Карьера

6 советов по повышению продуктивности для начинающих специалистов по обработке и анализу данных, аналитиков и дата-инженеров

Советы, которые повысят вашу продуктивность в науке о данных, анализе и инженерном деле для новичков.

Что вдохновило меня написать на эту тему, так это тот факт, что многие новички обращаются ко мне с такими вопросами, как:

  • Что мне нужно, чтобы стать хорошим специалистом по данным?
  • Как я могу улучшить себя, будучи абсолютным новичком?
  • Как выделиться на собеседовании?

Я мог вспомнить, когда хотел изучать науку о данных и машинное обучение.

Мне также было любопытно, какие конкретные вещи мне нужно сделать, чтобы ускорить себя, в то время как я только начал, так как прошел этот этап и получил больше опыта.

Я поделюсь некоторыми советами, которые помогут новичкам в их путешествии, исходя из моего опыта в науке о данных.

В этой статье вы узнаете, как улучшить себя в качестве начинающего или начинающего специалиста по данным.

Я объясню шесть важных советов по продуктивности, которые помогут вам стать лучше, если вы новичок, младший студент, студент или начинающий специалист по данным, инженер данных или аналитик данных.

Вот эти советы:

  • Решайте проблемы, не ограничивайтесь инструментами или языками программирования.
  • Сотрудничайте с другими.
  • Фундаментальный Первый.
  • Прекратите прокрастинацию и избегайте синдрома самозванца.
  • Создание побочных проектов.
  • Начать писать.
  1. Решайте проблемы, не ограничивайтесь инструментами или языками программирования. Новичок должен сосредоточиться на решении проблем.

Каков процесс решения проблем в науке о данных?

  • Знать, как очистить ваши данные.
  • Обеспечение качества данных.
  • Рассказывая истории с данными.
  • Составление отчетов и рекомендаций.
  • Анализ и влияние на бизнес.

Таким образом, вы уделяете внимание решению бизнес-задач.

У каждого языка программирования есть свои недостатки. Ни один язык программирования не идеален.

Что я имею в виду?

  • Основываясь на исследованиях и примерах использования, язык программирования R лучше всего подходит для работы со статистическими концепциями, поскольку R имеет больше встроенных библиотек для статистики, чем Python.
  • Python кажется лучше, когда вы пытаетесь работать с машинным обучением и глубоким обучением.
  • Javascript лучше всего подходит для развертывания модели в браузере.

Мы должны знать, что если я пытаюсь работать над проектом, который включает использование расширенной статистики, R — лучший язык программирования в этом случае, а если я пытаюсь работать с машинным обучением и глубоким обучением, то Python — лучший инструмент для меня. использовать.

Поэтому, если Python не дает подходящего решения, я должен оптимизировать для лучшего способа решения проблем.

2. Сотрудничество с другими: популярная африканская пословица гласит, что если хочешь идти быстро, иди один, но иди вместе, если хочешь идти далеко. В науке о данных сотрудничество играет важную роль в вашем карьерном росте.

Только изучение данных и разработка данных могут работать на соревнованиях Zindi или Kaggle. но это не так в реальном мире, потому что наука о данных влечет за собой множество визуализаций данных, очистку данных, развертывание моделей и так далее.

Великие дела в бизнесе никогда не совершаются одним человеком; их делает команда людей — Стив Джобс

Трудно быть экспертом во всех аспектах науки о данных.

Сотрудничество с другими коллегами по обработке данных позволит вам далеко продвинуться.

Реальные проекты требуют людей с разным опытом, от экспертов по визуализации данных до инженеров по машинному обучению, инженеров по компьютерному зрению, ученых по данным о продуктах и ​​т. д.

Мой совет начинающим специалистам по данным: ищите единомышленников-энтузиастов в этой области, старайтесь сотрудничать и работать над проектами Data Science, ходите на хакатоны и работайте в команде.

Совместная работа способствует развитию навыков командной работы и общения, которые очень важны для специалистов по данным, инженеров или аналитиков данных.

3. Основы Сначала: научитесь осваивать основы.

Освоение основ поможет вам быстро освоить продвинутые концепции науки о данных, поскольку они строят все продвинутые концепции на основе основ.

Погружаясь в науку о данных, научитесь ожидать, что вы станете в ней мастером, сколько бы времени это ни заняло.

