نحوه ساخت یک سبد علوم داده

چگونه در علوم داده شغلی پیدا می کنید؟دانستن آمار کافی ، یادگیری ماشین ، برنامه نویسی و غیره برای اینکه بتوانید شغل خود را بدست آورید دشوار است. نکته ای که اخیراً پیدا کردم این است که تعداد معدودی از افراد ممکن است مهارت های لازم برای بدست آوردن شغل را داشته باشند ، اما هیچ نمونه کارها وجود ندارد. در حالی که یک رزومه اهمیت دارد ، داشتن یک نمونه کارها از شواهد عمومی در مورد مهارت های علوم داده شما می تواند برای چشم انداز شغلی شما شگفتی کند. حتی اگر شما یک ارجاع داشته باشید ، توانایی نشان دادن کارفرمایان بالقوه به جای اینکه فقط به آنها بگویید می توانید کاری انجام دهید مهم است. این پست شامل پیوندهایی به جایی است که متخصصان مختلف علوم داده (مدیران علوم داده ، دانشمندان داده ، نمادهای رسانه های اجتماعی یا برخی از آنها) و برخی دیگر در مورد آنچه در یک نمونه کارها و چگونگی توجه دارند صحبت می کنند. با این کار ، بیایید شروع کنیم!

اهمیت یک نمونه کارها

علاوه بر فواید یادگیری با ساختن یک نمونه کارها ، یک نمونه کارها از اهمیت زیادی برخوردار است زیرا می تواند به شما در اشتغال کمک کند. به منظور این مقاله ، اجازه دهید یک نمونه کارها را به عنوان شواهد عمومی مهارت های علوم داده خود تعریف کنیم. من این تعریف را از دانشمند ارشد داده دیوید رابینسون در DataCamp دریافت کردم وقتی که وی توسط Marissa Gemma در وبلاگ Mode Analytics مصاحبه شد. از وی در مورد فرود اولین شغل خود در صنعت سؤال شد و گفت ،

مؤثرترین استراتژی برای من انجام کارهای عمومی بود. من در اواخر دکتری خود وبلاگ نویسی کردم و توسعه منبع آزاد زیادی را انجام دادم و اینها به شواهد عمومی در مورد مهارت های علوم داده من کمک کرد. اما راهی که من اولین کار در صنعت خود را به دست آوردم ، نمونه ای قابل توجه از کار عمومی بود. در دوران دکتری من یک پاسخ دهنده فعال در سایت برنامه نویسی پشته سرریز بودم و یک مهندس در این شرکت با یکی از پاسخ های من روبرو شد (یکی توضیح دادن شهود در پشت توزیع بتا). او چنان از این جواب تحت تأثیر قرار گرفت که با من [از طریق توییتر] در تماس بود و چند مصاحبه بعد من استخدام شدم.

شما ممکن است این موضوع را به عنوان یک اتفاق عجیب و غریب فکر کنید ، اما اغلب خواهید فهمید که هرچه فعال تر باشید ، شانس بیشتری برای چنین چیزی وجود دارد. از پست وبلاگ دیوید ،

هرچه کار عمومی تر انجام دهید ، احتمال تصادف دلهره مانند آن بیشتر خواهد بود: کسی که متوجه کار شما می شود و شما را به سمت یک فرصت شغلی نشان می دهد ، یا کسی که با شما مصاحبه می کند که از کارهایی که انجام داده اید شنیده است.

افراد غالباً فراموش می کنند که مهندسان نرم افزار و دانشمندان داده نیز مسائل خود را گوگل می کنند. اگر همین افراد با خواندن کارهای عمومی شما مشکلات خود را حل کنند ، ممکن است به شما بهتر فکر کنند و به شما دسترسی پیدا کنند.

نمونه کارها برای دستیابی به یک نیاز تجربه

حتی برای نقش سطح ورود ، بیشتر شرکت ها می خواهند افرادی را با حداقل تجربه زندگی واقعی داشته باشند. ممکن است یادآوری هایی مانند قسمت زیر دیده باشید.

سوال این است که در صورت نیاز به تجربه برای به دست آوردن اولین شغل خود ، چگونه تجربه می کنید؟اگر پاسخی وجود داشته باشد ، پاسخ پروژه ها است. پروژه ها شاید بهترین جایگزین ها برای تجربه کار یا همانطور که Will Stanton گفت ،

اگر به عنوان یک دانشمند داده تجربه ای ندارید ، پس کاملاً باید پروژه های مستقل انجام دهید.

