۹ دلیل که چرا هرگز به دانشمند داده تبدیل نمی‌شوید!

تذکر: این داستان برای دلسرد کردن شما نیست. بلکه باید عنوان یک نگاه طولانی و سخت در آینه عمل کند.

اگر شما در مورد علم داده مشتاق هستید، چندین پست وبلاگ را خوانده‌اید و چند کلاس آنلاین را کامل کرده‌اید. حالا در رویای این هستید که این شغل را به دست بیاورید. بعلاوه، طبق گزارش کسبوکار هاروارد، این جذاب‌ترین شغل قرن ۲۱ است.

اما علی‌رغم اشتیاق شما، علم داده ممکن است برای شما نباشد. در این لحظه، شما توهمات و کلیشه‌های نادرست زیادی را در اختیار دارید.

حالا وظیفه شما ساده است: چیزهایی را که شما را عقب نگه می‌دارند حذف کنید! و از اینکه چقدر سریع به جلو حرکت می‌کنید شگفت‌زده خواهید شد.

۱- شما فکر می‌کنید که مدرک تان کافی است.

شما مدرک کارشناسی‌ارشد در یک رشته کمی دارید، یا شاید حتی دکترا. حالا شما یک شروع سریع در علم داده می‌خواهید.

اما آیا تا به حال از محیط متنی (shell) استفاده کرده‌اید؟ اما آیا تابه‌حال به ترسی که در هنگام استفاده از محیط متنی و بروز خطاها رخ می‌دهد فکر کردید؟ آیا تا به حال با پایگاه‌های داده بزرگ - در مقیاس ترابایت - کار کرده‌اید؟ اگر به یکی از این سوالات با نه جواب بدهید، هنوز آماده نیستید. شما به تجربه دنیای واقعی نیاز دارید و چند پروژه واقعی بسازید. تنها در این صورت است که شما با مشکلاتی مواجه خواهید شد که هر روز به عنوان یک دانشمند داده با آن‌ها مواجه خواهید شد. و تنها در این صورت می‌توانید مهارت‌های حل آن‌ها را توسعه دهید.

به شما بابت مدرکتان تبریک می‌گوییم. حالا سخت کوشی را شروع کنید.

۲. شما فاقد شور و شوق هستید.

آیا تا به حال کل آخر هفته را در یک پروژه گیک سرمایه‌گذاری کرده‌اید؟ آیا تا به حال شب‌های خود را صرف گشت و گذار در گیت‌هاب کرده‌اید در حالی که دوستانتان برای مهمانی بیرون بودند؟ آیا تا به حال به خاطر اینکه کدنویسی را ترجیح دهید به سرگرمی مورد علاقه خود نه گفتید؟

اگر نتوانید با بله به هیچکدام از سوالات بالا پاسخ دهید، به اندازه کافی دارای شوق نیستید. علم داده در مورد مواجهه با مشکلات جدی و چسبیدن به آن‌ها تا زمانی است که شما یک راه‌حل پیدا کنید. اگر به اندازه کافی شور و شوق ندارید، با دیدن اولین مشکل خجالت خواهید کشید.

به این فکر کنید که چه چیزی شما را به سمت تبدیل شدن به یک دانشمند داده جذب می‌کند. آیا این عنوان شغلی فریبنده است؟ یا اینکه آیا چشم‌انداز شخم زدن مقادیر زیادی داده در جستجوی بینش‌ها است؟ اگر دومی باشد، شما در مسیر درست حرکت می‌کنید.

۳. شما به اندازه کافی دیوانه نیستید

فقط ایده‌های احمقانه ایده‌های خوبی هستند. و به عنوان یک دانشمند داده، شما به تعداد زیادی از آن‌ها نیاز خواهید داشت. شما نه تنها نیاز دارید که در برابر نتایج غیر منتظره باز باشید، بلکه آن‌ها زیاد اتفاق می‌افتند!

اما همچنان باید راه‌حل‌هایی برای مشکلات واقعا سخت ایجاد کنید. این به سطحی فوق‌العاده نیاز دارد که شما نمی‌توانید با ایده‌های معمولی به آن برسید.

اگر مردم مرتب به شما بگویند که از روی گهواره‌تان بلند شوید، در مسیر درست حرکت می‌کنید. اگر نه، باید بر روی دیوانگی خود کار کنید. البته این کار نیاز به کمی جسارت دارد. وقتی قواعد را رها کردید، برخی از مردم سرشان را می‌خارند و به شما پشت می‌کنند.

