۵ عادت که من از دانشمندان داده‌های موفق در مایکروسافت آموختم

منتشر‌شده در towardsdatascience به تاریخ ۹ سپتامبر ۲۰۲۱
لینک منبع 5 Habits I Learned From Successful Data Scientists at Microsoft

از زمانی که من کار خود در زمینه علم داده را در سال ۲۰۱۶ آغاز کردم، همیشه می‌خواستم به یادگیری و بهبود دانش خود از جنبه‌های اصلی علم داده ادامه دهم.

توسعه و تجربه ویژگی‌های ضروری یک پیشنهاد کار خوب هستند، همه چیز فقط در مورد چک حقوقی نیست.

من ذهنم را از جستجوی کار رها کردم و شروع به جستجوی تجربیات علم داده کردم. با پشتکار من در مایکروسافت به موفقیت رسیدم و شغلی یافتم- درست می‌دانم، بسیار بزرگ است.

تیم علوم داده مایکروسافت یک نشست مجازی برگزار کرد و برای دانشمندان داده (باتجربه یا آماتور) که به دنبال بهتر شدن در کاری که انجام می‌دهند بودند، دوره کارآموزی برگزار کرد.

در نتیجه، پیشگامان علم داده که من از طریق اجلاس با آن ارتباط برقرار کردم، به من فهماندند که موفقیت در علم داده همه به عادات ساده اما موثر ما بستگی دارد که ما در حرفه و برنامه روزانه خود ایجاد می‌کنیم.

۱. یادگیری و بهبود خود را در اولویت قرار دهید.

(مایکروسافت) یک ایمیل برای شرکت در نشست مجازی خود برای من نفرستاد، آن‌ها هم یک دعوت VIP برای من نفرستادند، زیرا من هنوز از هات میل تا به امروز استفاده می‌کنم.

آیا کسی در اینجا هنوز از هات میل استفاده می‌کند؟

حقیقت این است که اگر من نمی‌خواستم بیشتر یاد بگیرم و دانشم را گسترش دهم، نمی توانستم تصور کنم که یک اجلاس رایگان توسط مایکروسافت در حال انجام است.

فن‌آوری پشت علم داده گسترده است، به خصوص در این زمان که تعداد زیادی از ارتباطات خودکار هستند.

یادگیری و بهبود مداوم برای دانشمندان داده که به دنبال برجسته شدن از انبوه دیگر متخصصان داده واجد شرایط هستند، بسیار مهم است.

چگونه از آن استفاده کنیم:

همانطور که بسیاری از افراد می‌دانند، علم داده یک زمینه ایستا نیست. به شرح شغل نگاه کنید، ببینید که اغلب کارفرمایان در یک متخصص داده به دنبال چه مهارت‌هایی هستند، و با رزومه خود مقایسه کنید.

آیا این مهارت‌ها را کم دارید؟ نقاط ضعف خود را شناسایی کنید و در جهت بهبود تلاش کنید.

با توجه به اینکه اکثر آن‌ها به طور منظم ۵-۹ کار می‌کنند، یادگیری از راه دور ثابت شده‌است که انعطاف‌پذیر و موثر است. با دوره‌های آنلاین، اسناد، فیلم‌ها، پادکست‌ها، مقالات تحقیقاتی، و وبلاگ‌های مربوط به علم داده و دیگر زمینه‌های ضروری در تعامل باشید.

۲. یک شبکه علم داده حرفه‌ای ایجاد کنید.

کنفرانس مجازی تعداد زیادی از دانشمندان داده بسیار خبره داشت، جای تعجب نبود، اما من تعجب کردم که چطور آن‌ها به این مرحله عظیم یافتن شغلی در مایکروسافت رسیدند، بنابراین من کمی تحقیق کردم.

من به لینکدین رفتم و پروفایل های آن‌ها را بررسی کردم، و تنها چیزی که همه آن‌ها مشترک هستند این است که همه آن‌ها بیش از ۵ هزار ارتباط در پلتفرم دارند.

