چطور قدم به دنیای دیتاساینس بگذاریم؟

مسیر مهاجرت من از فیزیک اتمی به سئو و در نهایت دیتاساینس

من توی دانشگاه فیزیک اتمی خوندم. بله فیزیک اتمی به صورت نسبتا ناآگاهانه ! اما به زمان زیادی نیاز نبود تا بفهمم مباحث تئوری مطلق برام "هیچ" جذابیتی نداره !

و درست همینجا بود که تصمیم گرفتم مسیر حرفه ایم رو تغییر بدم...

اول لازمه که بگم که یکی از ویژگی‌های عجیب من اینه که مباحث خیلی زود برام تکراری میشن. پس توی وهله ی اول نیاز به فیلدی داشتم که اونقدر گسترده باشه که حالا حالاها نتونه برام تکراری بشه!

توی وهله دوم میدونستم که قراره با کامپیوتر کار کنم و این جزو معیارهای شغلیم بود.

در نهایت دنبال علمی بودم که به روز باشه و بتونم براش پلن بلند مدت بچینم.

دقیقا اینجا بود که با علم سئو آشنا شدم. زمان‌هایی که مشغول آموزش سئو بودم یا سعی در آنالیز وب سایت‌ها داشتم، نه تنها برام همیشه جذابیت داشت و تکراری نمی شد، بلکه گذر زمان رو حس نمی کردم و خستگی برام نامفهوم بود.

چی شد که با علم داده آشنا شدم؟

کم کم با ابزاری مثل گوگل آنالیتیکس شروع به کار کردم و نگاه کردن به داده ها و تصمیم گیری بر مبنای اونها جذاب ترین کاری بود که توی عمرم انجام داده بودم. وقتی بیشتر در مورد گوگل مطالعه کردم و با عملکردش آشنا شدم، توجهم به طور ویژه ای به ماشین لرنینگ و هوش مصنوعی جلب شد ! اینکه میدیدم تبلیغات کلیکی مطابق با علایقم بهم نمایش داده میشه به قدری هیجان زده می شدم که حد نداشت !

توی دوره ی کارشناسی و دانشگاه با نزم افزار متلب کار کرده بودم و برنامه نویسی خیلی دور از ذهنم نبود. دلم میخواست یه زبان برنامه نویسی بلد باشم. پس تصمیم گرفتم برنامه نویسی رو هم به مهارتام اضافه کنم، با یه نیم نگاهی به جاوا و پایتون، می تونستم با اطمینان بگم که شیفته ی پایتون شدم. پس ادامش دادم ! هرچی بیشتر آموزش میدیدم میفهمیدم که توی مسیر درستی قرار گرفتم و دقیقا مشابه چیزیه که می خوام !

اما عطش یادگیری به همینجا خلاصه نمی شد!

وقتی پای ماشین لرنینگ و کتابخونه های پایتون میومد وسط، نیازم به جبرخطی و مباحث آماری بیشتر میشد. به خاطر رشته ی دانشگاهیم پایه ی ریاضیم بد نبود اما خیلی از مباحث آماری سر در نمیاوردم. پس شروع کردم به یادگیری مبانی جبرخطی و مباحث مرتبط با آمار. در این بین اصطلاحاتی به گوشم میخورد که بعدها باعث شد با دیتاماینینگ آشنا بشم.

و خب مگه میشه آدم بدون زبان آر بره سمت ریاضیات؟ پس نیاز بود زبان آر رو هم به آموزش هام اضافه کنم.

می بینین؟ درست همونجوری که گفتم وارد دنیایی شده بودم که انتهایی نداشت و برای ادامش فقط به لپ تاپ و اینترنت احتیاج داشتم .

این دقیقا یعنی همون چیزی که ته ذهنم بدون اینکه بشناسمش، عاشقش بودم :)

انقدر به همشون علاقه داشتم که نمی تونستم تصمیم بگیرم به کدوم سمت حرکت کنم. هرشب ساعت ها سرچ می کردم تا بتونم به این نتیجه برسم که کدوم رو به صورت حرفه ای دنبال کنم. تا در نهایت با علمی آشنا شدم که به طرز حیرت آوری همه ی اون مباحث رو پوشش میداد و اون چیزی نبود جز دیتاساینس!

کار با دیتابیس، برنامه نویسی، استفاده از ریاضی، تصمیم گیری بر مبنای دیتا برای یک کیس یا بیزنس، مصور سازی داده ها، سروکله زدن با دنیای عجیب و بی نظیر هوش مصنوعی و ماشین لرنینگ دقیقا از وظایف یک دیتاساینتیست بود ! حالا من یه مسیر پیدا کرده بودم که منو به پکیج علایقم میرسوند ^_^

مسیر پیشنهادی من برای ورود به Data Science

1. پایتون رو عملا به فرزندی قبول کنید ! باهاش آشنا بشین و کتابخانه های

numpy,

pandas,

tensorflow,

keras,

scikit-learn,

matplotlib

رو بذارین توی اولویت ! موقع نصب، به جای پایتون آناکوندا رو نصب کنین. و اگه تابه حال اسم Jupyter رو نشنیدین، یه نگاه بهش بندازین.

2. زبان R رو دوست داشته باشین بعضی جاها به کارتون میاد :)

3. مباحث جبر خطی و ماتریس ها و تنسورها و همینطور مباحث مرتبط با آمار لازمه ی شروع این علمه. پس همین امروز استارت بزنین

4. اگه با علوم کامپیوتر آشنایی ندارین، با جدیت بیشتری با ساختمان داده ها و الگوریتم ها برخورد کنین!

4. عملکردها و الگوریتم های ماشین لرنینگ رو یاد بگیرین

5. از دیپ لرنینگ غافل نشین!

6. روش های دیتا ماینینگ رو آموزش ببینین

7. دیتابیس و SQL رو از قلم نندازین

8. به این فکر کنین که حجم دیتاها رو به افزایشه. پس بیگ دیتا هم به لیستتون اضافه کنین. اگه یه نیم نگاهی هم به ابزارهاش مثل Hadoop و spark داشته باشین به پیشرفتتون کمک می کنه

9. شبکه های عصبی منتظرن شما باهاشون آشنا بشین

10. احتمالا بد نباشه که از پردازش تصویر و متن و زبان های طبیعی هم با خبر باشین

11. اگه هنوز در مورد هوش مصنوعی نخوندین ازش دریغ نکنین!

12. مطالعه کنین ! مطالعه کنین ! مطالعه کنین !

تبریک می گم شما یک دیتا ساینتیست شده اید !

یکی از بزرگان این حوزه می فرمایند: علم داده ماراتون است نه دو سرعتی ! و باید آهسته و پیوسته ادامش بدین.

البته نترسین! وارد اقیانوسی شدین که حالا حالا ها تمومی نداره. آموزشا رو به یه حد قابل قبولی که رسوندین، شروع کنین پروژه انجام بدین. توی سایت های منبع، پروژه های تستی و آزمایشی پیدا میشه . با خودتون رو راست باشین، اگر واقعا عاشقشین برید سمتش... وگرنه بعد از یه مدت براتون خسته کننده میشه و چون حجم مباحث زیاده، پیشرفتتون کند دیده میشه و ممکنه از انگیزتون کم کنه ! اما اگه مثل من ایمان دارین که این تنها مسیریه که شما رو به همه ی خواسته های شغلی و حرفه ایتون میرسونه، از همین الان شروع کنین *_*