مدرک دانشگاهی در مقابل مدرسه تابستانی در مقابل خود آموزی: علم داده تحلیل داده‌ها

منتشر‌شده در towardsdatascienceبه تاریخ ۳۱ می ۲۰۲۱
لینک منبع: University Degree vs Summer School vs Self-Learning: Data Science & Data Analytics

با توجه به سایت‌های شغلی، تقاضا برای تجزیه و تحلیل داده و مهارت‌های علم داده به صورت نمایی در حال رشد است. همانطور که شرکت‌ها به دنبال روش‌هایی برای کنترل قدرت کلان داده هستند، متخصصان فن‌آوری که متخصص تجزیه و تحلیل داده و علم داده هستند، تقاضای بالایی دارند. با این حال، عرضه متقاضیان ماهر با سرعت کمتری در حال رشد است که این نوع مشاغل را برای کسانی که شغل خود را تغییر می‌دهند عالی می‌کند.

در این پست وبلاگ، من فرض می‌کنم که شما مستقیما از دبیرستان بیرون نیستید، اما یا در حال حاضر مدرک دانشگاهی دارید (نه در علوم کامپیوتر یا آمار) و یا چندین سال است که کار کرده‌اید و اکنون در حال بررسی چگونگی تبدیل شدن به یک تحلیلگر یا دانشمند با صلاحیت داده هستید. البته، عوامل زیادی وجود دارند که باید هنگام تصمیم‌گیری در مورد این که چگونه مهارت‌های فعلی خود را مانند تجربه قبلی، منابع مالی، و اینکه چقدر می‌خواهید در این زمینه سرمایه‌گذاری کنید، در نظر بگیرید، و هدف من این است که جنبه‌های مثبت و منفی رایج‌ترین روش‌ها برای بالا بردن مهارت را مشخص کنم: یک مدرک دانشگاهی، یک دوره برخورد (مانند یک مدرسه تابستانی) ، و دوره‌های آنلاین از انواع مختلف.

من در حال حاضر در دانشکده دانشگاه لندن در بخش علوم کامپیوتر تدریس می‌کنم، در گذشته در یک مدرسه تابستانی در علوم داده تدریس کرده‌ام، و خودآموزی زیادی انجام داده‌ام، زیرا مدرک لیسانس من حقوق بود، بنابراین من معتقدم که می‌توانم یک نمای کلی خوب از مزایا و معایب در تمام موارد بالا ارائه دهم.

درجه کارشناسی‌ارشد در علم داده، یادگیری ماشین یا تجزیه و تحلیل داده

معایب: مهم‌ترین اشکال مدارک دانشگاهی (در انگلستان) ، واضح است که هزینه است. اگر می‌خواهید تمام‌وقت مطالعه کنید، نه تنها باید شهریه را پوشش دهید، بلکه هزینه‌های زندگی را نیز برای یک سال کامل در نظر بگیرید. مشکل دوم این واقعیت است که این برنامه کاربردی است و شما ممکن است برای برنامه‌ای که به آن علاقه دارید پذیرفته نشوید. به منظور انجام مدرک کارشناسی‌ارشد در علم داده یا یادگیری ماشین، شما باید مدرک کارشناسی در یک موضوع کمی داشته باشید. بنابراین، تا زمانی که ریاضیات، مهندسی، اقتصاد و یا امور مالی را مطالعه نکرده اید، برای چنین برنامه کارشناسی‌ارشد واجد شرایط نخواهید بود و باید ابتدا یک دوره تبدیل انجام دهید (MSc در علوم کامپیوتر). برای کسی که هیچ سابقه‌ای در علم کامپیوتر ندارد، اما منابع مالی و زمان دارد، من به شدت می‌توانم انجام یک دوره تبدیل را توصیه کنم، همانطور که در سال ۲۰۱۵، پس از اتمام مدرک لیسانس حقوق، انجام دادم. اما این در حال حاضر خارج از محدوده این مقاله است.

یکی دیگر از نکات این است که شما در پایان این مرحله لزوما یک پورتفولیو از پروژه‌های مختلف نخواهید داشت که می‌توانید به کارفرمایان احتمالی نشان دهید. کارهای دادگاهی اغلب مشکلات کسب‌وکار واقعی را منعکس نمی‌کنند و تز کارشناسی‌ارشد شما ممکن است بیشتر در بخش آکادمیک «تحقیقات» باشد.

مزایا: اگر شما پس‌زمینه کمی و منابع مالی لازم (یا دسترسی به وام دانشجویی) را دارید، پس انجام کار کارشناسی‌ارشد در علم داده، یادگیری ماشین، تجزیه و تحلیل داده، یا چیزی تخصصی‌تر مانند محاسبات مالی، قطعا مزایای خود را دارد: شما به انواع ماژول ها به عنوان بخشی از یک دوره ساختار یافته دسترسی خواهید داشت، با دانشگاهیان پیشرو در این زمینه ملاقات خواهید کرد، افراد جالبی را ملاقات خواهید کرد و دوستان جدیدی پیدا خواهید کرد (امیدوارم در دنیای پس از COVID-19) زندگی دانشجویی را تجربه کنید.

