Innehåll
- Building the Education Foundation: Tre primära tips
- Mer än kurser: Två fler tips
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Att veta vilket verktyg du ska ta ur din verktygslåda: Tips för att hålla dig framför kurvan
- Väsentliga mjuka färdigheter: Ytterligare sex tips
- Datadussinet
Källa: Artinspiring / Dreamstime.com
Hämtmat:
Datavetare behöver uppenbarligen starka kunskaper i matematik och kodning, men kommunikation och andra mjuka färdigheter är också viktiga för att lyckas.
Datavetenskapsman är det bästa jobbet för 2019 i Amerika på Glassdoor. Med en medianbaslön på $ 108 000 och en arbetsnöjdhetsgrad på 4,3 av 5, plus ett stort antal öppnade förutsägelser, är det inte förvånande. Frågan är: Vad måste man göra för att komma på rätt väg för att kvalificera sig för detta jobb?
För att ta reda på det såg vi efter råd som givits de som försöker komma på detta karriärspår. Mycket kommer till de hårda färdigheterna i kodning och matematik. Men den starka beräkningen ensam minskar inte den. Framgångsrika datavetare måste också kunna prata med affärsmän på sina egna villkor, vilket kräver kapaciteterna förknippade med mjuka färdigheter och ledarskap. (För att lära dig mer om uppgifterna för en datavetare, se Jobbroll: Datavetare.)
Building the Education Foundation: Tre primära tips
Drace Zhan, en datavetare vid NYC Data Science Academy, betonar behovet av en utbildningsstiftelse som innehåller det väsentliga i kodning och matematisk förmåga:
- R / Python + SQL. Om du inte har kodningsfärdigheterna, behöver du mycket nätverkskraft och andra områden för att öka detta underskott. Jag har sett datavetare med svag matematik och liten domänerfaring, men de har alltid bärs av en stark kodförmåga. Python är perfekt men R är ett bra fall-back-verktyg. Det är bäst att ha båda i ditt arsenal. SQL är också oerhört viktigt för en dataanalytiker.
- Starka matematiska färdigheter. Att ha mycket god förståelse för några av de vanligt använda metoderna: generaliserade linjära modeller, beslutsträd, K-medel och statistiska test är bättre än att ha en bred bild av olika modeller eller specialisering såsom RNN.
Det är centrala färdigheter att bygga på, även om vissa experter lägger till dem. Till exempel innehåller en KDnuggets-lista kodningskomponenterna som Zhan nämnde och lägger till några andra användbara saker att veta på den tekniska sidan, inklusive Hadoop-plattformen Apache Spark, datavisualisering, ostrukturerad data, maskininlärning och AI.
Men om vi tar våra ledtrådar från en undersökning om de mest använda verktygen som identifierats för användning i verkligheten av en Kaggle-undersökning, får vi något olika resultat. Som du kan se från grafen över de 15 bästa valen nedan gör Python, R och SQL enkelt de tre bästa, men det fjärde är Jupyter-anteckningsböcker, följt av TensorFlow, Amazon Web Services, Unix shell, Tableau, C / C ++, NoSQL , MATLAB / Octave och Java, alla före Hadoop och Spark. Ytterligare ett tillägg som kan överraska människor är Microsofts Excel Data Mining.
Bild med tillstånd av Kaggle
KDnuggets-listan innehåller också ett tips om formell utbildning. De flesta datavetare har avancerade grader: 46 procent har doktorer och 88 procent har minst en magisterexamen. Grundutbildningen de har delas vanligtvis mellan relaterade områden. Cirka en tredjedel är i matematik och statistik, vilket är det mest populära för denna karriärspår. Den näst mest populära är en datavetenskapsexamen, som innehas av 19 procent, och teknik, valet av 16 procent. Naturligtvis studeras ofta de tekniska verktygen för datavetenskap inte i utbildningsprogrammen utan på specialiserade startläger eller via onlinekurser.
