چرا نباید یک مدرک کارشناسی‌ارشد علوم داده بگیرید؟

منتشر‌شده در: towardsdatascienceبه تاریخ ۸ ژوئن ۲۰۲۱
لینک منبع Why You Shouldn’t Take a Data Science Masters Degree

از آنجا که شغل محقق داده در طول چند سال اخیر به طور فزاینده‌ای محبوب شده‌است، و با کسب عنوان «جذاب‌ترین شغل قرن بیست و یکم»، دوره‌های کارشناسی‌ارشد تخصصی در زمینه علم داده آغاز شده‌اند. هزینه این دوره‌ها می‌تواند بین ۳۰ هزار تا ۱۰۰ هزار دلار باشد، نه هزینه زندگی در حالی که شما برای تحصیل وقت صرف می‌کنید.

مسیر شخصی من به سمت علم داده هیچ آموزش رسمی را شامل نمی‌شود. من مهارت‌هایی که نیاز داشتم را از طریق خودآموزی با استفاده از منابع رایگان یا بسیار کم‌هزینه که به طور گسترده در اینترنت در دسترس هستند، به خودم یاد دادم. در کل، من برآورد می‌کنم که بیش از ۳۰۰ دلار صرف مواد پولی نکرده‌ام.

اخیرا با بررسیCV ها و مصاحبه با داوطلبان برای موقعیت‌های علمی داده به این نتیجه رسیدم که مدارک کارشناسی‌ارشد در علم داده بهترین مسیر در این زمینه نیستند. این تنها یک راه بسیار گران‌قیمت برای یادگیری مهارت‌هایی است که نیاز دارید، و حتی تمام چیزهایی که واقعا نیاز دارید را به شما یاد نخواهد داد.

در این مقاله، من به شما دلایل کلیدی اینکه چرا من احساس می‌کنم که گرفتن کارشناسی‌ارشد در علم داده مسیر خوبی برای ورود به این حوزه نیست و چرا یک مسیر خودآموزی، در بیشتر موارد، جایگزین بهتری است را ارائه می‌دهم. همچنین مروری کوتاه بر آنچه که شما باید انجام دهید به جای این که شغلی به عنوان یک دانشمند داده پیدا کنید، ارائه خواهم داد.

آن‌ها گران هستند

همانطور که در بالا ذکر کردم، مدارک کارشناسی‌ارشد بسیار گران هستند. آن‌ها همچنین از شما می‌خواهند که در یک بازه زمانی خاص مطالعه کنید، که می‌تواند آن‌ها را حتی گران‌تر کند، چون شما لزوما حق کار کردن و کسب درآمد در کنار مطالعات خود را ندارید.

این بسیار خوب است اگر شما وسیله‌ای برای تامین یک مدرک و پرداخت هزینه زندگی‌تان به طور همزمان داشته باشید اما واقعیت این است که بسیاری از مردم توانایی انجام این کار را ندارند. این به این معنی است که شما یا باید مقدار زیادی از بدهی خود را صرف سرمایه‌گذاری در این درس کنید و یا اینکه نمی‌توانید به سادگی آن را قبول کنید.

خبر خوب این است که این دوره‌ها کاملا برای تبدیل شدن به یک دانشمند داده ضروری نیستند و شما می‌توانید هر چیزی که نیاز دارید را یاد بگیرید و از همه مهم‌تر یک شغل ایجاد کنید، بدون اینکه پول کمی در این فرآیند خرج کنید.

آن‌ها همه چیزهایی را که باید بدانید به شما یاد نمی‌دهند

کار کردن به عنوان یک دانشمند داده تنها به دانش آمار، ریاضیات، برنامه‌نویسی و نظریه یادگیری ماشینی نیاز ندارد. در واقع عملکرد خوب در یک تیم علمی داده دنیای واقعی نیاز به مهارت‌های زیادی فراتر از این دارد که در اکثر دوره‌های کارشناسی‌ارشد آموزش داده نمی‌شود.

این دوره‌ها به شما یاد نمی‌دهند که چگونه از Github استفاده کنید و چرا برای کار مشترک در یک تیم با نه تنها دیگر دانشمندان داده بلکه مهندسان داده و نرم‌افزار نیز بسیار مهم است. آن‌ها درباره چابکی، فرایندی که بسیاری از تیم‌های علم داده از آن استفاده می‌کنند، آموزش نمی‌دهند. آن‌ها مهارت‌های نرم حیاتی مانند ارتباط، خلاقیت و فراست کسب‌وکار را به شما آموزش نمی‌دهند که برای یک شغل در علم داده بسیار مهم هستند.

