Data science

วิธีก้าวหน้าในอาชีพวิทยาศาสตร์ข้อมูลของคุณ – AMA กับ Elena Poughia

ในเดือนมีนาคม 18 เวลา 18:00 น. CET Elena Poughia ซีอีโอและภัณฑารักษ์ของ Data Natives ได้แบ่งปันเคล็ดลับของเธอเกี่ยวกับความก้าวหน้าในอาชีพด้านวิทยาศาสตร์ข้อมูลของคุณในระหว่างการถ่ายทอดสดเซสชัน Ask Me Anything ได้จาก DN Club นี่คือบทสรุปของเซสชั่น AMA พร้อมคำถาม & คำตอบที่เลือก ในเดือนมกราคม เราเริ่มคลับชุมชนออนไลน์ datanatives.club เวลาไม่สามารถถูกต้องมากขึ้น ตลอดการกักกันตัวเองของเรา เนื่องจาก COVID-19 การติดต่อสื่อสารเป็นสิ่งสำคัญ โชคดีที่คุณมี 78.+ เพื่อนที่รัก Data Natives ออกไปพบปะสังสรรค์ออนไลน์ นอกจากนี้เรายังต้องการให้โอกาสคุณที่บ้านในช่วงสัปดาห์นี้เพื่อฟื้นฟูสมองของคุณด้วยแนวคิดและความรู้ใหม่ ๆ วิธีหนึ่งเหล่านี้คือผ่านช่วง 'ถามฉันอะไรก็ได้' ซึ่งคุณสามารถถามคำถามทั้งหมดที่คุณเคยมีเกี่ยวกับวิธีพัฒนาอาชีพของคุณใน Data Science ได้ เพราะนี่อาจเป็นเวลาที่เหมาะสมสำหรับคุณที่จะถอยออกมาและคิดถึงอนาคต ในช่วงเซสชั่นออนไลน์ของ AMA ครั้งแรก เราได้พูดคุยกับ Elena Poughia ผู้ก่อตั้งและซีอีโอของเรา การบริหารแบรนด์ข้อมูลที่เป็นที่นิยมในช่วงหลายปีที่ผ่านมา การจัดการทีมเทคโนโลยีที่หลากหลาย และการเชื่อมต่อเท่าที่เป็นอยู่ เธอเป็นเพียงหัวหน้าฝ่ายข้อมูลที่เหมาะสมที่จะได้รับแรงบันดาลใจ คุณถามคำถามมากมายผ่าน Typeform เช่นเดียวกับในแชทระหว่างเซสชั่น หากคุณพลาดเซสชั่น ต่อไปนี้คือบทสรุปของคำถามและคำตอบที่ชาญฉลาดที่สุด: แหล่งข้อมูลและกิจวัตรการฝึกอบรมใดที่คุณแนะนำสำหรับการสัมภาษณ์ด้านวิทยาศาสตร์ข้อมูล โดยเฉพาะอย่างยิ่งกับบริษัทเทคโนโลยีขนาดใหญ่ ก่อนที่คุณจะเริ่มค้นหาบทบาท สิ่งสำคัญคือต้องรู้ว่าเส้นทางวิทยาศาสตร์ข้อมูลใดที่เหมาะกับคุณ ไม่ว่าจะเป็นการวิเคราะห์ วิศวกรรม หรือการเรียนรู้ของเครื่อง คำถามที่คุณจะถูกถามจะแตกต่างกันไป เนื่องจากจะเป็นคำถามเฉพาะสำหรับสาขาที่คุณเลือก แต่ถึงแม้จะมีความแตกต่างในประเภท แต่ก็ยังมีการสัมภาษณ์ที่คล้ายกันอยู่เสมอ ตัวอย่างเช่น พวกเขาจะถามคุณว่าคุณคุ้นเคยกับภาษาโปรแกรมประเภทใด Python, R เป็นสิ่งที่ได้รับความนิยมมากที่สุดในพื้นที่วิทยาศาสตร์ข้อมูล C/C++, Java และ Scala