کلیشه علم داده به عنوان یک ماجراجویی انفرادی در حال حاضر بسیار قدیمی شده است. من آزادی استفاده از مدل‌ها، لذت ایجاد انیمیشن‌های زیبا تا تصویرسازی‌هایتان، یا پیش بینی تجزیه و تحلیل از طریق غرایز شما را می‌دانم.

همه این ها شگفت‌انگیز به نظر می‌رسند، اما تمایل زیادی وجود دارد که شما به کمی مغز اضافی برای سریع‌تر و کارآمدتر کردن تجزیه و تحلیل نیاز دارید.

کار گروهی بسیار مهم است، به خصوص حالا که راه‌حل‌های داده لحظه به لحظه در حال تحول هستند، شما باید با افراد حرفه‌ای هم فکر و با دانش گسترده در زمینه‌های فنی دیگر ارتباط برقرار کنید.

علاوه بر این، شبکه‌ها و ارتباطات جدید شما را به اطلاعات جدید مربوط به دوره‌های کارآموزی، مشاغل آزاد، و پیشنهادها شغلی سودآور نزدیک‌تر می‌کنند.

چگونه از آن استفاده کنیم:

با توجه به افزایش دانشمندان داده در بخش‌های اصلی، فرصت‌های متعددی هر ساله برای متخصصان ایجاد می‌شود تا با دیگر متخصصان با علایق مشترک ارتباط برقرار کنند.

زمانی که در مرحله بعد برای مصاحبه می‌روید، بدون توجه به نتیجه، مطمئن شوید که با مصاحبه‌کننده ارتباط حرفه‌ای برقرار می‌کنید-سوالات، نکات، منابع را بپرسید، و کنجکاوی خود را نشان دهید.

فرصت‌های شغلی، مهارت‌های حل مشکلات جمعی و تأیید شغلی از مزایای اساسی ایجاد یک شبکه حرفه‌ای قوی است.

۳. دانشمندان داده‌های موثر مطالعه‌کنندگان خوبی هستند.

من می‌دانم که شما به چه چیزی فکر می‌کنید. علم داده درباره آمار و ارقام، آمار و کدگذاری است، من باید چه چیزی را بخوانم؟

خوب، مفهوم و اجرای اصول علم داده همگی از کلمات ساده گرفته شده‌اند.

تنها درباره مدل‌ها و زبان‌های برنامه‌نویسی نیست؛ مهم این است که فعالیت‌های داخلی حرفه خود را درک کنید.

حقیقت این است که اگر به ترفندها و تجربه‌هایی که از شغل قبلی و یا فعلی خود کسب کرده‌اید، وابسته باشید، تمایلات عظیمی وجود دارند که به صورت حرفه‌ای راکد باقی می‌مانند.

خواندن مقالات تحقیقاتی تا حد زیادی به دانشمندان داده کمک خواهد کرد تا روندها و پیشرفت‌ها را در صنایع خود دنبال کنند. — Saurabh Jha.

چگونه از آن استفاده کنیم:

صدها مقاله تحقیقاتی با کیفیت، کتاب، مقاله، و مجله وجود دارند که منابع ارزشمند علوم داده را برای آموزش و گسترش دانش شما در مورد مفاهیم خاص در زمینه کاری شما به نمایش می‌گذارند.

قبل از دریافت گواهینامه علم داده، بیشتر زبان‌های برنامه نویسی و ترفندهای تجزیه و تحلیل را از پست‌های وبلاگ‌ها آموختم.

به غیر از جنبه فنی، خواندن نوشته‌هایی در مورد بهره‌وری، نکات حرفه‌ای و رشد شخصی طرز فکر شما را نسبت به مثبت گرایی و نگرش درست به کار دوباره تعریف خواهد کرد.

۴. در جوامع علم داده فعال باشید.

اوایل سال گذشته، من این انگیزه را داشتم تا آنچه را که از زمان شروع سفر به علم داده داشتم را با دیگران به اشتراک بگذارم. گروه‌های فیس بوک و صفحات تلگرام در مسیر من کار نکردند، زیرا بسیاری از نرم‌افزارهای مخرب و کلاهبردای در حال گردش در اکثر پلت‌فرم‌های اجتماعی بودند. یک اسب تروا تقریبا پروژه‌ای را که بیش از 6 ماه روی آن کار می‌کردم به سرقت برد.