Может быть так заманчиво пропустить основы из-за давления событий, которые развиваются так быстро.

Победители не просто изучают основы, они осваивают их. Вы должны постоянно следить за своими базовыми принципами, потому что единственное, что изменится, — это ваше внимание к ним — Майкл Джордан

Мы живем в мире, где новички ищут причудливые библиотеки, концепции и фреймворки.

Начинающие ученые-данные хотят пропустить понимание основ статистики и линейной регрессии до сложных вещей, таких как компьютерное зрение и нейронные сети, они хотят пропустить машинное обучение в пользу глубокого обучения.

Это похоже на то, как ребенок пытается быстро бегать, но не ползает и даже не ходит. В долгосрочной перспективе это повлияет на ваше путешествие.

Концепция условных операторов, очистки данных и разработки функций используется при создании сквозных приложений машинного обучения.

Поймите основные концепции, прежде чем идти дальше или строить большие вещи в науке о данных.

4. Остановите прокрастинацию и избегайте синдрома самозванца. Прокрастинация — одно из самых больших препятствий, с которыми сталкиваются начинающие специалисты по данным. Оставаться последовательным в качестве новичка сложно, но вы добьетесь успеха, когда будете последовательны. Чем более последовательно вы учитесь и совершенствуетесь, тем легче вам получить работу своей мечты.

Последовательность является ключевым фактором. Когда вы непоследовательны, вы продлеваете время, необходимое для получения работы, так как вы также останетесь устаревшим, поскольку наука о данных — это развивающаяся область.

Лучший способ обуздать прокрастинацию — начать. Просто начните это. Новичку так легко откладывать, потому что вы всегда найдете 1000 (одну тысячу) причин, чтобы начать позже, но перестать откладывать.

Как избежать прокрастинации начинающему специалисту по данным

  • Планируйте свою задачу.Имейте четкое представление о том, что вы хотите сделать, и решайте одну задачу за раз.
  • Удалить триггеры. Удалите все, что, как вы знаете, будет вас отвлекать. Например: если вас будут отвлекать социальные сети. Удалите Twitter или, возможно, приложение Facebook и попробуйте войти через браузер. Таким образом вы уменьшите то, что заставляет вас прокрастинировать.
  • Публично обещаю опубликовать в течение определенного периода времени. Один из методов, который я использую, – это публикация в социальных сетях.Например, я делаю что-то вроде: я опубликую свою статью последней. к следующей неделе в среду публично в социальных сетях, что мотивирует меня опубликовать статью до этого срока. Использовали это несколько раз. Оно работает. Это все равно, что поставить себе строгий срок для выполнения. Вы также можете присоединиться к акции 100 Days of Code в Твиттере, чтобы оставаться на одном уровне.

Что касается синдрома самозванца, то рано или поздно он возникает у каждого. Разработка — это сложно, и легко почувствовать себя мошенником, когда застреваешь на ошибке или не можешь решить «простую» проблему.

Прелесть синдрома самозванца в том, что вы колеблетесь между крайним эгоизмом и полным чувством: «Я мошенник! О Боже, они на меня! Я мошенник!». . . просто попробуй прокатиться на эгомании, когда она придет, и наслаждайся ею, а затем проскользни через мысль о мошенничестве — Тина Фрей

У лучших специалистов по данным и инженеров по машинному обучению есть синдром самозванца, они читали посты в LinkedIn, где профессионалы из MAANG (Meta, Apple, Amazon, Netflix и Google) рассказывают о том, как они столкнулись с синдромом самозванца, так что у вас, как у новичка, синдром самозванца. действительно, но не позволяйте ему взять верх над вами, потому что обучение — это непрерывный процесс, это бесконечная линия.

Чем больше вы узнаете, тем больше вы обнаружите, что вы многого не знаете и вам все еще нужно учиться.

5. Создавайте сторонние проекты. Чем раньше вы создадите сторонние проекты, тем лучше для вас. Вам не нужно знать все, прежде чем создавать сторонние проекты.

Чем больше вы углубляетесь в науку о данных, тем больше вы обнаруживаете, что получение такого количества сертификатов о завершении без создания реального проекта не стоит праздновать.

Никогда не спрашивайте мнения, прогнозы или рекомендации. Просто спросите их, что у них есть или чего нет в их портфолио — Нассим Николас

Это горькая правда. Мир, в котором мы живем сегодня, зависит от того, что вы можете сделать.