اما ارزشش را دارد. چون با خودتان روراست هستید. و شما جرقه زیرکی را که به عنوان دانشمند داده نیاز دارید، روشن می‌کنید.

۴. شما از کتاب‌های آموزشی و کلاس‌های آنلاین یاد می‌گیرید.

اشتباه برداشت نکنید. کتاب‌های آموزشی و کلاس‌های آنلاین راه خوبی برای شروع هستند. اما فقط برای شروع!

شما باید در اولین فرصت روی پروژه‌های واقعی کار کنید. البته، هیچ نقطه‌ای در ساخت یک پروژه پایتون بدون توانایی کد زدن یک خط واحد در پایتون وجود ندارد. اما به محض اینکه یک پایه و اساس متوسط ساختید، فعال شوید.

یادگیری حین انجام دادن کلید کار است.

شروع به ساخت مجموعه کارهای GitHub خود کنید. در برخی رقابت‌های هکاتون و کاگل شرکت کنید. و در مورد تجربیات خود وبلاگ نویسی کنید.

هر کسی می‌تواند کتاب‌های درسی را یاد بگیرد. برای اینکه یک دانشمند داده باشید، باید کارهای بیشتری انجام دهید.

۵. فکر می‌کنید می‌توانید یادگیری را در جایی متوقف کنید.

شما در چند دوره آنلاین در مورد علم‌داده شرکت کرده‌اید و چند کتاب آموزشی خواندید. حالا شما فکر می‌کنید که زمانی است که بر آن‌ها تسلط پیدا کردید، به اندازه کافی یاد گرفته‌اید که در علم داده وارد شوید.

اشتباه محض! این تازه شروع کار است. اگر فکر می‌کنید که حالا چیزهای زیادی یاد گرفته‌اید، به این فکر کنید که تا سه سال دیگر چقدر یاد خواهید گرفت.

اگر یک دانشمند داده شوید، ده برابر بیشتر از چیزی که تا حالا یاد گرفته‌اید خواهید آموخت. این یک حوزه همیشه در حال تغییر است که در آن به طور مداوم به فناوری‌های جدید نیاز است. اگر زمانی که کار خود را آغاز کردید، یادگیری را متوقف کنید، مسیر شما از یک مبتدی در علوم داده به یک دانشمند داده می‌رسد که غرق می‌شود.

اگر می‌خواهید در دانش داده برتر شوید (و اگر این متن را می‌خوانید، حتما می‌خواهید)، باید با این واقعیت روبرو شوید که منحنی یادگیری شما در طول زمان تندتر خواهد شد. اگر از یادگیری بزرگ لذت نمی‌برید، از فکر کردن در مورد دانشمند داده بودن دست بکشید.

۶- شما در حوزه دیگری تخصص ندارید

فرض که شما یک یا دو چیز در مورد علوم کامپیوتر می‌دانید و مهارت‌های ریاضی شما بد نیست. آیا می‌توانید در علم داده شغلی به دست آورید؟

نه، نمی‌توانید. مهارت‌های شما در فن‌آوری اطلاعات و ریاضی ضروری هستند اما متمایز‌شدن از سایر علاقمندان به علم داده کافی نیستند. دانشمندان داده در همه انواع شرکت‌ها و همه انواع صنایع کار می‌کنند. برای ارائه نکات کلیدی به مشتریان خود، به دانش درباره حوزه آن‌ها نیاز دارید.

برای مثال، کیت ماری لویس که داستانش رو در زیر قرار دادیم یک موقعیت را در علم داده را ظرف شش ماه و بدون داشتن هرگونه پیش‌زمینه برنامه‌نویسی کسب کرد. اما چیزی که این تفاوت را ایجاد کرد این بود که او به عنوان یک دانشمند علوم عصبی، در زمینه بهداشت و درمان اطلاعات دارد.

در چه حوزه‌ای خوب هستید؟ در کدام زمینه‌ها تجربه دارید؟

سعی کنید خود را به عنوان یک متخصص در دامنه خود قرار دهید، و کم‌تر شبیه به یک دانشمند داده عمومی باشید. به این شکل است که شما واقعا یک شغل را به دست می‌آورید.

۷- شما فاقد مهارت‌های کسب‌وکار هستید

بنابراین شما بیشتر از نوع تحلیلگر هستید. شما اعداد و تحلیل‌های کمی را دوست دارید و از مهارت‌های نرم و تعامل انسانی متنفر هستید.

