విషయము
- విద్యా పునాదిని నిర్మించడం: మూడు ప్రాథమిక చిట్కాలు
- కోర్సుల కంటే ఎక్కువ: మరో రెండు చిట్కాలు
- బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
- మీ టూల్‌బాక్స్ నుండి ఏ సాధనాన్ని తీసుకోవాలో తెలుసుకోవడం: వక్రరేఖకు ముందు ఉండటానికి చిట్కా
- ముఖ్యమైన సాఫ్ట్ స్కిల్స్: మరో ఆరు చిట్కాలు
- డేటా డజన్
మూలం: ఆర్టిన్‌స్పైరింగ్ / డ్రీమ్‌స్టైమ్.కామ్
Takeaway:
డేటా శాస్త్రవేత్తలకు స్పష్టంగా బలమైన గణిత మరియు కోడింగ్ నైపుణ్యాలు అవసరం, అయితే కమ్యూనికేషన్ మరియు ఇతర మృదువైన నైపుణ్యాలు కూడా విజయానికి అవసరం.
గ్లాస్‌డోర్లో అమెరికాలో 2019 సంవత్సరానికి డేటా సైంటిస్ట్ ఉత్తమ ఉద్యోగం. మధ్యస్థ మూల వేతనం, 000 108,000 మరియు ఉద్యోగ సంతృప్తి ర్యాంక్ 5 లో 4.3 తో పాటు, ఓపెనింగ్స్ సరసమైన సంఖ్యలో అంచనా వేయడం ఆశ్చర్యం కలిగించదు. ప్రశ్న: ఈ ఉద్యోగానికి అర్హత సాధించడానికి ఒకరు ఏమి చేయాలి?
తెలుసుకోవడానికి, మేము ఈ కెరీర్ ట్రాక్‌లోకి రావాలని కోరుకునే వారికి ఇచ్చిన సలహాల కోసం చూశాము. కోడింగ్ మరియు గణితంలో కఠినమైన నైపుణ్యాలకు చాలా వరకు వస్తుంది. కానీ ఆ బలమైన గణన మాత్రమే దానిని తగ్గించదు. విజయవంతమైన డేటా శాస్త్రవేత్తలు వ్యాపార వ్యక్తులతో వారి స్వంత నిబంధనలతో మాట్లాడగలగాలి, ఇది మృదువైన నైపుణ్యాలు మరియు నాయకత్వంతో సంబంధం ఉన్న సామర్థ్యాలను కోరుతుంది. (డేటా సైంటిస్ట్ యొక్క విధుల గురించి మరింత తెలుసుకోవడానికి, జాబ్ రోల్: డేటా సైంటిస్ట్ చూడండి.)
విద్యా పునాదిని నిర్మించడం: మూడు ప్రాథమిక చిట్కాలు
NYC డేటా సైన్స్ అకాడమీలోని డేటా సైంటిస్ట్ డ్రేస్ han ాన్, కోడింగ్ మరియు గణిత సామర్థ్యం యొక్క అవసరాలను కలిగి ఉన్న విద్యా పునాది యొక్క అవసరాన్ని నొక్కిచెప్పారు:
- R / పైథాన్ + SQL. మీకు కోడింగ్ నైపుణ్యాలు లేకపోతే, ఈ లోటును తీర్చడానికి మీకు చాలా నెట్‌వర్కింగ్ శక్తి మరియు ఇతర ప్రాంతాలు అవసరం. బలహీనమైన గణిత మరియు తక్కువ డొమైన్ అనుభవంతో డేటా శాస్త్రవేత్తలను నేను చూశాను, కాని వారు ఎల్లప్పుడూ కోడ్ చేయగల బలమైన సామర్థ్యం కలిగి ఉంటారు. పైథాన్ అనువైనది కాని R గొప్ప పతనం తిరిగి సాధనం. మీ ఆయుధశాలలో రెండింటినీ కలిగి ఉండటం మంచిది. డేటా విశ్లేషకుడికి SQL కూడా చాలా ముఖ్యమైనది.
- బలమైన గణిత నైపుణ్యాలు. సాధారణంగా ఉపయోగించే కొన్ని పద్ధతులపై మంచి అవగాహన కలిగి ఉండటం: సాధారణీకరించిన సరళ నమూనాలు, నిర్ణయ వృక్షం, K- సాధనాలు మరియు గణాంక పరీక్షలు వివిధ నమూనాల విస్తృత చిత్రాన్ని కలిగి ఉండటం లేదా RNN వంటి ప్రత్యేకత కంటే ఉత్తమం.