در حقیقت ، هنگامی که ژاکلین نولیس با نامزدها مصاحبه می کند ، او می خواهد در مورد توضیحات مربوط به یک مشکل/پروژه اخیر که با آن روبرو شده اید بشنود.

من می خواهم در مورد پروژه ای که اخیراً روی آن کار کرده اند بشنوم. من از آنها در مورد چگونگی شروع پروژه می پرسم ، چگونه آنها تعیین کردند که ارزش وقت و تلاش ، روند و نتایج آنها را دارد. من همچنین از آنها در مورد آنچه آنها از این پروژه آموخته اند می پرسم. من از پاسخ به این سؤال چیزهای زیادی کسب می کنم: اگر آنها بتوانند روایتی را بگویند ، مشکل مربوط به تصویر بزرگتر و چگونگی مقابله با سخت کوشی انجام کاری است.

اگر برخی از تجربه کار مربوط به علوم داده را ندارید ، بهترین گزینه در اینجا صحبت کردن در مورد یک پروژه علوم داده است که روی آن کار کرده اید.

انواع پروژه هایی که در یک نمونه کارها وجود دارد

علم داده ها چنان زمینه گسترده ای است که می توان دانست که چه نوع پروژه هایی که مدیران استخدام می کنند می خواهند ببینند. ویلیام چن ، مدیر علوم داده در Quora ، افکار خود را در مورد این موضوع در Careercon 2018 Kaggle (Video) به اشتراک گذاشت.

من عاشق پروژه هایی هستم که مردم نشان می دهند که به داده ها علاقه مند به داده ها هستند که فراتر از تکالیف خانه باشد. هر نوع پروژه نهایی کلاس که در آن یک مجموعه داده جالب را کشف می کنید و نتایج جالب را پیدا می کنید ... تلاش خود را برای نوشتن مطرح کنید ... من واقعاً دوست دارم که نوشتن های بسیار خوبی را ببینم که در آن افراد چیزهای جالب و جدیدی پیدا می کنند ... برخی از تجسم ها را دارند و کار خود را به اشتراک می گذارند.

بسیاری از افراد ارزش ایجاد پروژه ها را تشخیص می دهند ، اما یک مسئله بسیاری از مردم تعجب می کنند که این مجموعه داده جالب را از کجا می گیرید و با آن چه می کنید. جیسون گودمن ، دانشمند داده در AIRBNB ، در مورد ساخت پروژه های نمونه کارها داده در جایی که در مورد ایده های مختلف پروژه صحبت می کند ، مشاوره پستی دارد و در مورد نوع مجموعه داده ها باید از آنها استفاده کند. او همچنین یکی از نکات ویلیام در مورد کار با داده های جالب را تکرار می کند.

فهمیدم که بهترین پروژه های نمونه کارها در مورد انجام مدل سازی فانتزی و بیشتر در مورد کار با داده های جالب کمتر است. بسیاری از افراد با اطلاعات مالی یا داده های توییتر کارها را انجام می دهند. اینها می توانند کار کنند ، اما داده ها ذاتاً جالب نیستند ، بنابراین شما کار می کنید.

یکی دیگر از نکات وی در مقاله این است که WebScraping راهی عالی برای به دست آوردن داده های جالب است. اگر علاقه مند به یادگیری نحوه ساخت مجموعه داده خود توسط WebScraping در پایتون هستید ، می توانید پست من را در اینجا مشاهده کنید. اگر از آکادمی ها آمده اید ، توجه به این نکته مهم است که پایان نامه شما می تواند به عنوان یک پروژه (یک پروژه بسیار بزرگ) حساب کند. شما می توانید در اینجا صحبت کنید ویلیام چن در مورد آن صحبت کنید.

انواع پروژه هایی که در یک نمونه کارها وجود ندارد

یک مورد که من در بسیاری از مشاوره های نمونه کارها/رزومه های زیادی پیدا کرده ام (تا جایی که چندین بار در این پست وبلاگ ظاهر می شود) این است که پروژه های مشترکی در نمونه کارها خود داشته باشید.

فکر کردن در مورد یک روش سریعتر برای پرتاب رزومه خود به شمع "قطعی NO" دشوار است تا اینکه کارهایی را که در مورد مجموعه داده های اثبات شده از مفهوم در بین پروژه های شخصی برجسته خود انجام داده اید ، انجام دهید.

وقتی شک دارید ، در اینجا برخی از پروژه ها وجود دارد که بیش از آنکه به شما کمک کنند به شما آسیب می رسانند:

* طبقه بندی بقا در مجموعه داده تایتانیک.

