Крім математики та Python: інші ключові навички науки про дані, які вам слід розвиватиTowards Data Science, 7 листопада 2024
Дорожня карта успіху в науці про дані пропонує багато різних шляхів, але більшість із них включає сильну увагу до математики та навичок програмування (приклад: цей чудовий посібник для початківців професіоналів у сфері обробки даних, опублікований Saankhya Mondal на початку цього тижня).
Однак що буде далі, коли ви охопите свої бази в цих областях?
У яких темах науковці з даних мають набути досвіду, щоб виділитися серед зграї на переповненому ринку праці?
Наші щотижневі основні моменти зосереджують увагу на деяких сферах, які ви, можливо, захочете дослідити в найближчі тижні та місяці, і надають дієві поради від авторів, які глибоко впроваджені в широку галузь і наукові ролі.
Від освоєння тонкощів інфраструктури даних до розширення своїх навичок оповідання, давайте уважно розглянемо деякі з цих периферійних, але все ж важливих, сфер потенційного зростання.
¹
За межами навичок: розкриття повного потенціалу спеціалістів з обробки даних «Науковці даних володіють унікальною точкою зору, яка дозволяє їм придумувати власні інноваційні бізнес-ідеї—ідеї, які є новими, стратегічними чи диференційованими і навряд прийдуть від когось, крім вчених даних».
Ерік Колсон розширює передумову, яка спонукає до роздумів, а саме те, що компанії недостатньо використовують науковців з обробки даних, і надто зосереджуються на їхніх технічних навичках коштом їхньої творчості та нестандартного мислення.
²
Три важливі уроки даних, які я отримав на конференції даних, яка не пов’язана зі ШІ Останніми роками штучний інтелект настільки домінував у розмовах, що приємно почути про інші способи, за допомогою яких науковці з даних залишаються на передньому краї своєї галузі.
Нітхяа Рамамурті розповідає про свій нещодавній досвід на конференції та про те, як це надихнуло її приділяти більше уваги питанням, які можуть здатись менш блискучими, ніж остання LLM, але можуть підвищити вашу цінність як спеціаліста з обробки даних—від стримування витрат і перекладу даних до інформаційного дизайну.
³
Найвища продуктивна система для лідерів Data Science Будь-кому, хто перебуває на шляху управління наукою про дані—чи то на ранніх стадіях, чи то на глибшій стадії кар’єри—іноді може здатись, що лідерські навички повинні розвиватись органічно лише з плином часу.
Хоча в певному сенсі це може бути правдою, останній внесок Ребекки Вікері пояснює деякі конкретні кроки, які ви можете зробити, щоб переконатись, що ви залишаєтесь зосередженими та продуктивними, навіть коли вимоги до вашої ролі зростають.
⁴
Оволодіння математичними методами зробить вас кращим дослідником даних Ми знаємо, знаємо: ми обіцяли без математики.
Але нова стаття Торстена Вальбаума свідчить про те, що спеціалісти з обробки даних, можливо, захочуть менше турбуватись про складні формули та моделювання та дозволять собі комфортніше створювати приблизні, але надійні оцінки.
⁵
Від AI Canvas до MLOps Stack Canvas: чи вони важливі? У міру того як інструменти та стеки даних стають все складнішими, зацікавленим сторонам продукту стає надто легко втратити уявлення про те, як усі рухомі частини мають працювати разом.
Чайма Затоут тут, щоб допомогти з практичним вступом до створення та використання полотен, «візуальної основи, яка допомагає окремим особам і командам відображати та аналізувати різні аспекти певного проекту […] у структурований спосіб».
⁶
Навчальний посібник AWS Bedrock, який я б хотів мати: усе, що вам потрібно знати, щоб підготувати свою машину до інфраструктури AWS «Як ви можете взяти чудовий маленький прототип машинного навчання у свій блокнот і розробити його в потужну повноцінну веб-програму?» Зробивши кілька кроків назад від дрібних деталей аналізу даних, Мінда Майерс заохочує спеціалістів з обробки даних розглянути свої технічні налаштування та оптимізувати їх для плавного та ефективного робочого процесу.