కొంతమంది నిపుణులు వారికి జోడించుకున్నప్పటికీ, అవి కేంద్ర నైపుణ్యాలు. ఉదాహరణకు, KDnuggets జాబితాలో han ాన్ పేర్కొన్న కోడింగ్ భాగాలు ఉన్నాయి మరియు హడూప్ ప్లాట్‌ఫామ్ అపాచీ స్పార్క్, డేటా విజువలైజేషన్, అన్‌స్ట్రక్చర్డ్ డేటా, మెషిన్ లెర్నింగ్ మరియు AI తో సహా సాంకేతిక వైపు తెలుసుకోవడానికి కొన్ని ఇతర ఉపయోగకరమైన విషయాలను జతచేస్తుంది.
కాగ్లే సర్వే ద్వారా నిజ జీవితంలో ఉపయోగం కోసం గుర్తించబడిన సాధారణంగా ఉపయోగించే సాధనాలపై ఒక సర్వే నుండి మేము మా సూచనలను తీసుకుంటే, మేము కొంత భిన్నమైన ఫలితాలను పొందుతాము. దిగువ టాప్ 15 ఎంపికల గ్రాఫ్ నుండి మీరు చూడగలిగినట్లుగా, పైథాన్, ఆర్ మరియు ఎస్క్యూఎల్ మొదటి మూడు స్థానాలను సులభంగా చేస్తాయి, కాని నాల్గవది జూపైటర్ నోట్బుక్లు, తరువాత టెన్సర్ ఫ్లో, అమెజాన్ వెబ్ సర్వీసెస్, యునిక్స్ షెల్, టేబులో, సి / సి ++, నోస్క్యూల్ , మాట్లాబ్ / ఆక్టేవ్ మరియు జావా, హడూప్ మరియు స్పార్క్ కంటే ముందు ఉన్నాయి. మైక్రోసాఫ్ట్ యొక్క ఎక్సెల్ డేటా మైనింగ్ ప్రజలను ఆశ్చర్యపరిచే మరో అదనంగా ఉంది.
చిత్ర సౌజన్యం కాగ్లే
KDnuggets జాబితాలో అధికారిక విద్యకు సంబంధించిన చిట్కా కూడా ఉంది. చాలా మంది డేటా శాస్త్రవేత్తలు అధునాతన డిగ్రీలను కలిగి ఉన్నారు: 46 శాతం మందికి పిహెచ్‌డిలు ఉన్నాయి, మరియు 88 శాతం మంది కనీసం మాస్టర్స్ స్థాయి డిగ్రీని కలిగి ఉన్నారు. వారు కలిగి ఉన్న అండర్గ్రాడ్యుయేట్ డిగ్రీలు సాధారణంగా సంబంధిత ప్రాంతాలలో విభజించబడతాయి. మూడవ వంతు గణిత మరియు గణాంకాలలో ఉన్నాయి, ఇది ఈ కెరీర్ ట్రాక్‌కి అత్యంత ప్రాచుర్యం పొందింది. తరువాతి అత్యంత ప్రాచుర్యం పొందినది కంప్యూటర్ సైన్స్ డిగ్రీ, ఇది 19 శాతం, మరియు ఇంజనీరింగ్, 16 శాతం ఎంపిక. వాస్తవానికి, డేటా సైన్స్‌కు సంబంధించిన సాంకేతిక సాధనాలు తరచుగా డిగ్రీ ప్రోగ్రామ్‌లలో కాకుండా ప్రత్యేక బూట్ క్యాంప్‌లలో లేదా ఆన్‌లైన్ కోర్సుల ద్వారా అధ్యయనం చేయబడవు.
కోర్సుల కంటే ఎక్కువ: మరో రెండు చిట్కాలు
వెయిల్ కార్నెల్ మెడిసిన్‌లోని పల్మనరీ విభాగంలో పరిశోధనా సహాయకుడు మరియు ఎన్‌వైసి డేటా సైన్స్ అకాడమీ విద్యార్థి హాంక్ యున్, data త్సాహిక డేటా శాస్త్రవేత్తలు వారు ఏమి పని చేస్తారనే దానిపై ప్రణాళికలు వేయాలని మరియు ఒక గురువును కనుగొనమని సలహా ఇస్తున్నారు. అతను వాడు చెప్పాడు:
బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
సాఫ్ట్‌వేర్ నాణ్యత గురించి ఎవరూ పట్టించుకోనప్పుడు మీరు మీ ప్రోగ్రామింగ్ నైపుణ్యాలను మెరుగుపరచలేరు.