Мы знаем музыкантов по их произведениям так же, как и художников. Сотня курсов без проекта — это как просто просмотр фильмов.

Никто не получает вознаграждение за это. Создавайте проекты. Трудно устроиться на работу даже стажером, не имея проекта, который можно было бы показать рекрутерам.

Не просто складывайте сертификаты об окончании без проекта, который можно было бы показать. Начните с малого, создавайте мини-проекты, а затем со временем продолжайте масштабироваться до более крупных проектов.

6. Начните писать. Я знаю, что вы, будучи новичком, можете начать думать, но я только начал изучать науку о данных. Я не очень хорошо разбираюсь в науке о данных, чтобы писать.
Вам не нужно быть экспертом, чтобы писать на предметную тему. Нужно уметь объяснить это любителю.

Письмо заставляет вас глубоко думать и выкапывать ясность из кроличьей норы. Когда вы пишете, вы заставляете свой мозг интуитивно мыслить посредством исследований и стремиться узнать больше.

Всегда есть что добавить в тему, у каждого свой взгляд на тему. Это одна из важнейших причин, по которой вы должны начать писать даже будучи новичком.

Секрет хорошего письма в том, чтобы писать для себя.

Пишите о темах, которые вы хотите изучить и изучить.

Наличие обширного проекта может быть настолько сложным для тех, кто только изучает науку о данных, поскольку понимание того, как создать комплексный проект машинного обучения, может занять время и быть очень сложным для новичков.

Лучше всего писать о каждом этапе, который вы изучаете или уже закончили.

Таким образом, вы копаете глубже, чтобы понять концепцию, а не просто занимаетесь серфингом.

Делитесь своими знаниями с помощью статей, тем и сообщений, так как это поможет вам лучше понять.

Таким образом, вы также развиваете свои коммуникативные навыки, которые необходимы любому специалисту по данным, аналитику данных или инженеру данных.

Когда вы подаете заявку на стажировку или работу начального уровня, рекрутер видит в вас человека, которого стоит нанять.

В области науки о данных и инженерии существует множество ошеломляющих концепций.

Использование метода обучения Фейнмана — эффективный способ изучить и понять науку о данных и машинное обучение.

С тех пор, как я прочитал об этой технике, я начал писать о науке о данных, и это заставляет меня копать глубже, а также прояснять свои мысли посредством письма.

Техника обучения Фейнмана:

Техника Фейнмана — это метод обучения, названный в честь Ричарда Фейнмана.

В этой технике человек объясняет концепцию, которую он просто изучает, сам себе, чтобы найти пробелы в своих знаниях.

Техника состоит из четырех шагов:

  • Выберите тему, которую вы хотите понять, и начните ее изучать. Например, просмотр веб-страниц с помощью Python, развертывание модели с помощью Azure или управление версиями данных с помощью DVC.
  • Притворитесь, что преподаете тему в классе — в этом случае пишите на темы, проводите углубленное исследование и делитесь ими, а также получайте отзывы.
  • Если вы застряли, вернитесь к книгам, видео или официальной документации.
  • Упрощайте и используйте аналогии!

Если вы не можете просто объяснить, значит, вы недостаточно хорошо это понимаете — Альберт Эйнштейн

Примечание. Если вы хотите что-то освоить, научите этому, так как преподавание предметной темы — это обучение дважды.

И здесь делаем вывод…

Вы только что узнали шесть советов по продуктивности для начинающих специалистов по данным, почему стоит начать писать, почему вы должны перестать прокрастинировать и избежать синдрома самозванца, важность совместной работы с другими, освоение основ и преимущества создания побочных проектов для новичка.

Я надеюсь, что вы многому научились и начнете применять эти советы по продуктивности в своей повседневной жизни, так как эти советы помогут вам повысить продуктивность в вашем путешествии по науке о данных в качестве новичка.

Поздравляем! Теперь у вас есть шесть советов по повышению производительности, которые помогут вам в вашем путешествии по науке о данных в качестве начинающего, младшего или бакалавра специалиста по данным.

Мне не терпится увидеть, как вы примете то, что объяснено в этой статье, и начнете поднимать шумиху вместе с ними.

Свяжитесь со мной в Linkedin

Свяжитесь со мной в Twitter