این کار شما را به یک دانشمند خوب تبدیل نمی‌کند، دوست من. مهارت‌های نرم حتی در یک کار کمی نیز مهم هستند. مهارت‌های نرم چیزی هستند که در نهایت باعث می‌شوند از مصاحبه شغلی اجتناب کنید.مقاله زیر شاید برایتان مفید باشد.

از میان تمام مهارت‌های نرمی که می‌توانید به دست آورید، این مهارت‌های کسب‌وکار شماست که به افزایش نیاز دارند. به یاد داشته باشید که مشتریان شما رهبران کسب‌وکار هستند. و به این ترتیب، آن‌ها به افرادی نیاز دارند که تجارت را درک کنند. تنها از این طریق است که می‌توانید بینش‌هایی ایجاد کنید که به ارزش مشتری شما بیافزاید.

۸- شما ارتباطات معنی‌داری ندارید

شما می‌خواهید در این زمینه کاری به دست آورید اما هیچ یک از دانشمندان داده را نمی‌شناسید؟ حالا وقت شکستن لاکتان است، دوست من.

به جلسات میت‌آپ بروید. به گروه‌های مرتبط در LinkedIn بپیوندید. با مردم در هکاتون‌ها آشنا شوید. افراد مناسب را در توییتر دنبال کنید. همکاران خود را در پروژه‌های گیت‌هاب ملاقات کنید. کار هیجان انگیزی انجام دهید!

همانند هر جستجوی شغلی دیگر، ۹۰٪ موفقیت شما با میزان مهارت‌های شما مشخص نمی‌شود. مشخص است که چه کسی می‌تواند منابع را برای شما فراهم کند و چه کسی می‌تواند به شما معرفی کند. اگر ارتباطات شما با LinkedIn به مادر و همکارانتان در آن شغل بن‌بست محدود است، وقت آن است که پروفایل خود را تبلیغ کنید.

اگر تعداد دنبال کنندگان‌تان بر روی توییتر به تعداد انگشتان دست است، وقت آن است که توییت بزنید. اگر وبلاگ شما خواننده‌ای ندارد، سعی کنید برای موتورهای جستجو به‌سازی کنید.

این ارتباطات برقرار خواهند شد. اما اول باید لاک خود را بشکنید.

۹- عاشق کار کثیف نیستید

حتما شایعات در مورد یادگیری ماشینی و هوش مصنوعی را شنیده‌اید. شما فکر می‌کنید که علم داده می‌تواند در را برای کار با فن‌آوری‌های پیشرفته باز کند.

شاید بتوانید. اما من به شما تضمین می‌کنم که این کار را بیش از ۵٪ وقت خود انجام نخواهید داد. زمانی که کار رویایی خود را به انجام رساندید، بیش‌ترین زمان خود را صرف تمیز کردن داده‌ها می‌کنید. تبریک می‌گویم، شما تازه یک شغل جدید به عنوان یک سرایدار پیدا کرده‌اید!

اگر این شغل (سرایداری) را دوست ندارید، به خانه برگردید - نباید این مقاله را بخوانید. اگر هنوز می‌خواهید یک دانشمند داده باشید، پس از خواندن همه اینها، زمان آن رسیده که عاشق کار کثیف شوید. مقاله زیر راهنمای خوبی است:

دانشمند داده یک عنوان شغلی نیست. یک حرفه است.

دانشمندان داده به شدت پر متقاضی هستند که باعث می‌شود افراد زیادی آن را سرسری بگیرند اما برای پیدا کردن یک موقعیت در این زمینه، سرسری کارکردن کافی نیست. باید سخت کار کنید.

اگر شما هنوز در مورد تبدیل شدن به یک دانشمند داده بعد از خواندن این داستان متقاعد هستید، تبریک می‌گویم. ممکن است در مسیر خیلی خوبی باشید.

اگر در این مرحله شما در مورد تبدیل شدن به پژوهشگر داده مطمئن نیستید، بزرگ‌ترین دلایل شک و تردید خود را شناسایی کنید. سپس شروع به کار بر روی این نکات کنید. شما می‌توانید این کار را بکنید!

این متن ترجمه‌ای است از مقاله منتشر شده در وبلاگ towardsdatascience که با کمک موتور ترجمه مقالات علمی ترجمیار ترجمه شده و پس از ویرایش محدود انسانی منتشر شده است