మీరు ఒక కోర్సు తీసుకొని సర్టిఫికేట్ అందుకున్నందున మీకు డేటా సైన్స్ తెలుసు అని మీరే చెప్పడం ద్వారా నేను చేసిన తప్పు చేయవద్దు. ఇది గొప్ప ప్రారంభం, కానీ మీరు అధ్యయనం ప్రారంభించినప్పుడు, ఒక ప్రాజెక్ట్ను దృష్టిలో పెట్టుకుని వెళ్లండి. అప్పుడు ఫీల్డ్‌లో ఒక గురువును కనుగొని వెంటనే అభిరుచి గల ప్రాజెక్టును ప్రారంభించండి! మీరు క్రొత్తగా ఉన్నప్పుడు, మీకు తెలియనిది మీకు తెలియదు కాబట్టి మీకు ముఖ్యమైనది మరియు ఏది కాదు అనేదానికి మార్గనిర్దేశం చేయడానికి ఎవరైనా అక్కడ ఉన్నప్పుడు ఇది సహాయపడుతుంది. దాని కోసం చూపించడానికి ఏమీ లేకుండా మీరు ఎక్కువ సమయం అధ్యయనం చేయాలనుకోవడం లేదు!
మీ టూల్‌బాక్స్ నుండి ఏ సాధనాన్ని తీసుకోవాలో తెలుసుకోవడం: వక్రరేఖకు ముందు ఉండటానికి చిట్కా
డేటా సైన్స్ సాధనాల ర్యాంకింగ్‌లో అసమానత ఉన్నందున, దేనిపై దృష్టి పెట్టాలనే దానిపై కొందరు భయపడతారు. సెక్యూరిటీ సాఫ్ట్‌వేర్ కంపెనీ మెకాఫీ చీఫ్ డేటా సైంటిస్ట్ సెలెస్ట్ ఫ్రాలిక్, CIO వ్యాసంలో ఒక డేటా సైంటిస్ట్‌కు అవసరమైన నైపుణ్యాలను పరిశీలిస్తూ, “ఒక డేటా సైంటిస్ట్ పరిశోధనలో వక్రరేఖ ముందు ఉండాల్సిన అవసరం ఉంది, అలాగే ఏ సాంకేతిక పరిజ్ఞానాన్ని ఎప్పుడు వర్తింపజేయాలి అని అర్థం చేసుకోండి. ”అంటే“ సెక్సీ ”మరియు క్రొత్తది, అసలు సమస్య” కి ఆకర్షించబడటం లేదు. "పర్యావరణ వ్యవస్థ, వ్యాఖ్యానం, జాప్యం, బ్యాండ్‌విడ్త్ మరియు ఇతర సిస్టమ్ సరిహద్దు పరిస్థితులకు - అలాగే కస్టమర్ యొక్క పరిపక్వతకు - గణన వ్యయం గురించి తెలుసుకోవడం డేటా శాస్త్రవేత్తకు ఏ సాంకేతిక పరిజ్ఞానాన్ని వర్తింపజేయాలనేది అర్థం చేసుకోవడానికి సహాయపడుతుంది."
ముఖ్యమైన సాఫ్ట్ స్కిల్స్: మరో ఆరు చిట్కాలు
ఫ్రేలిక్ తీసుకువచ్చే పాయింట్ డేటా సైంటిస్ట్ ఉద్యోగానికి అవసరమైన నాన్టెక్నికల్ నైపుణ్యాలకు సంబంధించినది. అందుకే KDnuggets జాబితాలో ఈ నాలుగు ఉన్నాయి: మేధో ఉత్సుకత, జట్టుకృషి, కమ్యూనికేషన్ నైపుణ్యాలు మరియు వ్యాపార చతురత. Data ాన్ డేటా శాస్త్రవేత్తల కోసం తన చిట్కాలలో కీలకమైన మృదువైన నైపుణ్యాలను కూడా చేర్చాడు, KD నగ్గెట్స్ వంటి “కమ్యూనికేషన్ స్కిల్స్” ను గుర్తించాడు, కానీ “వ్యాపార చతురత” స్థానంలో “డొమైన్ నైపుణ్యం” ను ఉపయోగించాడు. దీనిని ఏది పిలిచినా, ఇది డేటా సైన్స్ యొక్క ఆచరణాత్మక అనువర్తనాన్ని సూచిస్తుంది వ్యాపార. (కమ్యూనికేషన్ నైపుణ్యాల గురించి మరింత తెలుసుకోవడానికి, సాంకేతిక నిపుణుల కోసం కమ్యూనికేషన్ నైపుణ్యాల ప్రాముఖ్యత చూడండి.)
