全文共 3013字,預計學習時長 6分鐘
來源:Pexels 上傳者:Lukas編程
數據科學職業生涯中最難的無疑就是起步階段了。開始涉足數據科學工做並不是易事,對於沒有博士學位的人來講尤其艱難。若是在網上搜索數據科學入門級工做相關信息,你會爲其高要求而感到絕望——幾乎每一份工做都要求博士學位或者3年以上機器學習經驗。那麼問題來了:「沒有相關經驗如何得到數據科學工做?」微信
成千上萬的人在互聯網上或者大學裏不斷學習數據科學課程,這對於技能提高頗有幫助,但對於找工做卻沒有什麼競爭力。通往數據科學的道路並不是只有一條,不管你是即將畢業的學生,仍是想要轉行到數據科學領域,都有不少得到相關經驗的方式。併發
在學術論文研究中與他人合做是得到數據科學相關重要領域經驗的一個很好的機會。但這個方法的缺點在於薪酬不高,且不涉及機器學習。儘管如此,仍是強烈建議進行數據科學研究以豐富本身的簡歷。機器學習
爲何這是一份很好的經歷學習
進行研究的吸引力來源於兩個方面。首先是數據處理的機會。出於研究的性質,你有機會參與數據的整個生命週期。其中一些可能在之後的工做中並無用處,例如數據收集。但還有一些是頗有價值的技能,好比分析和解釋。在分析的基礎上解釋數據並得出可靠結論有着重要價值。因爲其做爲一項技術技能很難評估測試,於是這項重要技能有時會被忽視。一個真正的數據科學家和一個只會在sklearn.ensemble中輸入隨機森林模型的人的差異之處就在於可否對結論進行解釋。從事學術研究要求根據數據得出結論,一樣,在工做中,須要根據結論作出決定。測試
其次,學術研究教會你如何作實驗。你對實驗的影響程度取決於與合做的人及小組人數。提出有價值的問題並經過實驗得出結論是全部學術研究所必不可少的步驟。這種技能在數據科學領域一樣可以得以應用。你須要提出問題,經過機器學習來進行試驗並得出結論。得到相關推進研究的經歷有助於你成爲一名數據科學家。在沒有人告訴你解決什麼問題或者如何解決問題時,你仍然可以自主而高效地工做。人工智能
如何實現這一點3d
學生和非學生羣體尋求研究經歷的方法不一樣。找一個研究你感興趣領域的人相當重要。你須要將你的興趣延伸至機器學習以外,由於研究機器學習領域的人相較於其餘學科領域的人少之又少。一旦肯定了研究方向,你須要將有相關興趣的人列出。cdn
學生與非學生羣體的不一樣之處在於,若是你是學生的話,能夠在學校裏找一找。一般,你可以找到一個研究助理的職位,並得到相應薪酬。固然這並非說你不該該去找那些不公開招聘助手的教授們。畢竟,進入一個有50位研究助手的實驗室和與教授一對一進行研究的體驗是不一樣的。blog
若是你不是學生,那建議你能夠聯繫任何一個你感興趣的人。給他們發郵件介紹本身、爲何對該實驗感興趣以及能提供的幫助。即便找一位教授跨國遠程合做來進行研究也能夠,重要的是你要找到合適的人和感興趣的研究。
從新撰寫職位描述
從事數據分析領域並不意味着你必須找到一份有數據科學家頭銜的工做。不管你在哪裏工做,全職或是實習,找機會嘗試一下機器學習。
爲何這是很好的經驗
沒有什麼經驗比切實從事數據科學工做更好了。不管你如今的工做是什麼,只要你能將它與數據科學聯繫起來,那麼,這基本上等同於從事數據科學工做。若是你能夠證實本身用機器學習解決過一些問題,沒有人會在乎你的職位是什麼,他們只關心那個項目。
另外一個緣由是這能夠體現出創新能力和解決問題的能力。在工做中,沒有人會告訴你用機器學習來作什麼或者如何解決一個問題。這一點與作實驗的經歷十分類似,你能夠向招聘者展現你獨立自主識別問題與解決問題的能力。
