如何在数据科学领域从起步到就业(附链接)
2019-03-08 来源:raincent
我们将告诉您最快、最可靠的方法,让您在数据科学领域,或在某个新的编程语言或新技术方面从零开始到找到工作。
在您想进入一个新的领域工作时,会想到一个“先有鸡还是先有蛋”般的问题——没有工作经验是找不到工作的,然而没有工作是不会有工作经验的。我最近也遇到了这个问题,当时我正由R转用Python,并准备应聘一份需要Python的工作。现在我想分享一下我是怎样解决这个问题的。
我一共经历了五个阶段,推荐大家也使用这种方法:
1. 学好基础
首先你需要打好基础,这是一项必须靠自己完成的工作。自己找到或让别人推荐一个好的课程,跟随课程学习,遇到难题时可以到(https://stackoverflow.com)询问。刚开始你可能会碰到不礼貌的回复,但是别泄气,因为你必须学会如何在那里问问题。
这会教会你向那些“不是你肚子里蛔虫”的人清楚地表达你的想法和问题,提出好的问题是你今后职业生涯中必不可少的技能。
在这个阶段你可以将获得一项证书作为既定的目标。例如,当我开始学习大数据技术时,我报名参加了Cloudera的Spark和Hadoop开发人员考试。一些专业人士不喜欢这类证书,认为它们无益于实际工作,但我认为它们非常有用。尤其是在刚开始时,它们可以作为一个目标,一个关于学习什么内容和何时将这第一阶段标记为“完成”的方向。
2. 找到一个充满激情的项目
很多人可能会在被困在第一阶段——这是一个危险的陷阱。相反,应该试着尽快放下课程,创建一些你感兴趣的项目。课程可以教你基础知识,但它们通常无法有效激励你。但是如果你能专注于对你来说很重要的事情中,你会更快地解决问题并因此而学得更快。
如果你想不出一个好的项目,那就四处看看现有的项目、阅读博客,扩展你已有的知识。这可能需要一段时间,但努力是值得的。当然,你也应该将所使用的技术定位在你想要的工作类型上。
不要害怕你的前一两个项目做的很糟糕。这种情况有可能会发生,我确定我就是这样,而那些“大牛”可能也是这样的。让第三个项目真正成功的唯一方法就是做出前两个项目。做前两个项目是你最能学到东西的时候。
3. 展示你的项目,吸引别人的注意
在当地会议上发言(参考https://meetup.com上简单的内容完成你第一个发言)
在Hacker News发布你的项目(https://news.ycombinator.com/showhn.html)
找到在你所在的地区的会议,并申请成为演讲者。对你的资历胡说八道(但不要说谎)是可以的,只要演讲本身有实质性内容并且值得让听众听到。
4. 贡献开源项目
在两个或三个个人项目之后,考虑为现有的大型开源项目做出贡献。向这些项目贡献代码是唯一从相当聪明的人那里获得反馈的方法,这些人很少做一对一的辅导。这是保持学习的最佳方式,但要达到这一水平需要一段时间。
5. 更新你的简历
将你参与的项目和演讲加入你的LinkedIn和/或Github简历中,并说明为什么你的项目是有意义的。你必须知道谁将阅读你的简历。对于招聘人员,你只需要把这个项目当作一个“正常”的工作来介绍。对于领域专家来说,只需说明这是一个没有报酬的项目,但要链接到你的Github存储库,也许还要提到它获得了多少收藏。
通过这种方法,你向你的潜在雇主发出了信号表明你有能力开始和完成一个项目,并且能够在一个团队中很好地协作。这就解决了开头提到的“先有鸡还是先有蛋”的问题。
祝你旅途愉快。有时你会感到沮丧,但终会有回报。
作者简介:Alexander Engelhardt ,在慕尼黑的LMU获得统计学理学硕士和博士学位,其后成为专门从事R语言机器学习的自由数据科学家。
Alexander Engelhardt:
http://www.alpha-epsilon.de/
相关资源:
On-line and web-based: Analytics, Data Mining, Data Science, Machine Learning education
https://www.kdnuggets.com/education/online.html
Software for Analytics, Data Science, Data Mining, and Machine Learning
https://www.kdnuggets.com/software/index.html
原本标题:
How to go from Zero to Employment in Data Science
原文链接:
https://www.kdnuggets.com/2019/01/from-zero-to-employment-data-science.html
标签: [db:TAGG]
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点!
本站所提供的图片等素材,版权归原作者所有,如需使用,请与原作者联系。
上一篇:畅谈机器学习和人工智能的未来
下一篇:“数据产品”设计指南