* طبقه بندی رقمی دست نوشته در مجموعه داده MNIST.

* طبقه بندی گونه های گل با استفاده از مجموعه داده Iris.

تصویر زیر نمونه های جزئی از طبقه بندی مجموعه داده های تایتانیک (A) ، MNIST (B) و IRIS (C) را نشان می دهد. روش های زیادی برای استفاده از این مجموعه داده ها برای متمایز کردن خود از متقاضیان دیگر وجود ندارد. حتماً پروژه های جدید را ذکر کنید.

اوراق بهادار تکراری است

Favio Vazquez مقاله ای عالی دارد که در مورد چگونگی دریافت شغل خود به عنوان دانشمند داده صحبت کرد. البته یکی از نکات وی داشتن نمونه کارها است.

H AVE یک نمونه کارها. اگر به دنبال یک کار جدی پرداخت شده در علوم داده هستید ، برخی از پروژه ها را با داده های واقعی انجام دهید. اگر می توانید آنها را در GitHub ارسال کنید. جدا از مسابقات Kaggle ، چیزی را که دوست دارید یا مشکلی که می خواهید حل کنید و از دانش خود برای انجام آن استفاده کنید ، پیدا کنید.

یکی دیگر از یافته های جالب دیگر این بود که شما همیشه باید در هنگام شکار شغل ، پیشرفت خود را ادامه دهید.

من تقریباً به 125 شغل متقاضی شدم (برای واقعی ، شاید شما برای خیلی بیشتر درخواست کنید) ، من فقط مانند 25-30 پاسخ دریافت کردم. برخی از آنها فقط بودند: متشکرم اما نه. و من تقریباً 15 مصاحبه کردم. من از هر یک یاد گرفتم. بهتر شد. مجبور شدم با طرد زیاد سر و کار داشته باشم. چیزی که من در واقع آماده نبودم. اما من عاشق روند مصاحبه بودم (همه آنها صادقانه نیستند). من زیاد مطالعه کردم ، هر روز برنامه ریزی می کردم ، مقالات و پست های زیادی را خواندم. آنها خیلی کمک کردند.

همانطور که بیشتر می آموزید و خود را بهبود می بخشید ، نمونه کارها شما نیز باید به روز شود. همین احساسات در بسیاری از مقالات توصیه های دیگر تکرار می شود. همانطور که جیسون گودمن گفت ،

این پروژه هنگام ارسال عمومی انجام نمی شود. نترسید که بعد از انتشار آنها به ویرایش یا ویرایش پروژه های خود ادامه دهید!

این توصیه به ویژه هنگامی که به دنبال کار هستید صادق است. داستانهای بسیاری از افراد موفق مانند کلی پنگ ، دانشمند داده در Airbnb وجود دارد که واقعاً ادامه کار و بهبود کار را ادامه داده و ادامه می دهند. در یکی از پست های وبلاگ خود ، او به چند مکان که برای او درخواست کرده و با آنها مصاحبه کرده است ، رفت.

برنامه ها: 475

مصاحبه تلفنی: 50

علوم داده تمام شده چالش های خانه: 9

مصاحبه در محل: 8

پیشنهادات: 2

زمان صرف شده: 6 ماه

او به وضوح در مورد بسیاری از مشاغل اعمال شد و همچنان ادامه داشت. او در مقاله خود حتی ذکر می کند که چگونه شما باید از تجربیات مصاحبه خود یاد بگیرید.

به تمام سوالات مصاحبه ای که پرسیدید توجه داشته باشید ، به خصوص آن سؤالاتی که نتوانستید به آنها پاسخ دهید. شما می توانید دوباره شکست بخورید ، اما در همان نقطه شکست نخورید. شما همیشه باید در حال یادگیری و بهبود باشید.

شامل نمونه کارها در رزومه 1 صفحه

یکی از راه هایی که شخصی می یابد نمونه کارها شما اغلب از طریق رزومه شما است ، بنابراین ارزش ذکر آن را دارد. رزومه علوم داده مکانی برای تمرکز بر مهارتهای فنی شماست. رزومه شما فرصتی برای نمایش دقیق صلاحیت های شما و متناسب با آن نقش خاص است. استخدام کنندگان و مدیران استخدام خیلی سریع از سر می گیرند و شما فقط مدت کوتاهی برای ایجاد تصور دارید. بهبود رزومه شما می تواند شانس مصاحبه را افزایش دهد. شما باید اطمینان حاصل کنید که هر خط و هر بخش از رزومه شما حساب می شود.