如何付諸實踐
怎麼作取決於你的具體工做以及你的經歷。下面是具體的建議:
1.不要爲了本身想作的事情而拖延工做。
2.及時向經理彙報工做內容。
3.嘗試發現有助於增長企業價值的問題,而不是僅將其看成機器學習的平臺。
4.若是第一次嘗試沒有成功的話,不要輕言放棄。找到適合本身的方法。
獨立完成項目
雖然不少人都說過在空閒時能夠本身作數據科學的項目,再說起彷佛有點囉嗦,但這真的是一個很好的方法。獨立完成一個項目能夠體現出你對數據科學的熱情和能力,這與Kaggle等數據科學平臺或者學校的項目是徹底不一樣的,會給你帶來無與倫比的體驗。
爲何這是很好的經歷
最優秀的員工一般都是那些作本身喜歡事情的人。招聘官一般喜歡招收那些喜歡攻克艱難問題的數據科學家。真正熱愛數據科學的人在閒暇時間也願意編程和構建機器學習模型的。若是獨自作項目對你來講是件苦差事,你只是想經過它找到一份工做而已,那你可能須要好好考慮一下你是否真的在作喜歡的事情。若是喜歡本身作一些小項目,而且創建起很棒的我的做品集的話,招聘者會看到你的動力和能力的。
我的項目是展現專業技能很好的方法。你應當不斷學習新技能,而且作一個與正在學習的知識相關的項目,這既能鞏固知識,又能展現才能。隨着你作的項目愈來愈多,你的技能會逐步提高,你可以作更有挑戰性的工做而且不斷豐富你的做品集。而後,你能夠將Github添加到簡歷中來展現你的我的經歷。
怎麼作
一個項目的起步階段是最艱難的。一個項目由三大部分組成:數據、模型和結論。首先,蒐集其餘項目中沒有使用過的數據,這些數據可以對你有所啓發。儘可能避免模仿別人作過的項目。找到數據後創建模型進行評估,得出你的結論。請以一種有趣的方式來陳述你的結論,能夠發一篇博客,寫在一個漂亮的筆記本上或者使用幻燈片進行展現。一種友好而簡單易懂的方式一樣重要。
展現你的經歷
在得到數據科學相關經歷以後,你須要在找工做時很好地表現出來。同一份工做,你既能夠將它描述地很是枯燥,也能夠將它描述地有趣而獨特。以領英的我的資料爲例,假如你決定和教授作一些關於防曬霜是否能預防皮膚癌的研究並發表論文,如今你須要將這份經歷按照以下步驟添加到領英資料裏:
研究助理
• 我參與研究了防曬霜在預防皮膚癌方面的做用,進行數據分析和論文撰寫,發表在《美國防曬霜雜誌》上。
這樣的描述徹底沒有問題,可是這並無體現出你已經具有數據科學工做的資質了。想要經過這份經歷找到數據科學工做,你應該這樣寫:
• 做爲一名研究助理,我參與提出並驗證關於防曬霜和皮膚癌的假設,積極參與數據收集工做,並展現了經過線性迴歸得出的結論。即便一個沒有統計學背景的人,也可以理解我這篇研究報告的重要結論。經過此次實習,我培養了實驗思惟,可以運用到之後的數據科學工做中去。
固然,這並不是最完美的版本。我想要表達的是,若是你有關於數據科學的實習或者工做,大膽地將它寫出來。你要明確地表現出你有意尋找一些數據科學相關經從來使你成爲一名優秀的數據科學工做者。
結論
在工做前你有不少方式去得到數據科學經歷,不要只着眼於課堂項目和Kaggle競賽,發揮你的創造力,用你熱愛的數據分析技能去作一些更有意思的事情。有了相關經歷以後,要呈現出來讓別人都看到。不要懼怕申請一份要求兩年以上工做經驗的職位,你能夠自信地說你已經具有這些經驗了。
推薦閱讀專題
留言 點贊 關注
咱們一塊兒分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 「讀芯術」
(添加小編微信:dxsxbb,加入讀者圈,一塊兒討論最新鮮的人工智能科技哦~)