اول مرغ بوده یا تخم‌مرغ؟ مشکل اول کار یا سابقه کار برای دانشمندان مشتاق داده!

منتشر‌شده در: towardsdatascience به تاریخ 6 فوریه 2021
لینک منبع: How to get that first bit of data science experience on your resume

من مقدار زیادی آموزش و مشاوره برای برنامه‌های علوم داده از انواع مختلف انجام داده‌ام، و یکی از بزرگ‌ترین سرخوردگی‌هایی که دانشجویانم به سرعت با آن پس از گرفتن مدرک کلاسیک مواجه می‌شوند، این است که برای به دست آوردن اولین تجربه شغلی خود، شما به تجربه و سابقه کار نیاز دارید! اما تجربه و سابقه کار با یک شغل به دست می‌آید.

کمپ‌های آموزشی، کلاس‌ها و منابع آنلاین برای به دست آوردن مهارت‌های فنی پایه عالی هستند، اما کارفرمایان می‌خواهند بدانند که آیا شما واقعا می‌توانید با یک پروژه علوم داده در دنیای واقعی، و نه با یک مشکل به خوبی تعریف‌شده با یک مجموعه داده کاگل تمیز، مقابله کنید.

مطالعه مقاله ۵ درسی که باید در ابتدای یادگیری علوم داده بدانید. توصیه می‌شود.

خب، آیا شما اولین تجربه را دارید؟ در اینجا به روش‌هایی اشاره می‌کنیم که برخی از دانشجویان من با آن‌ها موفق شده‌اند:

۱. کارآموزی

خب، این مورد واضح است. دوره‌های کارآموزی می‌توانند راه خوبی برای به دست آوردن اولین تجربه باشند. برخی از دوره‌های کارآموزی با کیفیت بالاتر، حقوق نسبتا خوبی نیز پرداخت خواهند کرد.

با این حال، آن‌ها می‌توانند به عنوان اولین گام در دنیای علوم داده بسیار رقابتی و نه بسیار ساده‌تر باشند. علاوه بر این، اغلب شرکت‌ها به دنبال دانشجویانی هستند که یا هنوز در یک برنامه درسی هستند و یا تازه درس خود را به پایان رسانده‌اند، که به این معنی است که این امر می‌تواند برای کسانی که به عنوان یک حرکت شغلی بعدی وارد علوم داده می‌شوند (اکثر دانشجویان من) دشوار باشد.

۲. در یک سازمان در حوزه داده داوطلب شوید

تعدادی از جوامع و سازمان‌های بزرگ وجود دارند که به دنبال داوطلبانی برای کمک به پروژه‌های فنی هستند. این می‌تواند یک راه عالی برای شروع باشد - آن‌ها اغلب شامل کار با یک گروه بزرگ و میان رشته‌ای هستند، که در آن شما تجربه کار بر روی یک مشکل دنیای واقعی را به دست می‌آورید و می‌توانید از افراد دیگر یاد بگیرید. این پروژه‌ها، وزن بسیار بیشتری نسبت به یک پروژه یادگیری ساده دارند، زیرا آن‌ها شامل یک مشکل در دنیای واقعی هستند، که همیشه آشفته و پیچیده هستند - برخلاف مجموعه داده کامل کاگل که در آن یک مشکل یادگیری تحت نظارت به وضوح تعریف‌شده وجود دارد.

داتاکیند، داوطلبان داده را با سازمان‌هایی که رفاه اجتماعی را انجام می‌دهند، مرتبط می‌کند. Code for America در همه نقاط دارای تیپ های محلی است.
همچنین ممکن است از طریق Meetup متوجه شوید که گروه‌های محلی روی مسائل داده جالب کار می‌کنند.

۳. کار با یک استارتاپ

استارتآپ‌های کوچک (۱۰ نفر) اغلب در موقعیت داشتن تعداد زیادی پروژه کوچک هستند که می‌خواهند کسی آن‌ها را برطرف کند تا بتوانند از یک مدرک اثبات ایده برای سرمایه گذاران خرید کنند. البته، آن‌ها همیشه به دنبال کار رایگان هستند. این می‌تواند به راحتی یک موقعیت برد-برد باشد - آن‌ها یک اثبات مفهوم به دست می‌آورند، و شما یک پروژه برای پورتفولیو خود به دست می‌آورید که یک برنامه کسب‌وکار واقعی دارد.

همچنین می‌توانید از آن برای شبکه خود استفاده کنید. اگر قبلا روی یک پروژه با یک استاراپ کار کرده‌اید، امکان دارد که تمایل بیشتری به ارائه یک موقعیت شغلی به شما داشته باشند، یا ممکن است به فرصت‌های دیگری منجر شود که خود را در راه‌اندازی یک استاراپ قرار ‌دهید.

قسمت سخت آن چیست؟ به دست آوردن ارتباط با استارتاپ‌ها. شما می‌توانید با مراجعه به Meetup بررسی کنید که آیا هیچ استاراپی در منطقه شما وجود دارد یا شبکه کارآفرین را در آزمایشگاه Cofounders امتحان کنید.
روش دیگری که من شخصا در این زمینه موفق بوده‌ام، دسترسی به شرکت‌هایی است که در لیست نمایندگان قرار دارند. به سراغ استاراپ‌ها کوچک بروید (۱۰ کارمند) که در آن‌ها احتمالا انعطاف‌پذیری بیشتری وجود دارد و به احتمال زیاد به طور مستقیم با مدیر عامل صحبت می‌کنید.

۴. گردآوری یک پروژه زنده end-to-end

قرار دادن یک پروژه یادگیری ساده که از برخی داده‌های کاگل استفاده می‌کند و آن را در Githb آپلود می‌کند، یک چیز است. و ایجاد یک برنامه کاربردی واقعی، زنده و مفید چیز دیگری است. سعی کنید مشکلی را پیدا کنید که در واقع نسبت به آن شور و اشتیاق دارید و کمی بینش نسبت به آن دارید، و می‌توانید به یک ابزار مفید فکر کنید.

چند مثال: من یک دانشجو داشتم که از Spotify API برای ایجاد یک برنامه کاربردی استفاده می‌کرد که وقتی شما اعتبار Spotify خود را وارد می‌کنید، به آهنگ‌هایی که دوست دارید نگاه می‌کند و شما را با یک منتقد موسیقی که به نظر می‌رسد با سلیقه‌های موسیقیایی شما مطابقت دارد جفت می‌کند. جالب است، مگر نه؟ این به یک پروژه کامل بسیار نزدیک‌تر از یک مدل آموزش‌دیده در یک نوت‌بوک ژوپیتر است.

سعی کنید کمی Flask را یاد بگیرید و یک برنامه را در Heroku گردآوری کنید.
این کار برخی مهارت‌های فنی اضافی را نشان خواهد داد و نمونه نمایشی بسیار بهتری از هر چیز ثابت در نوت‌بوک ژوپیتر خواهد بود.

اینها منابعی هستند که من برای کمک به افراد برای کسب تجربه فراتر از پروژه‌های یادگیری معمول پیدا کرده‌ام. آیا روش دیگری دارید که برای شما و یا کسی که می‌شناسید، کارساز باشد؟

این متن با استفاده از ربات مترجم مقاله علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به‌صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.