ویلیام چن ، مدیر علوم داده از Quora 9 نکته برای تهیه رزومه علوم داده شما دارد. در خلاصه خلاصه نکات وی در زیر ، که پروژه ها و نمونه کارها نقاط 6 ، 7 ، 8 و مسلماً 9 هستند ، توجه کنید.

1. طول: آن را ساده نگه دارید و یک صفحه حداکثر. این بیشترین تأثیر را برای یک لاغر سریع به شما می دهد. یک رزومه یک ستون ساده را توصیه می کند زیرا لاغر شدن آن آسان است.

2. هدف: یکی را شامل نشوید. آنها به شما کمک نمی کنند که خود را از افراد دیگر متمایز کنید. آنها فضا را از چیزهای مهمتر (مهارت ، پروژه ، تجربه و غیره) دور می کنند. نامه های پوشش بسیار اختیاری هستند مگر اینکه واقعاً آن را شخصی سازی کنید.

3. کار درسی: لیست های مربوطه را که برای توضیحات شغلی کاربرد دارد ، لیست کنید.

4- مهارت ها: برای مهارت های خود رتبه های عددی را ارائه ندهید. اگر می خواهید خود را در مهارت های خود ارزیابی کنید ، از کلماتی مانند مهارت یا آشنا یا مواردی از این دست استفاده کنید. شما حتی می توانید ارزیابی ها را در کل حذف کنید.

5. مهارت ها: مهارت های فنی را که توضیحات شغل از آن یاد می کند ، لیست کنید. سفارش شما در لیست مهارت های خود می تواند آنچه را که در آن بهترین هستید ، نشان دهد.

6. پروژه ها: پروژه های مشترک یا تکالیف را ذکر نکنید. آنها در تمایز شما از متقاضیان دیگر مفید نیستند. لیست پروژه هایی که جدید هستند.

7. پروژه ها: نتایج را نشان دهید و پیوندها را درج کنید. اگر در رقابت Kaggle شرکت کرده اید ، رتبه صدف را قرار دهید زیرا به شخصی که در حال خواندن رزومه شما است ، می داند که در این رقابت ها قرار دارید. در بخش های پروژه ها ، همیشه جایی برای پیوندها به نوشتن و مقاله وجود دارد زیرا به مدیر استخدام یا استخدام کننده اجازه می دهند عمیق تر حفر شوند (تعصب به مشکلات کثیف دنیای واقعی که در آن چیز جدیدی یاد می گیرید).

توجه کنید که در یکی از بخش های پروژه های فوق ، یک شخص پیوند دیگری به یک وبلاگ دارد که به استخدام کننده یا مدیر استخدام کننده اجازه می دهد اطلاعات بیشتری کسب کند. این یکی از راه های پیوند دادن به قسمت های مختلف نمونه کارها از رزومه شماست.

8. نمونه کارها: حضور آنلاین خود را پر کنید. اساسی ترین پروفایل LinkedIn است. این نوع مانند یک رزومه گسترده است. پروفایل های GitHub و Kaggle می توانند به نشان دادن کار شما کمک کنند. هر نمایه را پر کرده و پیوندهایی به سایت های دیگر وارد کنید. توضیحات مربوط به پاسخهای GitHub خود را پر کنید. پیوندهایی به پروفایل/وبلاگ اشتراک دانش خود (متوسط ، Quora) وارد کنید. علم داده به طور خاص در مورد اشتراک دانش و برقراری ارتباط داده ها برای افراد دیگر است. لازم نیست همه آنها را انجام دهید ، اما چند مورد را انتخاب کنید و این کار را انجام دهید (بیشتر در مورد این بعداً).

9. تجربه: تجربه خود را به سمت کار متناسب کنید. تجربه هسته اصلی رزومه شماست ، اما اگر تجربه کاری ندارید چه کاری انجام می دهید؟رزومه خود را بر روی پروژه های مستقل مانند پروژه های Capstone ، تحقیقات مستقل ، کار پایان نامه یا مسابقات Kaggle متمرکز کنید. اگر تجربه کاری برای تهیه رزومه خود ندارید ، این جایگزین ها برای تجربه کار هستند. از قرار دادن تجربه بی ربط در رزومه خود خودداری کنید.

اگر می خواهید بدانید که مدیران علوم داده از اوراق بهادار و رزومه ها عبور می کنند ، در اینجا پیوندهایی به Kaggle's CareerCon 2018 (ویدیو ، رزومه های مورد بررسی) وجود دارد.