هشدار: هرگز روی لینک تصادفی که در گروه‌های فیس بوک می‌بینید کلیک نکنید مگر اینکه منبع را بدانید.

صرف‌نظر از موقعیت یا تجربه شما، به عنوان یک محقق داده، شما باید مایل به کمک باشید. برای حل یک کار خاص، یافتن و انتشار مجموعه داده‌ها و هدایت متخصصان جوان‌تر در این صنعت مشتاق باشید. با سرعت بالای پیشرفت علم داده، افراد بیشتری به منظور تنوع بخشیدن و گسترش هوش تکنولوژیکی خود در حوزه‌های مرتبط با داده‌ها غرق می‌شوند.

با این حال، لازم است که به حمایت از مهندسان، تحلیلگران و دانشمندان آینده کمک شود تا اثربخشی را پرورش داده و تاثیر را در دیگران به حداکثر برسانند.

چگونه از آن استفاده کنیم:

پیشگام شوید، پست‌های وبلاگ، مقالات تحقیقاتی و مقالات ارزشمندی در انجمن‌های علوم داده ایجاد کنید. اگر شما استعداد صحبت کردن دارید، می‌توانید یک پادکست یا کانال یوتیوب را شروع کنید که به اشتراک گذاری تجربه شما و روش‌های ساده تعمیر آن به چالش‌های داده ساده اختصاص دارد.

۵. نمی‌توانید از آن فرار کنید-مهارت‌های کدگذاری عالی ایجاد کنید.

بحث‌برانگیزترین سوالات علم داده در کورا:

• آیا دانشمندان داده کد می‌زنند؟
• آیا یک دانشمند داده باید برنامه‌نویس بسیار خوب و سریعی باشد؟
• آیا کد گذاری برای تحلیلگر داده مورد نیاز است؟ آیا شما می‌توانید یک محقق داده بدون کد گذاری باشید؟

با توجه به یافته‌هایم، متوجه شدم که بیشتر دانشمندان داده به دنبال راه‌هایی برای فرار از جنبه کدگذاری علم داده هستند و این مرا نگران می‌کند که بسیاری از مردم به دنبال راهی آسان برای رسیدن به موفقیت هستند.

البته، همه کدگذاری را دوست ندارند، اما نکته ناراحت‌کننده این است که آن‌ها مایل به یادگیری نیستند.

یک محقق داده باید حداقل دانش اولیه از زبان‌های برنامه‌نویسی مانند پایتون، جاوا اسکریپت و آر داشته باشد زیرا بیشتر وظایف مربوط به داده بر روی اخلاق کدگذاری جامد ساخته شده‌اند.

چگونه از آن استفاده کنیم:

تعداد بسیار زیادی از دوره‌های آنلاین با کیفیت بالا وجود دارند که اصول و جنبه‌های پیشرفته زبان‌های برنامه‌نویسی متعدد را پوشش می‌دهند. تحقیق کنید و مهارت‌های لازم برای برجسته شدن در این حوزه کاری را پیدا کنید.

نکات کاربردی

علم داده فقط یک "حرفه یک طرفه" نیست که در آن علاقه‌مندان به فناوری تصادفی خود می‌توانند ترفندهای داده 101 را تمرین کنند.

این تنها تحلیل نیست، تا یک داده دانشمند نامیده شوید؛ متخصصان باید دانش قابل‌توجهی از مهندسی داده، هوش مصنوعی، تصویرسازی، داده‌کاوی، و بسیاری چیزهای دیگر داشته باشند. با تمام این زمینه‌ها، به نظر شما چه چیزی شما را به عنوان یک محقق داده منحصر به فرد می‌سازد؟

توسعه عادات ارزشمند به عنوان یک متخصص علم داده یک راه عالی برای حفظ روابط خوب، رسیدن به بالاترین پتانسیل و ایجاد ارتباطات موثر بین اعضای تیم است.

کارهای کوچکی که هر روز انجام می‌دهید چیزی است که شما را تبدیل به کسی می‌کند که هستید، حالا زمان آن است که قدم‌های لازم برای موفقیت خود را بردارید.

این متن با استفاده از ربات مترجم 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.