⁷
Від розуміння до ефекту: навички презентації, необхідні кожному спеціалісту з даних Це не зовсім новина, що потужне оповідання є основою багатьох, якщо не більшості ролей у сфері обробки даних; але це залишається недостатньо охопленою сферою в багатьох програмах, яку ви просто магічно вдосконалюєте самостійно.
У своїй останній публікації Ю. Донг розглядає деякі ключові аспекти успішних презентацій і містить конкретні вказівки щодо розробки успішних слайдів.
⁸
Як створити можливості та досягти успіху в заявках на роботу в галузі науки про дані Як чітко пояснює Робсон Тігре, процес стати видатним претендентом на роботу та виявлення правильних можливостей вимагає власного набору навичок, більшість із яких мало пов’язані з даними чи алгоритмами, а натомість обертаються навколо самопрезентації (і маркетингу), мережі та спілкування.
Дякуємо за підтримку творчості наших авторів!
Як ми вже згадували вище, ми любимо публікувати статті від нових авторів, тому, якщо ви нещодавно написали цікавий опис проєкту, підручник або теоретичні роздуми на будь-яку з наших основних тем, не соромтесь
поділитися[
https://towardsdatascience.com/questions-96667b06af5] цим з нами.
До наступної змінної,
Команда TDS
https://towardsdatascience.com/beyond-math-and-python-the-other-key-data-science-skills-you-should-develop-3112f3845b50¹
За межами навичок: розкриття повного потенціалу спеціалістів із обробки даних. (31.10.2024):
https://towardsdatascience.com/beyond-skills-unlocking-the-full-potential-of-data-scientists-90696226cfae²
Три важливі уроки даних, які я отримав на конференції даних, яка не пов’язана зі ШІ (29.10.2024):
https://towardsdatascience.com/three-crucial-data-lessons-that-i-learned-from-a-data-conference-thats-not-related-to-ai-f802f7097d67³
Найвища продуктивна система для лідерів Data Science (29.10.2024):
https://towardsdatascience.com/the-ultimate-productivity-system-for-data-science-leaders-81941be86308⁴
Опановування математичними методами зробить вас кращим дослідником даних (23.10.2024):
https://towardsdatascience.com/mastering-back-of-the-envelope-math-will-make-you-a-better-data-scientist-74316b96472a⁵
Від AI Canvas до MLOps Stack Canvas: чи вони важливі? (24.10.2024):
https://towardsdatascience.com/from-ai-canvas-to-mlops-stack-canvas-are-they-essential-e329f3605508⁶
Навчальний посібник AWS Bedrock, який я б хотів мати: усе, що вам потрібно знати, щоб підготувати свою машину до інфраструктури AWS (22.10.2024):
https://towardsdatascience.com/getting-started-how-to-set-up-a-full-stack-app-with-aws-and-bedrock-2b1b158724b8⁷
Від розуміння до ефекту: навички презентації, необхідні кожному спеціалісту з даних (29.10.2024):
https://towardsdatascience.com/from-insights-to-impact-presentation-skills-every-data-scientist-needs-045945a681f2⁸
Як створити можливості та досягти успіху в заявках на роботу в галузі науки про дані (29.10.2024)
https://towardsdatascience.com/how-to-create-opportunities-and-succeed-in-data-science-job-applications-3881a5c865087 навичок, якими повинен володіти кожен дослідник даних (5.04.2024):
https://www.coursera.org/articles/data-scientist-skills7 основних навичок для науковця з даних • Програмування.
• Статистика і ймовірність.
• Боротьба з даними та керування базами даних.
• Машинне та глибоке навчання.
• Візуалізація даних.
• Хмарні обчислення.
• Навички міжособистісного спілкування.
10 основних навичок, які потрібно знати, щоб почати займатися наукою про дані :
https://amsterdam.tech/data-science-minimum-10-essential-skills-you-need-to-know-to-start-doing-data-science/