اهمیت رسانه های اجتماعی

این بسیار شبیه به اهمیت یک بخش نمونه کارها است که فقط به بخش ها تقسیم می شود. داشتن یک صفحه GitHub ، یک پروفایل Kaggle ، یک سرریز پشته و غیره می تواند پشتیبانی از رزومه شما را فراهم کند. پر کردن پروفایل های آنلاین می تواند سیگنال خوبی برای استخدام مدیران باشد.

به طور کلی ، هنگامی که من یک نامزد را ارزیابی می کنم ، من هیجان زده ام که می بینم که آنها به صورت عمومی به اشتراک گذاشته شده اند ، حتی اگر صیقل داده نشده یا تمام نشده باشد. و به اشتراک گذاشتن هر چیزی تقریباً همیشه بهتر از به اشتراک گذاشتن هیچ چیز نیست.

دلیل اینکه دانشمندان داده مانند دیدن کارهای عمومی مانند ویل استنتون گفتند ،

دانشمندان داده از این ابزارها برای به اشتراک گذاشتن کار خود و یافتن پاسخ به سؤالات استفاده می کنند. اگر از این ابزارها استفاده می کنید ، به دانشمندان داده می پردازید که یکی از آنها هستید ، حتی اگر تاکنون به عنوان دانشمند داده کار نکرده اید.

بسیاری از علوم داده در مورد ارتباط و ارائه داده ها است ، بنابراین خوب است که این پروفایل های آنلاین را داشته باشید. علاوه بر این که این سیستم عامل ها به ارائه تجربه ارزشمندی کمک می کنند ، آنها همچنین می توانند به شما در توجه و هدایت افراد به سمت رزومه خود کمک کنند. افراد می توانند و رزومه شما را از طریق منابع مختلف (LinkedIn ، Github ، Twitter ، Kaggle ، متوسط ، پشته ، Overflow Public ، Tableau Public ، Quora ، YouTube و غیره) پیدا کنند. حتی خواهید فهمید که انواع مختلفی از رسانه های اجتماعی به یکدیگر تغذیه می شوند.

گیتوب

پروفایل GitHub یک سیگنال قدرتمند است که شما یک دانشمند داده صالح هستید. در بخش پروژه های یک رزومه ، مردم غالباً پیوندهایی به GitHub خود می گذارند که کد برای پروژه های خود ذخیره می شود. همچنین می توانید در آنجا نوشتن و علامت گذاری داشته باشید. GitHub به مردم اجازه می دهد آنچه را که شما ساخته اید و چگونه آن را ساخته اید ، ببینند. در برخی از شرکت ها ، مدیران استخدام به متقاضیان GitHub نگاه می کنند. این روش دیگری برای نشان دادن کارفرمایان است که شما مثبت کاذب نیستید. اگر وقت خود را برای توسعه پروفایل GitHub خود می گیرید ، می توانید بهتر از سایرین ارزیابی شوید.

شایان ذکر است که شما باید به نوعی readme. md با توضیحات مربوط به پروژه خود داشته باشید زیرا بسیاری از علم داده در مورد ارتباط با نتایج است. اطمینان حاصل کنید که پرونده readme. md به وضوح توصیف می کند که پروژه شما چیست ، چه کاری انجام می دهد و چگونه می توانید کد خود را اجرا کنید.

کله زدن

شرکت در مسابقات Kaggle ، ایجاد یک هسته و کمک به بحث و گفتگو ، راه هایی برای نشان دادن صلاحیت به عنوان یک دانشمند داده است. این مهم است که تأکید کنیم که Kaggle مانند یک پروژه صنعت به عنوان کالین فارلی نیست ، در این سؤال Quora ذکر می کند. مسابقات Kaggle از رسیدن به یک کار ، به دست آوردن داده ها برای شما مراقبت می کند و آن را به صورت قابل استفاده تمیز می کند. آنچه انجام می دهد این است که به شما تمرین تجزیه و تحلیل داده ها و ارائه یک مدل را می دهد. توجه داشته باشید که دلیل خوبی وجود دارد که چرا Grandmasters Kaggle همچنان در مسابقات Kaggle شرکت می کنند. RESHAMA شیخ پستی برای کاگگل دارد یا نه در جایی که در مورد ارزش مسابقات کاگل صحبت کرده است. از پست او ،

درست است ، انجام یک رقابت Kaggle واجد شرایط کسی نیست که دانشمند داده باشد. نه گرفتن یک کلاس یا شرکت در یک آموزش کنفرانس یا تجزیه و تحلیل یک مجموعه داده یا خواندن یک کتاب در علوم داده. کار روی رقابت (های) به تجربه شما می افزاید و نمونه کارها شما را تقویت می کند. این یک مکمل برای سایر پروژه های شما است ، نه تنها آزمون Litmus مهارت علوم داده شخص.

