پیش گفتار : "چگونه شغل data scientists پیدا کنم؟"

به عنوان دانشمندان داده کهنه کار، دائماً این سؤال از ما پرسیده می شود. گاهی اوقات، مستقیماً از ما سؤال می شود؛ در مواقع دیگر، مردم به طور غیرمستقیم از طریق سوالاتی در مورد تصمیماتی که در حرفه خود گرفته ایم تا به جایی که هستیم می پرسند. در ظاهر، افرادی که سؤالات را می پرسند، به نظر می رسد که مبارزه دائمی دارند، زیرا منابع کمی برای یافتن چگونگی تبدیل شدن یا رشد به عنوان یک دانشمند داده در دسترس است. بسیاری از دانشمندان داده به دنبال کمک برای مشاغل خود هستند و اغلب پاسخ روشنی پیدا نمی کنند. اگرچه ما پست‌های وبلاگی را با توصیه‌های تاکتیکی درباره نحوه مدیریت لحظات خاص در یک شغل علم داده نوشته‌ایم، اما با نبود متن قطعی که پایان تا پایان شروع و رشد یک حرفه علم داده را پوشش دهد، دست و پنجه نرم کرده‌ایم. این سلسله مقالات برای کمک به این افراد نوشته شده است - هزاران نفری که در مورد علم داده و یادگیری ماشین می شنوند اما نمی دانند از کجا شروع کنند، و همچنین کسانی که از قبل در این زمینه هستند و می خواهند بفهمند چگونه پیشرفت کنند. ما خوشحالیم که این فرصت را به دست آوردیم تا در ایجاد این سلسله مقالات بنویسم. این سلسله مقالات قرار است راهنمای سوالات شغلی در علم داده باشد که مسیری را که یک فرد در حرفه طی می کند دنبال می کند. ما با آغاز سفر شروع می کنیم: چگونه می توان مهارت های اساسی علم داده را به دست آورد و درک کرد که مشاغل در واقع چگونه هستند. سپس به دنبال یافتن شغل و نحوه استقرار در آن می‌شویم. نحوه رشد در این نقش و در نهایت نحوه انتقال به مدیریت – یا رفتن به یک شرکت جدید را توضیح می‌دهیم. قصد ما این است که این سلسله مقالات منبعی باشد که دانشمندان داده همچنان با رسیدن به نقاط عطف جدید در حرفه خود به آن بازگردند. از آنجایی که تمرکز بر حرفه برای این مقالات بسیار مهم است، ما تصمیم گرفتیم عمیقاً روی مؤلفه‌های فنی علم داده تمرکز نکنیم. ما موضوعاتی مانند نحوه انتخاب فراپارامترهای یک مدل یا جزئیات دقیق بسته‌های پایتون را پوشش نمی‌دهیم. در واقع، این سلسله مقالات شامل یک معادله یا خط کد نیست. ما می دانیم که تعداد زیادی از کتاب های عالی این موضوعات را پوشش می دهند. به جای آن می‌خواستیم دانش غیر فنی اغلب نادیده گرفته شده اما به همان اندازه مهم مورد نیاز برای موفقیت در علم داده را مورد بحث قرار دهیم. ما بسیاری از تجربیات شخصی از دانشمندان محترم داده را در این مقالات گنجانده ایم. در پایان هر قسمت، مصاحبه ای را به صورت لایو یا ویدیو کست در یوتیوب یا اینستاگرام و... خواهید دید که توضیح می دهد چگونه یک دانشمند داده های انسانی واقعی شخصاً با مفاهیمی که هر قسمت مقاله پوشش می دهد، برخورد کرده است. ما از پاسخ‌های شگفت‌انگیز، دقیق و آسیب‌پذیری که از همه دانشمندان داده‌ای که با آنها صحبت کردیم، بسیار خوشحالیم. ما احساس می‌کنیم که نمونه‌هایی که آنها از زندگی‌شان ارائه می‌کنند، می‌تواند بسیار بیشتر از هر جمله گسترده‌ای که ممکن است بنویسیم، آموزش دهد. تصمیم دیگری که در نگارش این مقاله ( ویدیو کست یا لایو )گرفتیم این بود که آن را صاحب نظر کنیم. منظور ما این است که ما عمداً بر روی درس هایی که به عنوان دانشمندان حرفه ای داده آموخته ایم و با صحبت با دیگران در جامعه تمرکز کرده ایم. گاهی اوقات، ما اظهاراتی را بیان می کنیم که ممکن است همه با آن موافق نباشند، مانند پیشنهاد اینکه همیشه هنگام درخواست شغل باید یک cover letter بنویسید. ما احساس کردیم که سود ارائه دیدگاه‌هایی که قویاً معتقدیم برای دانشمندان داده مفید است، مهم‌تر از تلاش برای نوشتن چیزی است که فقط حاوی حقایق عینی باشد. امیدواریم با پیشرفت در حرفه علم داده، این سلسله مقالات راهنمای مفیدی باشد. ما آن را نوشته‌ایم تا سندی باشد که آرزو می‌کردیم زمانی که مشتاق و دانشمند داده جوان بودیم. امیدواریم اکنون از داشتن آن خوشحال شوید.