چرا علوم داده؟ (ابتدا هدف خود را تعیین کنید)
قبل از ورود به نقشه راه جامع علوم داده، هر فرد باید هدف روشنی در ذهن داشته باشد که چرا میخواهد علوم داده را بیاموزد؟ آیا به دلیل جذابیت عنوان «جذابترین شغل قرن بیست و یکم» است؟ آیا برای پروژههای دانشگاهی است؟ یا برای مسیر شغلی بلندمدت؟ یا قصد دارید حرفه خود را به دنیای دانشمندان داده تغییر دهید؟ پس ابتدا هدفی روشن تعیین کنید. چرا میخواهید علوم داده را یاد بگیرید؟ به عنوان مثال، اگر هدف شما پروژههای دانشگاهی است، یادگیری مبانی مقدماتی کافی است. اما اگر به دنبال یک مسیر شغلی حرفهای هستید، باید مباحث پیشرفته و تخصصی را نیز بیاموزید و تمامی پیشنیازها را با جزئیات پوشش دهید. بنابراین تصمیم با شماست که بر اساس هدف خود، عمق یادگیری را تعیین کنید.
چگونه علوم داده را یاد بگیریم؟
معمولاً دانشمندان داده از پیشینههای تحصیلی و کاری مختلفی میآیند، اما در حالت ایدهآل باید در چهار حوزه کلیدی مهارت یا تخصص داشته باشند:
دانش دامنه (Domain Knowledge)
مهارتهای ریاضی
علوم کامپیوتر
مهارتهای ارتباطی
دانش دامنه (Domain Knowledge)
بسیاری تصور میکنند دانش دامنه در علوم داده مهم نیست، اما این موضوع بسیار حیاتی است. برای مثال: اگر میخواهید دانشمند داده در بخش بانکی باشید و اطلاعات زیادی درباره معاملات سهام و امور مالی داشته باشید، این موضوع برای شما بسیار سودمند خواهد بود و بانکها به چنین متقاضیانی اولویت بیشتری نسبت به متقاضیان عادی میدهند.
مهارتهای ریاضی
جبر خطی، حسابان چند متغیره و تکنیکهای بهینهسازی؛ این سه مورد بسیار مهم هستند زیرا به ما در درک الگوریتمهای مختلف یادگیری ماشین که نقش کلیدی در علوم داده دارند کمک میکنند. به طور مشابه، درک آمار به دلیل نقش اساسی در تحلیل دادهها بسیار مهم است. احتمالات نیز مکمل آمار بوده و پیشنیازی برای تسلط بر یادگیری ماشین محسوب میشود.
Akhil Vydyula
Full Stack Data Scientist
سلام!
اسم من Akhil Vydyula است، من یک دانشمند داده هستم
من قبلاً روی تجزیه و تحلیل داده های BFSI کار کرده بودم و مهارت های مدل سازی برای نظارت بر چرخه تمام عمر توسعه و اجرا. او دارای توانایی قوی است.
قابلیت بحث در مورد داده ها، مهندسی ویژگی، توسعه الگوریتم، آموزش مدل و پیاده سازی.
مهارت ها و شایستگی ها
دانش و تجربه تخصصی با برنامه نویسی C/C++/python و SQL.
باید قادر به یادگیری و اجرای سریع و موثر فناوری های جدید باشد.
مهارت های ریاضی عالی، مهارت های منطقی حل مسئله .
شرکت فعال در هکاتون ها در پلتفرم های مختلف و نوشتن وبلاگ در رسانه.
مهارت های فنی
یادگیری ماشین، پردازش زبان طبیعی (NLP)، Computer Vision، Regression، Multi Label
Classification.Transfer Learning، Transformers، Ensembles، Stacking Classifiers.AutoML، SQL، Python، Keras، Pandas، NumPy، Seaborn، Matplotlib، Clustering، Systems Recommendation ,تحلیل سری زمانی.
نمایش نظرات