5 Errori che ho commesso durante il passaggio alla carriera di Data Science

5 Errori nel passaggio alla carriera di Data Science

 

Sono passato dalla gestione della tecnologia alla data science perché ero interessato all’aspetto analitico della mia precedente carriera. Incorporare l’IoT (Internet delle cose) nel business e utilizzare varie tecniche analitiche per raccogliere e analizzare i dati era molto apprezzato in passato. Ho iniziato a imparare programmazione, statistica e molte terminologie dei dati per perseguire la data science.

In questo blog, condividerò cinque errori che mi hanno fatto perdere tempo ed energia. Inoltre, fornirò soluzioni proposte per evitare di commettere questi errori in futuro.

 

• Guida per principianti all’Ingegneria delle Prompt
• NLP moderna una panoramica dettagliata. Parte 3 BERT
• Dimenticate i 32K di GPT4 LongNet ha un contesto di un miliardo di token

1. Prendere corsi casuali

 

Stavo cercando di imparare la data science guardando corsi gratuiti casuali su YouTube o Coursera, ma mi ha solo lasciato più confuso. Anche se pensavo di capire ciò che stavo imparando, non riuscivo a risolvere i problemi da solo.

Dopo tre mesi di questo, ho capito che avevo bisogno di un approccio più strutturato. Ecco perché ho deciso di seguire il percorso di carriera di DataCamp. Questo programma include tutti i corsi necessari per comprendere le basi della data science. Il percorso di carriera include anche progetti guidati, esercizi interattivi e test di valutazione che mi hanno aiutato a costruire maggiore fiducia nelle mie capacità analitiche.

Soluzione: Valuta l’iscrizione a un percorso di carriera a pagamento che offre vari corsi interattivi che coprono concetti di base e avanzati. Molte piattaforme educative di reputazione offrono questa opzione.

 

2. Non ho preso abbastanza sul serio matematica e statistica

 

Devi comprendere le basi matematiche dietro i modelli per mantenere la tua reputazione professionale. Ho provato imbarazzo durante i colloqui di lavoro, le riunioni e durante la creazione della documentazione a causa di questo. Ricordo vivamente un colloquio in cui un esperto mi ha chiesto l’equazione del gradiente discendente e non sono stato in grado di fornire una risposta. È stato allora che ho capito che dovevo rivedere e rafforzare la mia comprensione dei fondamenti statistici.

Soluzione: È consigliabile seguire un corso di statistica e probabilità e comprendere come funzionano matematicamente i modelli di machine learning.

 

3. Non ho documentato il mio lavoro

 

Anche se ho lavorato su diversi progetti e competizioni su Kaggle, ho fallito nel documentare i miei progressi e risultati. Mi ci è voluto un anno per capire l’importanza di documentare sia il mio progetto che il mio percorso, cosa che può aiutarmi a ottenere migliori opportunità di lavoro e costruire un portfolio più solido. In retrospettiva, avrei dovuto condividere il mio percorso su LinkedIn e VoAGI fin dall’inizio. In questo modo avrei potuto creare nuove connessioni, ampliare la mia rete, migliorare il mio portfolio professionale e facilitare la collaborazione.

 

Soluzione: Per mostrare il tuo progetto, è meglio condividere gli elementi del progetto e il codice su GitHub. Puoi anche scrivere un post sul blog su VoAGI e condividerlo con il gruppo di data science di LinkedIn. Questo ti aiuterà a ottenere maggiore visibilità.

 

4. Ho fatto domanda per i lavori sbagliati

 

In passato, ho fatto domanda per tutti i lavori di data scientist, data analytics o business intelligence senza cercare quali requisiti le aziende stavano cercando. Credevo di poter facilmente passare alla data science. Tuttavia, ho sottovalutato le conoscenze e le competenze estese richieste per il campo. Per avere successo, è cruciale rimanere umili, riconoscere le lacune delle proprie conoscenze e impegnarsi nell’apprendimento continuo.

Per avere successo nel settore, è importante familiarizzare con le pratiche standard e acquisire competenze rilevanti. Se ti manca esperienza, considera la possibilità di cercare stage o contribuire a progetti open source di reputazione.

Soluzione: Una volta completato il corso essenziale, concentra l’attenzione sulla creazione di un solido portfolio di data science. Dedica del tempo alla ricerca delle aspettative e dei requisiti lavorativi e continua a imparare nuovi strumenti e competenze per migliorare il tuo curriculum. Evita di fare domanda per lavori immediatamente e invece, cerca di capire appieno cosa gli aspiranti datori di lavoro cercano in un candidato.

 

5. Partecipare a troppe competizioni

 

Dopo aver scoperto alcuni trucchi sul machine learning, ho iniziato a partecipare a competizioni su Kaggle. Ne sono diventato dipendente, arrivando persino a partecipare a concorsi senza conoscere in precedenza l’argomento. Mi sono convinto che stavo imparando nuove tecniche dagli altri, ma in realtà stavo solo sprecando il mio tempo.

Come sostenitore dell’apprendimento del machine learning attraverso le competizioni, devo avvertire i principianti che vincere è difficile. Anche se sono arrivato vicino e spesso sono arrivato tra l’1% più alto, non ha aggiunto alcun valore significativo alla mia carriera. Invece, avrei dovuto concentrarmi su progetti reali o cercare esperienza tramite stage o lavori.

Soluzione: Non illuderti. Mantieni sempre i tuoi obiettivi a mente. Invece di disperdere le tue energie partecipando a troppe competizioni, considera di concentrarti su un progetto open-source complesso, scrivere su VoAGI, costruire il tuo portfolio e partecipare ad eventi della comunità.

 

Pensieri finali

 

Ho commesso molti errori e mi hanno insegnato molto su me stesso e sulla mia posizione. L’unica cosa che mi ha fatto andare avanti nei momenti difficili è stata la dedizione e gli obiettivi chiari. Potrebbe impiegarci più tempo rispetto agli altri, ma non stavo per mollare.

Se ti senti scoraggiato e pensi che il compito sia troppo difficile, ti suggerisco di esplorare altre opzioni che funzionano per te. Non lasciare che nessuno ti scoraggi. Continua a provare e alla fine troverai un sistema adatto a te che ti aiuterà a raggiungere il lavoro dei tuoi sogni. Inoltre, è fondamentale lavorare sulla costruzione del tuo portfolio di data science fin dall’inizio utilizzando piattaforme come Kaggle, GitHub, DagsHub e Deepnote.     Abid Ali Awan (@1abidaliawan) è un data scientist professionista certificato che ama costruire modelli di machine learning. Attualmente, si sta concentrando sulla creazione di contenuti e sulla scrittura di blog tecnici su tecnologie di machine learning e data science. Abid ha una laurea magistrale in Technology Management e una laurea triennale in Ingegneria delle Telecomunicazioni. La sua visione è quella di costruire un prodotto di intelligenza artificiale utilizzando una rete neurale a grafo per gli studenti che lottano con le malattie mentali.