من با بسیاری از نامزدها با مدارک کارشناسی‌ارشد علوم داده مصاحبه کرده‌ام که هیچ یک از این مهارت‌ها که برای بسیاری از شرکت‌ها بسیار ارزشمند هستند را ندارند. اینها مهارت‌هایی هستند که اگر شما علم اطلاعات را از طریق خودآموزی یاد بگیرید، تقریبا به طور قطع در طول مسیر به دست خواهید آورد.

علم داده شامل بسیاری از رشته‌ها است.

برای موفقیت به عنوان یک دانشمند داده، شما به مهارت‌هایی از رشته‌های مختلف، از جمله ریاضیات، آمار، و علوم کامپیوتر نیاز دارید. به نظر من، برای یک کارشناسی‌ارشد علوم داده دشوار است که مهارت‌های همه این رشته‌ها را به اندازه کافی عمیق آموزش دهد. یک دوره ۱ تا ۲ ساله شما را به اندازه کافی برای پیدا کردن کار به عنوان یک دانشمند داده آماده نخواهد کرد.

علم داده سال‌ها طول می‌کشد تا به طور عمده به این دلیل که ادغام بسیاری از زمینه‌های مختلف است، به کار گرفته شود. یادگیری از طریق خود آموزی و از طریق شغل در زمینه‌های مرتبط (که من کمی بعد آن را پوشش خواهم داد) عمقی که واقعا در تمام این زمینه‌های مختلف به آن نیاز دارید را به شما خواهد داد.

من با گرفتن مدرک کارشناسی‌ارشد به طور کلی مخالف نیستم، و در واقع، من فکر می‌کنم که آن‌ها می‌توانند یک راه عالی برای کسب دانش عمیق‌تر در یک حوزه تخصصی باشند. من شخصا برای علم داده توصیه می‌کنم که شما فقط در یکی از این زمینه‌ها مانند علوم کامپیوتر یا آمار یک استاد بگیرید. این به شما عمق دانش ارزشمندی در این زمینه می‌دهد. این امر همچنین پایه و اساس خوبی برای مطالعه حوزه‌های باقی مانده علم داده فراهم می‌کند.

در عوض چه کار باید بکنید؟

همانطور که قبلا در مورد دیدگاه شخصی من بحث شد، شما می‌توانید هر چیزی که نیاز دارید را مطالعه کنید تا علم داده را به صورت رایگان و یا با هزینه بسیار پایین به صورت آنلاین یاد بگیرید. مزیت دیگر انجام این کار این است که شما می‌توانید با هر سرعتی که مناسب شرایط شماست یاد بگیرید. بنابراین اگر شما نیاز دارید که یک شغل تمام‌وقت داشته باشید و یا مسئولیت‌های دیگری داشته باشید، می‌توانید مطالعه خود را در این زمینه انجام دهید و تا زمانی که نیاز دارید مهارت‌ها را یاد بگیرید.

علاوه بر این، شما می‌توانید به روشی که برای شما مناسب است نیز مطالعه کنید. من شخصا به بهترین نحو از طریق یادگیری عملی یاد می‌گیرم، بنابراین از روز اول یک رویکرد پروژه محور برای یادگیری خود اتخاذ کردم. این لزوما چیزی نیست که من بتوانم از طریق دوره کارشناسی‌ارشد انجام دهم.

علاوه بر خود-مطالعه، من به شدت توصیه می‌کنم که سعی کنید تجربه عملی کار با داده یا نرم‌افزار را در یک محیط واقعی به دست آورید. این می‌تواند از طریق کارآموزی، داوطلبانه، هکاتون، مشارکت در پروژه‌های منبع‌باز یا کسب موقعیت در مشاغل نزدیک از جمله بینش کسب و کار یا تجزیه و تحلیل تحقق یابد. این کار شما را در معرض واقعیت‌های کار با داده و فن‌آوری قرار می‌دهد و تجربه قابل قبولی به شما می‌دهد که در نهایت به شما کمک خواهد کرد تا به عنوان یک دانشمند داده کار کنید.

این مقاله براساس تجربه شخصی من از یادگیری علم داده و همچنین مصاحبه شخصی با نامزدهای مشاغل علم داده است. این تجارب به من آموخته‌اند که مهارت‌های قابل‌اثبات، در قالب یک پورتفولیو از پروژه‌ها یا تجربه کاری مرتبط، وقتی صحبت از شغلی در این زمینه می‌شود، وزن بیشتری نسبت به گواهی‌ها و صلاحیت‌ها دارند.

به همین دلیل است که من شخصا یادگیری علم داده‌ها را از طریق مطالعه خودراهبر و تجربیات عملی دنیای واقعی توصیه می‌کنم. چیزی که به طور خاص در مورد این رویکرد خوب است این است که به این معنی است که هر کسی می‌تواند وارد این زمینه شود و اینکه امور مالی مانعی برای ورود افراد به علم داده نیست.

از خواندن شما متشکرم!

این متن با استفاده از ربات مترجم مقالات 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 به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.