从数据科学家的角度,如何找到合适的数据科学工作

根据AIM研究, 大型印度公司全面采用分析和数据科学技术 74.5%. 这意味着各行各业对数据科学家的需求都很高. 

然而,数据科学是 不是每个人都. 人们必须确定自己将要扮演的角色,以及这份工作是否允许他们动手实践,还是仅仅沉溺于实验室的实验.

截至2020年10月, 93500分析工作 在印度可以买到. 然而,数据科学技能仍然短缺. “虽然有很多培训选项可供新手进入该领域,以提高速度和利用高需求, 有少数公司可以在实践中对数据科学进行有意义的接触,Rangarajan Vasudevan说, 企业AI解决方案公司创始人兼CEO TheDataTeam在接受《mg冰球突破手机版下载》杂志采访时,他说. 

Rangarajan拥有超过20年的经验. 在数据科学和大数据成为“时尚”之前,他就进入了这个行业.在创建TheDataTeam之前, Rangarajan构建了跨行业和跨地域的数据原生应用程序. 

他毕业于印度理工学院马德拉斯分校和密歇根大学计算机科学专业, Rangararajan是杰出工程师(R&D)和咨询卓越奖, 当时他在Teradata公司担任首席顾问, 大数据. 目前,他是印度理工学院马德拉斯分校的客座教授. 

作为一个数据科学家, 他告诉mg冰球突破手机版下载,在接受公司的数据科学职位之前,招聘人员或招聘经理必须问的一些重要问题:

目标:在开始在公司从事数据科学工作之前,有哪些重要的问题要问招聘人员?

Rangarajan周二Vasudevan:向招聘人员或招聘经理提出以下问题是非常重要的: 

  • 举例说明该公司在过去6个月里使用数据科学解决了哪些业务问题.
  • 当前使用的数据平台架构是什么——包括用于分析和数据科学的工具?
  • 团队是在业务部门还是在IT部门招聘这个角色?
  • 从经理开始,分享这个职位的主管阶层的LinkedIn资料.
  • 还有哪些与数据相关的角色是同一个团队的一部分?

为什么上述问题如此重要? 

Rangarajan周二Vasudevan:要想在这个领域取得进步,动手实践是必须的. 上述问题可能有助于mg冰球突破手机版下载了解,招聘该职位的公司是否有从数据中获取价值的良好习惯,还是存在潜在风险.

有哪些问题, 从你的个人经历来看, 你希望在担任数据科学家之前就问过这个问题?

Rangarajan周二Vasudevan:最重要的是制定数据科学问题的业务上下文. 要真正理解这一点,问的问题还不够多. 

在我作为数据科学家的第一次经历中, 我专注于技术方面,如数据准备的性能和扩展管道以操作大数据, 同时忽略了为什么缩放是重要的,以及性能不佳的模型对客户的业务有什么影响的细微差别.

另一个我在早期没有问的问题是,作为一名数据科学家,我被要求做的工作是一项“实验室实验”,还是即将成为一种实时产品或服务的东西. 

我后来在职业生涯中意识到, 理解这种区别对于使工作与期望保持一致至关重要. 提供实验室实验的工作场所往往会提供快速探索的途径. 而, 一个有数据科学解决方案的实际应用程序通常会提供具体的机会,将学到的东西付诸实践,并在现实中看到什么可行,什么不可行.

目标:在走数据科学的道路时,有几件事需要注意? 

Rangarajan周二Vasudevan: 我强烈建议有抱负的数据科学家选择清单中的第一项而不是第二项, 从长远来看, 后者的重要性远没有新数据科学家认为的那么重要:

  • 业务上下文高于工具或技术.
  • 操作平台优于实验:前者使数据科学家接触到对产生长期影响非常重要的实际问题. 
  • 过程或方法论高于算法:例如, 深度学习或人工智能不如使用数据科学来解决问题的严格流程重要,数据科学鼓励让工作输出可用.
  • 导师而不是品牌或薪水:这也是一个重要的人生课程. 一个人必须尝试为数据科学导师工作,即使这意味着比在品牌机构的经理手下的高薪工作薪水更低.

目的:分享一些你作为数据科学家的经验和技巧. 

Rangarajan周二Vasudevan:对数据进行排序是数据驱动解决方案中最难的部分. 我见过一些数据科学家回避这项工作. 而不是, 我建议数据科学家完全拥有数据管道,包括数据收集, 准备和其他工程活动. 这样的经验在实践中更有价值.

要知道,工作的许多方面正在实现自动化,数据科学也不例外. 例如, 利用最新的自动化机器学习技术(被称为AutoML)没什么好羞愧的, 然而事实上,它可以让你比预期更快地得到答案. 通过关注如何利用这种自动化来学会接受它.

最后, 重要的是要认识到,在典型的支持数据科学的解决方案中,实际的模型构建和模型评分步骤占用的资源和精力与周围发生的所有其他事情相比最少. 例如, 建立和管理数据平台, 正确的性能, 配置策略,使其能够与其他活动项目共存, 将数据放在正确的位置和形状(举几个例子)都需要更多的努力和重要性. 

至少要培养同理心, 如果不理解也一样, 关于这些生态系统的任务将会使数据科学的职业生涯变得愉快.

留下一个回复

你的电邮地址不会被公布.