ఒలివియా పార్-రుడ్ దీనిపై తన స్వంత స్పిన్‌ను అందించింది, సృజనాత్మకత యొక్క పాత్రకు ప్రాధాన్యతనిస్తూ, “నేను డేటా సైన్స్‌ను ఒక సైన్స్ వలె ఒక కళగా భావిస్తున్నాను,” అని గీయడం అవసరం. మెదడు యొక్క రెండు వైపుల బలాలు. "చాలా మంది డేటా సైన్స్ గురించి ప్రధానంగా ఎడమ-మెదడును ఉపయోగించే వృత్తిగా మాట్లాడుతారు. విజయవంతం కావడానికి, డేటా శాస్త్రవేత్తలు వారి మొత్తం మెదడును ఉపయోగించాలని నేను కనుగొన్నాను. ”
ఈ రంగంలో అభివృద్ధి చెందడానికి సాంకేతిక సామర్థ్యం మాత్రమే కాకుండా సృజనాత్మకత మరియు నాయకత్వానికి అవసరమైన దృష్టి అవసరమని ఆమె వివరించారు:
చాలా ఎడమ-మెదడు / సరళ పనులు ఆటోమేటెడ్ లేదా అవుట్ సోర్స్ చేయవచ్చు. డేటా శాస్త్రవేత్తలుగా పోటీతత్వాన్ని అందించడానికి, మన మెదడు యొక్క రెండు వైపులా ఉపయోగించి నమూనాలను గుర్తించి, పెద్ద మొత్తంలో సమాచారాన్ని సంశ్లేషణ చేయగలగాలి. మరియు మనం వినూత్న ఆలోచనాపరులు అయి ఉండాలి. ఎడమ మరియు కుడి మెదడు యొక్క ఏకీకరణ వల్ల చాలా మంచి ఫలితాలు వస్తాయి.
దృష్టిని స్పష్టంగా కమ్యూనికేట్ చేయడం ఎందుకు అవసరమో ఆమె నొక్కి చెప్పింది:
డేటా శాస్త్రవేత్తలుగా, మా ఖాతాదారులకు వారి లాభాలను పెంచుకోవడంలో సహాయపడటానికి డేటాను ఉపయోగించడం మా లక్ష్యం. చాలా మంది అధికారులు మేము ఏమి చేస్తున్నారో లేదా ఎలా చేయాలో అర్థం కాలేదు. కాబట్టి మనం నాయకులలాగా ఆలోచించాలి మరియు మా ఫలితాలను మరియు సిఫారసులను మా వాటాదారులు అర్థం చేసుకునే మరియు విశ్వసించే భాషలో కమ్యూనికేట్ చేయాలి.
డేటా డజన్
ముఖ్య చిట్కాలు పెద్ద సంఖ్యలో సాంకేతిక సాధనాలు, నైపుణ్యాలు మరియు సామర్థ్యాలను కలిగి ఉంటాయి, అలాగే సృజనాత్మకత మరియు నాయకత్వానికి ఆప్టిట్యూడ్ వంటి తక్కువ పరిమాణాత్మక లక్షణాలను కలిగి ఉంటాయి. అంతిమంగా, ఇది కేవలం సంఖ్యల ఆట మాత్రమే కాదు. డేటా సైన్స్ అనేది శూన్యంలో మోడళ్లను సృష్టించడం మాత్రమే కాదు, వ్యాపారాల కోసం నిజ జీవిత సమస్యలను పరిష్కరించడానికి ఆచరణాత్మక అనువర్తనాలతో రావడం వల్ల, ఈ రంగంలో విజయం సాధించే వారు కేవలం సాంకేతిక పరిజ్ఞానాన్ని మాత్రమే కాకుండా వారి వ్యాపార డొమైన్‌ను తెలుసుకోవడం మరియు అవసరాలను అర్థం చేసుకోవాలి. పనిలో ఉన్న జట్టులోని వివిధ సభ్యులు.