من کاملاً با دیدگاه Reshama در این باره موافقم. به طور خاص ، این نکته در مورد چگونگی گرفتن کلاس در چیزی باعث نمی شود که شما در چیزی متخصص باشید و به شما شغلی نمی دهد. من به معنای واقعی کلمه دوره ای به نام پایتون را برای تجسم داده ها ساخته ام و در مورد پاندا ، ماتپلوتلیب و Seabo به عمق گسترده ای می روم. این بلافاصله به شما شغلی نمی دهد یا شما را به عنوان یک متخصص فوری در Matplotlib یا Seabo تبدیل می کند ، اما دانش شما را بیشتر می کند ، به شما یاد می دهد که چگونه کتابخانه ها کار می کنند و به ساخت نمونه کارها خود کمک می کنند. هر کاری که می کنید می تواند شما را به کار ببرد.

وابسته به لینکدین

بر خلاف یک رزومه ، که محدود به طول است ، یک پروفایل LinkedIn به شما امکان می دهد پروژه ها و تجربه کاری خود را با عمق بیشتری توصیف کنید. Udacity راهنمایی در مورد ساخت یک پروفایل خوب LinkedIn دارد. بخش مهمی از LinkedIn ابزار جستجوی آنهاست و برای نمایش شما ، باید کلمات کلیدی مربوطه را در نمایه خود داشته باشید. استخدام کنندگان اغلب افراد را در LinkedIn جستجو می کنند. LinkedIn به شما امکان می دهد ببینید که شرکت ها شما را جستجو کرده اند و مشخصات شما را مشاهده کرده اند.

علاوه بر شرکت هایی که شما را پیدا می کنند و پیام های خود را برای در دسترس بودن شما ارسال می کنند ، LinkedIn همچنین ویژگی های بسیاری مانند درخواست مراجعه به شما دارد. جیسون گودمن در مقاله خود در مورد مشاوره در مورد استفاده از مشاغل علوم داده ، از LinkedIn استفاده می کند تا به طور غیرمستقیم درخواست مراجعه کند.

من هرگز ، هرگز ، هرگز در مورد هیچ شرکت بدون معرفی شخصی که در این شرکت کار می کرد ، درخواست نکردم ... وقتی به یک شرکت علاقه مند شدم ، از LinkedIn برای یافتن اتصال درجه یک یا درجه دوم در شرکت استفاده می کردم. من به این ارتباط می نوشتم و می خواستم در مورد تجربه آنها در این شرکت با آنها صحبت کنم و در صورت امکان ، آیا آنها می توانند من را به کسی در تیم علوم داده متصل کنند. هر زمان که می توانستم به جای تماس تلفنی ، جلسات حضوری (قهوه یا ناهار) را انجام دهم. به عنوان گذشته ، Trey Causey اخیراً پست خوبی در مورد چگونگی درخواست فقط این نوع جلسات نوشت. من هرگز مستقیماً شغلی نمی خواهم ، اما آنها معمولاً رزومه من را می خواهند و پیشنهاد می دهند که مرا به عنوان یک ارجاع داخلی ارسال کنند ، یا من را با یک مدیر استخدام در تماس قرار دهند. اگر به نظر نمی رسیدند این کار را انجام دهند. من فقط از آنها برای وقتشان تشکر می کنم و حرکت می کنم.

توجه کنید که او بلافاصله درخواست ارجاع نمی کند. در حالی که مشاوره شغلی مشترک هنگام درخواست به یک شرکت ، مراجعه به یک ارجاع است ، توجه به این نکته بسیار مهم است که هنوز به یک نمونه کارها ، تجربه یا نوعی اثبات نیاز دارید که می توانید یک کار انجام دهید. جیسون حتی از اهمیت یک نمونه کارها در آن و سایر مقالاتی که او نوشت ، ذکر می کند.

شبکه سازی پیام های مردم را برای مراجعه به شما پیام نمی دهد. هنگامی که من شروع به کار کردم ، من این کار را بیش از حد اشتباه انجام دادم تا اینکه به مقاله ای که در مورد اهمیت ایجاد ارتباط واقعی با مردم با ارائه کمک ما در ابتدا صحبت می کردم ، صحبت کردم.

نکته دیگری که وی داشت این است که LinkedIn برای بیرون آمدن محتوای/نمونه کارها بسیار عالی است.

گام مهم دیگر در شبکه سازی ، بیرون کشیدن محتوای شما است. به عنوان مثال ، اگر در چیزی خوب هستید ، در مورد آن وبلاگ کنید و آن وبلاگ را در Facebook و LinkedIn به اشتراک بگذارید. این نه تنها به دیگران کمک می کند بلکه به شما نیز کمک می کند.

سیستم عامل های متوسط و/یا دیگر وبلاگ نویسی

داشتن نوعی وبلاگ می تواند بسیار مفید باشد. بسیاری از علم داده در مورد ارتباط و ارائه داده ها است. وبلاگ نویسی راهی برای تمرین این کار است و نشان می دهد می توانید این کار را انجام دهید. نوشتن در مورد یک پروژه یا یک موضوع علوم داده به شما امکان می دهد تا با جامعه به اشتراک بگذارید و همچنین شما را ترغیب می کند تا روند کار و افکار خود را بنویسید. این یک مهارت مفید هنگام مصاحبه است.

یک وبلاگ شانس شما برای تمرین مهارت های مربوطه است.

• تمیز کردن داده ها: یکی از مزایای کار با انواع مجموعه داده ها این است که شما یاد می گیرید که داده ها را "همانطور که می آید" بگیرید ، خواه به صورت یک پرونده تکمیلی از یک مقاله ژورنال باشد یا یک فیلمنامه
• آمار: کار با داده های ناآشنا به شما امکان می دهد تا روشهای آماری را عملی کنید و نوشتن پستهایی که ارتباط برقرار می کنند و مفاهیم را آموزش می دهند ، به ایجاد درک خود کمک می کند
• یادگیری ماشین: بین استفاده از یک الگوریتم پیش بینی یک بار و استفاده از آن بر روی مشکلات مختلف ، تفاوت زیادی وجود دارد ، در حالی که می دانید چرا یکی را بر روی دیگری انتخاب می کنید
• تجسم: داشتن مخاطب برای نمودارهای شما شما را ترغیب می کند تا آنها را صیقل دهید و سبک شخصی خود را بسازید
• ارتباطات: شما نوشتن را تجربه می کنید و ساختار یک استدلال داده محور را به دست می آورید. این احتمالاً مهمترین مهارتی است که وبلاگ نویسی از آنجا که تمرین در جای دیگر دشوار است ، توسعه می یابد ، و این یک بخش اساسی از هر حرفه علوم داده است

با نوشتن یک وبلاگ ، می توانید یافته های ارتباطی را به دیگران انجام دهید. این همچنین شکل دیگری از تبلیغات خودتان است. وبلاگ های مربوط به استفاده از Scropy برای ساخت مجموعه داده های خود ، و از قضا مدیریت محیط زیست پایتون با Conda چیزهای زیادی را به من آموخته و فرصت های زیادی را برای من بدست آورده ام که معمولاً نمی گرفتم. به تازگی ، وبلاگ Boxplot من این فرصت را برای من به وجود آورد تا پایتون خودم را برای دوره تجسم داده ایجاد کنم. یکی از مهمترین مزایایی که من پیدا کردم این است که در طول فرآیند افرادی که پروژه های من را نقد می کنند و پیشنهاد پیشرفت ها را نشان می دهند (گرچه بخش نظرات وبلاگ) آن را ایجاد می کند ، بنابراین مصاحبه کنندگان اولین کسانی نیستند که به همین نقص ها اشاره می کنند. فایده بارزتر این است که با ایجاد یک وبلاگ تمایل دارید که اطلاعات بیشتر اطلاعات علوم داده/یادگیری ماشین را بخوانید و از این رو اطلاعات بیشتری کسب کنید.

در مورد اینکه چه بستری برای وبلاگ نویسی در آن وجود دارد ، توصیه می کنم از Medium استفاده کنید. Manali Shinde در پست وبلاگ خود چگونه می توان یک سبد علوم داده را از ابتدا ساخت ، نکته خوبی در مورد اینکه چرا وی برای وبلاگ خود انتخاب می کند ، واقعاً خوب است.