ก็เป็นเรื่องธรรมดาเช่นกัน ฉันต้องเตรียมเทคนิคอะไรบ้าง? เทคโนโลยี Big Data นั้นยากต่อการปฏิบัติตามเล็กน้อย เมื่อพิจารณาจากเครื่องมือใหม่ๆ ที่กำลังพัฒนาเวลาอยู่ อย่างไรก็ตาม เราขอแนะนำการเรียนรู้ Spark เพราะมันเป็นเรื่องธรรมดามาก แน่นอน คุณต้องเตรียมพร้อมสำหรับคำถามเกี่ยวกับการวิเคราะห์ข้อมูล การรวบรวมข้อมูล การล้างข้อมูล และวิศวกรรมคุณลักษณะ ฉันยังต้องการเน้นว่าเป็นสิ่งสำคัญสำหรับคุณที่จะต้องนึกถึงโมเดลการเรียนรู้ของเครื่อง ตัวอย่างเช่น ประเภทของแบบจำลองที่คุณสามารถฝึกได้ – มีการควบคุมดูแล หรือไม่มีผู้ดูแล ค้นหารายการทรัพยากรที่เราแนะนำให้คุณฝึกฝนในตอนท้ายของบทความนี้ ฉันจะนำเสนอตัวเองให้ดีที่สุดได้อย่างไร เมื่อคุณสมัคร ให้คิดว่าคุณมีความสนใจในบริษัทและบทบาทหน้าที่อย่างไร คุณต้องแสดงเชิงรุกว่าคุณสนใจโครงการที่คุณจะสร้างร่วมกัน คุณต้องแสดงให้เห็นว่าคุณต้องการทำงานร่วมกับทีมนั้นจริงๆ บรรทัดล่าง – มันเกี่ยวกับวัฒนธรรมของบริษัทด้วย ตอนนี้ พวกเราหลายคนกำลังทำงานจากระยะไกล การเชื่อมต่อจึงมีความสำคัญมากขึ้นด้วยเหตุนี้ คุณต้องการรู้สึกว่าถูกมอง เข้าใจ และสนับสนุนโดยบริษัท เพราะคุณจะเข้าสู่สถานการณ์ต่างๆ ที่การสื่อสารที่ดีเป็นกุญแจสำคัญ การทำงานจากระยะไกลจะเกิดขึ้นได้ก็ต่อเมื่อทั้งสองฝ่ายให้ข้อมูลที่เพียงพอ ดังนั้นจึงมีความเข้าใจในสิ่งที่ทุกคนกำลังทำอยู่ ด้วยวิธีนี้จะรู้สึกดีที่ได้มีส่วนร่วมและสร้างโครงการนั้นร่วมกัน อีกสิ่งหนึ่งที่ควรคำนึงถึง: ทักษะของคุณมีคุณสมบัติตรงตามข้อกำหนดของงานมากน้อยเพียงใด? คุณไม่ควรถอยกลับเมื่อโฆษณางานไม่ตรงกับโปรไฟล์ของคุณทุกประการ – คุณสามารถเติบโตเป็นตำแหน่งได้ แต่เมื่อคุณอ่านประกาศรับสมัครงาน คุณต้องเข้าใจว่าคุณกำลังมองหางานอยู่ และคุณควรรู้สึกใกล้ชิดกับหัวข้อ อีกครั้ง เป็นสิ่งสำคัญสำหรับคุณและสำหรับพวกเขาที่จะต้องปรับตัวให้เข้ากับวัฒนธรรมของบริษัท เพื่อความก้าวหน้าในอาชีพ Data Science อะไรจะดีไปกว่าการปรับปรุง? ทักษะทางสถิติหรือทักษะการเขียนโปรแกรมและการพัฒนา? ทักษะใดที่คุณต้องปรับปรุงจริงๆ ขึ้นอยู่กับเป้าหมายในอาชีพและความสนใจทั่วไปของคุณ ดังนั้นจึงเป็นเรื่องยากที่จะบอกว่าคุณจำเป็นต้องพัฒนาทักษะการเขียนโปรแกรมหรือทักษะทางสถิติ ฉันจะบอกว่าข้อดีอย่างหนึ่งของการอยู่ใน Data Science คือมันเป็นสาขาใหม่ มันเปลี่ยนแปลงและปรับปรุงอยู่เสมอ Data Scientist จำนวนมากที่เริ่มทำงานไม่คิดว่าตัวเองเป็นแบบนั้น เพราะสมัยนั้นยังไม่มีชื่อเรื่องเพื่ออธิบายอาชีพนี้ ในที่สุด ทรัพยากรและเครื่องมือมากมายก็พร้อมให้คุณใช้งาน การเขียนโปรแกรมเป็นสิ่งสำคัญในการเริ่มงานแรก ดังนั้นคุณจำเป็นต้องสามารถเขียนโปรแกรมได้ นอกจากนี้ยังมีภาษาโปรแกรมที่ง่ายต่อการเริ่มต้น โปรแกรมยอดนิยมคือ Python ซึ่งพบได้ทั่วไปในพื้นที่วิทยาศาสตร์ข้อมูล แต่คุณไม่จำเป็นต้องกดดันมาก คุณสามารถมีทักษะและประสบการณ์มากขึ้นในหัวข้อและชุดทักษะที่กว้างขึ้นได้เสมอ ฉันจะเน้นที่นี่จริง ๆ ว่านี่คือการเรียนรู้ตลอดชีวิตในงาน โดยเฉพาะตอนนี้ที่เราทุกคนอยู่บ้านมากขึ้น นี่เป็นโอกาสสำหรับคุณในการก้าวหน้าในอาชีพและเรียนรู้สิ่งใหม่ ฉันจะได้รับประสบการณ์ได้อย่างไร? บางคนบอกว่าสองปีเป็นจำนวนเงินสูงสุดที่คุณควรใช้เพื่อมุ่งเน้นไปที่การศึกษาและการฝึกอบรมของคุณ แต่คุณสามารถเข้าสู่ทีมได้ก่อนหน้านั้น หากคุณกำลังเปลี่ยนอาชีพ อย่าใช้เวลาให้ความรู้ตัวเองนานเกินไป แต่ให้เข้าร่วมและใช้ความรู้ที่คุณได้รับจากภูมิหลังก่อนหน้านี้ ทางที่ดีควรจองอย่างน้อยครึ่งสัปดาห์เพื่อพัฒนาทักษะของคุณ ตอนนี้ ฉันจะบอกว่าเรียนหลักสูตรออนไลน์ที่เน้นทักษะที่คุณต้องการเรียนรู้ คุณยังสามารถทำหลักสูตรที่ไม่เกี่ยวข้องกับวิทยาศาสตร์ข้อมูล นอกจากนี้ยังสามารถเป็นหลักสูตรการเขียนโปรแกรมในภาษาที่เกี่ยวข้องเป็นต้น จะเป็นการดีที่จะให้ความรู้เกี่ยวกับวิทยาศาสตร์ข้อมูลผ่านแหล่งข้อมูลต่างๆ เช่น Data Science Central และ Dataconomy นอกจากนี้ ที่ Data Natives เราจัดโครงการที่คุณจะได้รับประสบการณ์ เมื่อเร็วๆ นี้ เราได้จัด #HackCorona Hackathon ซึ่งเราได้สำรวจ 23 โซลูชันดิจิทัลเพื่อรับมือกับความท้าทายในวิกฤตโคโรนาไวรัส ติดตามช่องของเราให้มากขึ้น! แล้วการเชื่อมต่อ มีความสำคัญกับเครือข่ายอย่างไร? เป็นการดีที่จะเชื่อมต่อกับชุมชนให้มากที่สุด ตัวอย่างเช่น มีชุมชนข้อมูล Python มากมายทั่วโลกที่คุณสามารถเชื่อมต่อได้ พยายามพบปะผู้คนที่มีความคิดเหมือนๆ กัน เพื่อให้คุณสามารถแลกเปลี่ยนทรัพยากรได้ โดยพื้นฐานแล้ว เครือข่ายของคุณจะเป็นหนทางสู่ความก้าวหน้าในอาชีพการงานของคุณ และชุมชนเหล่านี้จะช่วยคุณแก้ปัญหาที่คุณพบ ฉันกำลังสรุปปริญญาโทสาขาคณิตศาสตร์ ต้องรอให้จบหรือสมัครดี? ไม่ อย่ารอช้า ลุยเลย! อย่าแม้แต่จะคิดเกี่ยวกับมัน ไปและสมัครให้มากที่สุด เมื่อคุณสมัคร คุณสามารถพูดได้ว่าคุณยังสมัครเป็นนักเรียนอยู่ อันที่จริง ฉันไม่รู้ว่าคุณอาศัยอยู่ที่ไหน แต่ในเยอรมนี หากคุณเป็นนักเรียน คุณจะเริ่มต้นในฐานะนักเรียนวัยทำงาน (Werkstudent) และนั่นเป็นวิธีที่ดีมากในการเข้าสู่ตลาดงาน มันเหมือนกับการฝึกงาน แต่คุณได้รับเงิน ในหลายกรณี คุณจะได้รับการจ้างงานเต็มเวลาหลังจากเรียนจบ นี่เป็นวิธีที่ดีที่สุดวิธีหนึ่งในการหางาน พื้นหลังของคุณคืออะไร เอเลน่า? นั่นเป็นเรื่องตลก ภูมิหลังของฉันคือเศรษฐศาสตร์และศิลปะ แตกต่างกันมาก แต่ฉันตกหลุมรักวิทยาศาสตร์ข้อมูลเมื่อ 5 ปีที่แล้ว เพราะฉันคิดว่ามันเป็นสาขาที่สมบูรณ์และมีหลายแง่มุม และมันช่วยให้เราก้าวหน้าในการวิจัยได้จริงๆ ขณะนี้ เมื่อมีเซสชันออนไลน์ร่วมกัน ข้อมูลจำนวนมากจึงได้รับการประมวลผล นี้ฉันพบว่าน่าสนใจมาก ฉันต้องการสนับสนุนนักวิทยาศาสตร์ด้านข้อมูลจริงๆ และด้วยเหตุนี้ เรากำลังจัดเซสชันออนไลน์เหล่านี้ เราต้องการตอบทุกคำถามของคุณ เพื่อให้คุณก้าวหน้าในอาชีพการงาน หากเราสามารถช่วยคุณค้นหาเส้นทางที่ถูกต้องและให้ทรัพยากรที่เหมาะสมแก่คุณเพื่อให้บรรลุเป้าหมาย ภารกิจของเราก็สำเร็จ! นั่นคือทั้งหมด Data Natives ที่รัก เราจะมาในเร็วๆ นี้ด้วยเซสชัน AMA ใหม่ พร้อมด้วยนักวิทยาศาสตร์ด้านข้อมูลที่น่าสนใจที่สุดบางส่วน สุดท้ายนี้ แหล่งข้อมูลบางส่วนที่เราแนะนำสำหรับคุณ: –Glassdoor เพื่อประเมินบริษัทที่เสนองานในข้อมูล –Leetcode เพื่อฝึกคำถาม SQL – สัมภาษณ์วิทยาศาสตร์ข้อมูล – รวบรวมคำถามและคำตอบในการสัมภาษณ์วิทยาศาสตร์ข้อมูลฟรี – การสัมภาษณ์ DS สำหรับคำถามสัมภาษณ์จริง –แหล่งข้อมูลของ Dataquest สำหรับแนวคิดหลักและเพื่อทดสอบตัวเองในทุกสิ่งตั้งแต่ Python ไปจนถึง SQL ไปจนถึง Machine Learning –Acing AI Interviews สำหรับบทความที่มีคำถามสัมภาษณ์วิทยาศาสตร์ข้อมูลจากบริษัทใหญ่ๆ –HackerRank สำหรับความท้าทายในการเขียนโค้ดที่คุณทำได้ –Codewars เพื่อทดสอบทักษะของคุณ

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button