Mer än kurser: Två fler tips
Hank Yun, en forskningsassistent vid lungavdelningen vid Weill Cornell Medicine och student vid NYC Data Science Academy, råder hålande datavetare att planera kring vad de kommer att arbeta med och hitta en mentor. Han sa:
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Gör inte misstaget jag gjorde genom att säga dig själv att du känner datavetenskap eftersom du tog en kurs och fick ett certifikat. Det är en bra start, men när du börjar studera, gå med ett projekt i åtanke. Hitta sedan en mentor i fältet och starta ett passionprojekt direkt! När du är fräsch vet du inte vad du inte vet så det hjälper när någon är där för att vägleda dig till vad som är viktigt för dig och vad som inte är det. Du vill inte spendera mycket tid på att studera med ingenting att visa för det!
Att veta vilket verktyg du ska ta ur din verktygslåda: Tips för att hålla dig framför kurvan
Med tanke på skillnaden i rankningen av datavetenskapliga verktyg kan vissa kännas förvirrade över vad de ska fokusera på. Celeste Fralick, chefsdataforskare vid säkerhetsprogramvaruföretaget McAfee, tar upp frågan i en CIO-artikel som tittar på de grundläggande färdigheterna för en datavetare och förklarar, ”En datavetare måste hålla sig framför kurvan inom forskning, liksom förstå vilken teknik som ska tillämpas när. ”Det betyder att man inte lockas av det“ sexiga ”och det nya, när det faktiska problemet” kräver något mycket mer köra. "Att vara medveten om beräkningskostnaderna för ekosystemet, tolkbarhet, latens, bandbredd och andra systemgränsvillkor - såväl som kundens mognad - i sig hjälper datavetaren att förstå vilken teknik som ska tillämpas."
Väsentliga mjuka färdigheter: Ytterligare sex tips
Det som Fralick tar upp hänför sig till de icke-tekniska färdigheter som datavetare jobbet kräver. Det är därför KDnuggets-listan innehåller dessa fyra: intellektuell nyfikenhet, lagarbete, kommunikationsförmåga och affärsskick. Zhan inkluderade också viktiga mjuka färdigheter i sina tips för datavetare, identifiera "kommunikationsförmåga" som KDnuggets, men använder "domänkompetens" i stället för "affärsskicklighet." Vad det än kallas hänvisar det till praktisk tillämpning av datavetenskap på företag. (För att lära dig mer om kommunikationsförmåga, se vikten av kommunikationsfärdigheter för tekniska yrkespersoner.)
Olivia Parr-Rud erbjöd sin egen snurr på detta och tilllade ytterligare två mjuka färdigheter, med betoning på rollen som kreativitet, hävdar, "Jag tänker på datavetenskap som en konst lika mycket som en vetenskap," något som kräver att dra på styrkorna på båda sidor av hjärnan. ”Många talar om datavetenskap som en karriär som främst använder vänsterhjärnan. Jag har funnit att för att vara framgångsrika måste dataforskare använda hela hjärnan. ”
Hon förklarade att framsteg inom fältet inte bara kräver teknisk kompetens utan kreativitet och den vision som behövs för ledarskap:
De flesta vänsterhjärnans / linjära uppgifter kan automatiseras eller out-sourced. För att erbjuda en konkurrensfördel som dataforskare måste vi kunna känna igen mönster och syntetisera stora mängder information med hjälp av båda sidor av vår hjärna. Och vi måste vara innovativa tänkare. Många av de bästa resultaten är resultatet av integrationen av vänster- och högerhjärnan.
Hon betonade också varför det är viktigt att kommunicera en vision:
Som datavetare är vårt mål att använda data för att hjälpa våra kunder att öka sina vinster. De flesta chefer förstår inte vad vi gör eller hur vi gör det. Så vi måste tänka som ledare och kommunicera våra resultat och rekommendationer på ett språk som våra intressenter förstår och litar på.
Datadussinet
De viktigaste tipsen innehåller ett större antal tekniska verktyg, färdigheter och kapacitet, samt mindre kvantifierbara kvaliteter, som lämplighet för kreativitet och ledarskap. I slutändan är det inte bara ett siffrespel. Eftersom datavetenskap inte bara handlar om att skapa modeller i ett vakuum utan att komma med praktiska applikationer för att lösa verkliga problem för företag, behöver de som lyckas inom området inte bara behärska tekniken utan att känna till deras affärsområde och förstå behoven hos de olika medlemmarna i teamet på jobbet.