务在云上部署模型)。另外sql也是必须的。学习Python中的测试驱动开发如何使用文档字符串如何对代码进行模块化以及如何使用Jupyter笔记本(如果还不会的话)。如果你的领域特别注重数学那么深度学习可能是一个很好的探索方向。但你可能会发现从更传统的“scikit-learn”类型的数据科学开始起步再过渡到深度学习可能更容易。最重要的是要入行并尽快开始编程。如何包装个人品牌特别是如果你学的是数学或物理专业那么最好的策略是要呈现出自己是具有深厚理论知识的人。要做到这一点你需要能够自信地解释各种模型是如何工作的最好要熟悉文献中最新的热点(特别是如果你的目标是深度学习的话)。当然我所提供的建议并不能涵盖所有职业。对于软件工程师而言他们确实比其他人走的远一些一些有数学基础的初学者可能是最适合的深度学习的研究者。但是以上这些建议能为你的技能精进提供一个好的起点。对大数据以及人工智能概念都是模糊不清的该按照什么线路去学习学完往哪方面发展想深入了解想学习的同学欢迎加入大数据学习qq群458345782有大量干货零基础以及进阶的经典实战分享给大家并且有清华大学毕业的资深大数据讲师给大家免费授课给大家分享目前国内最完整的大数据高端实战实用学习流程体系 。从java和linux入手其后逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相关知识一一分享 转载于:https://blog.51cto.com/14217196/2398229