من فکر کردم که وب سایت خودم را بر روی سکویی مانند WordPress یا Squarespace ایجاد کنم. در حالی که این سیستم عامل ها برای میزبانی نمونه کارها خود شگفت انگیز هستند ، من مکانی را می خواستم که دیدم دیدم ، و یک سیستم برچسب گذاری بسیار خوب برای رسیدن به مخاطبان بیشتر. خوشبختانه متوسط ، همانطور که می دانیم ، این گزینه ها را دارد (و همچنین رایگان است).

اگر نمی دانید در مورد چه چیزی بنویسید ، پیشنهاد می کنم به توصیه های دیوید رابینسون نگاه کنید.

توییتر

فعال بودن در توییتر راهی عالی برای شناسایی و تعامل با افراد در حوزه شما است. همچنین می توانید وبلاگ خود را در توییتر تبلیغ کنید تا نمونه کارها شما بسیار قابل مشاهده تر باشد. فرصت های زیادی برای تعامل با افراد در توییتر وجود دارد. یکی از آنها به عنوان Reshama شیخ در پست مشهور وبلاگ خود گفت: "چگونه می توانم اولین کار علوم داده خود را بدست آورم؟"بود،

دیوید رابینسون سخاوتمندانه برای بازگرداندن اولین پست علوم داده خود پیشنهاد می کند. با 20K پیروان ، این پیشنهادی است که نمی توان آن را رد کرد.

توییتر را می توان برای چیزهای دیگر به جز ارتقاء خود استفاده کرد. Data Science Renee دارای پست "نحوه استفاده از توییتر برای یادگیری علوم داده (یا هر چیز دیگری)" است که در مورد گرفتن توییتر برای یادگیری مهارت ها کاملاً روشنگری است. یکی دیگر از موارد دیگر از مقاله وی این بود که حضور توییتر وی به شبکه وی کمک کرده و فرصت ها را بدست آورد.

از من خواسته شده است که در پادکست ها و وبلاگ ها مصاحبه شود (برخی از آنها باید به زودی ارائه شود) ، کار قراردادی را ارائه داده و پذیرش رایگان را در کنفرانسی ارائه دادم که متأسفانه نتوانستم به آن بروم ، اما از این موضوع هیجان زده شدم. افراد مشهور در صنعت اکنون به من مراجعه می کنند تا به نوعی با آنها همکاری کنم.

سفره عمومی

هر کار علوم داده از Tableau یا سایر ابزارهای BI استفاده نمی کند. با این حال ، اگر به مشاغل مورد استفاده در این ابزارها متقاضی می شوید ، توجه به این نکته مهم است که وب سایت هایی وجود دارند که می توانید داشبورد را برای مصرف عمومی قرار دهید. به عنوان مثال ، اگر می گویید که در حال یادگیری هستید یا می دانید Tableau ، یک زن و شوهر داشبورد را در Tableau Public قرار دهید. در حالی که بسیاری از شرکت ها ممکن است با یادگیری Tableau در این کار خوب باشند ، داشتن شواهد عمومی در مورد مهارت Tableau شما می تواند کمک کند. اگر می خواهید نمونه های خوبی از پروفایل های عمومی Tableau را ببینید ، لطفاً به پروفایل Orysya Stus و Brit Cava مراجعه کنید.

نتیجه

داشتن یک رزومه قوی مدتهاست که ابزار اصلی برای افراد متقاضی کار برای انتقال مهارت های خود به کارفرمایان بالقوه بوده است. این روزها بیش از یک راه برای نشان دادن مهارت های شما و کسب شغل وجود دارد. نمونه کارها از شواهد عمومی راهی برای به دست آوردن فرصت هایی است که شما معمولاً به دست نمی آورید. تأکید بر اینکه یک نمونه کارها یک فرایند تکراری است ، مهم است. با رشد دانش شما ، نمونه کارها شما باید با گذشت زمان به روز شود. هرگز یادگیری یا رشد را متوقف نکنید. حتی این پست وبلاگ با بازخورد و با افزایش دانش به روز می شود. اگر می خواهید مشاوره/راهنما/دوره ها مصاحبه کنید ، زمان لازم برای بررسی توصیه های براندون روهر در مورد چگونگی زنده ماندن از مصاحبه علوم داده ، راهنمای مصاحبه SADAT یا 15 نکته من برای فرود در دوره کار علوم داده است. اگر می خواهید برخی از مشاوره های شغلی علوم داده عمومی ، من مقاله ای را در اینجا نوشتم. اگر در مورد آموزش هرگونه سؤال یا افکار دارید ، در نظرات زیر یا از طریق توییتر احساس راحتی کنید.