مدرسه تابستانی / دوره کوتاه فشرده در علم داده / تجزیه و تحلیل ماشینی

مزایا: برای افراد با تجربه کم یا بدون تجربه قبلی در تجزیه و تحلیل داده و علم داده، یک دوره فشرده (۲-۴ هفته) فرصت مناسبی برای یادگیری پایتون یا R، بررسی آمار و آزمون فرضیه، یادگیری نحوه کار با داده‌های (عددی) و یادگیری مفاهیم اساسی یادگیری ماشینی فراهم می‌کند. دوره‌های آموزشی مانند این می‌تواند به درک این موضوع کمک کند که آیا شما واقعا می‌خواهید این مسیر شغلی را دنبال کنید و می‌تواند به شما کمک کند که تصمیم بگیرید چه گام‌های بعدی را بردارید (به عنوان مثال، یک مدرک دانشگاهی یا دوره دیگری که عمیق‌تر می‌شود).

تعهد هزینه و زمان چنین دوره‌هایی پایین است در نتیجه برای همه قابل‌دسترس است.

معایب: چنین دوره‌های کوتاهی تنها مقدمه هستند و تمام دانش و ابزارهایی که نیاز دارید را برای شما فراهم نمی‌کنند تا بتوانید به عنوان یک دانشمند داده یا تحلیلگر داده کار کنید. بسیاری از مفاهیم به روش جعبه سیاه، بدون رفتن به عمق ریاضیات، پوشش داده می‌شوند. شما ممکن است یاد بگیرید که چطور داده‌های خود را از پیش پردازش کنید و آن‌ها را در یک طبقه‌بندی کننده رگرسیون منطقی از علم و دانش قرار دهید-یاد بگیرید، اما نه این که چگونه رگرسیون منطقی واقعا کار می‌کند.

خودآموزی:

منظور من از خودآموزی، یک دوره آنلاین ساختار یافته است که شما می‌توانید آن را با سرعت خودتان انجام دهید، که چندین ماه طول می‌کشد تا کامل شود، شامل ارزیابی‌ها و، ترجیحا، یک نوع طرح مشاوره است.

معایب: پیدا کردن یک مسیر مناسب که ارزش پول را داشته باشد، می‌تواند بسیار دشوار باشد. در طول تحقیقاتم برای این مقاله، من متوجه شدم که برای بسیاری از دوره‌ها (که ارزان نیستند!) برنامه‌درسی آنلاین نیست و باید درخواست شود.

بسیاری از دوره‌هایی که به عنوان دوره‌های «علم داده» تبلیغ می‌شوند، در واقع دوره‌های تجزیه و تحلیل داده هستند زیرا هیچ ریاضی را پوشش نمی‌دهند، بلکه پایگاه‌های داده (SQL) و روش‌های تجسم داده را پوشش می‌دهند. بنابراین، اگر شما به دنبال یک شغل در بخش تحلیل داده هستید، این دوره‌ها هر چیزی که نیاز دارید را پوشش خواهند داد. این که آیا آن‌ها هر چیزی که یک محقق داده می‌داند را پوشش می‌دهند یا نه، جای سوال دارد. من حتی یک درس (به زبان انگلیسی) پیدا نکردم که جبر و حساب خطی را پوشش دهد. جالب توجه است که وقتی من به دنبال درسی می‌گشتم که ریاضیات لازم را پوشش دهد، تنها درسی که می‌توانستم پیدا کنم به زبان روسی آموزش داده می‌شود-زبانی مشابه دوره‌های علوم داده و تجزیه و تحلیل داده که در آن برنامه‌درسی برای من جذابیت بیشتری دارد و من آن را برای دوستان و خانواده در گذشته توصیه کرده‌ام (که همه از آن‌ها راضی هستند).

با توجه به اینکه شما می‌توانید این دوره‌ها را با سرعت خود به پایان برسانید، باید مهارت‌های مدیریت زمان و انگیزه لازم برای پایان دادن به آن‌ها را داشته باشید، زیرا اغلب مهلت‌های زمانی و یا امتحانات سختی مانند دانشگاه ندارید.

مزایا: این واقعیت که شما می‌توانید این دوره‌ها را با سرعت خودتان انجام دهید، البته می‌تواند یک حامی نیز باشد. شما مجبور نیستید کار خود را ترک کنید و آن‌ها را در عصر و یا در تعطیلات آخر هفته انجام دهید.

بسیاری از این دوره‌ها قیمت بسیار مناسبی دارند و در نتیجه برای همه قابل‌دسترس هستند (من از دوره‌هایی که قیمت آن‌ها در محدوده ۵ رقمی است دور خواهم ماند).

در پایان، شما به احتمال زیاد یک پورتفولیو از پروژه‌های مبتنی بر صنعت خواهید داشت که می‌توانید به کارفرمایان نشان دهید. برخی از این برنامه‌ها حتی از نزدیک با شرکای صنعتی کار می‌کنند و ممکن است شما را به کارفرمایان بالقوه متصل کنند.

امیدوارم این مقاله به شما کمک کرده باشد تا تصمیم بگیرید چه نوع روش عالی برای شما بهتر است و هنگام انتخاب یک مدرک یا جستجوی یک دوره آنلاین به دنبال چه چیزی باشید.

این متن با استفاده از ربات ترجمه مقاله دیتاساینس 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 به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.