Da studente di economia a data scientist nel settore tecnologico

From economics student to data scientist in the technology sector.

Le Cronache dei Primi Anni di un Data Scientist nel Settore

Una cronologia di come sono passato da aver paura della matematica a diventare un Data Scientist esperto in una azienda tecnologica di rinomanza

Tra le domande più frequenti che ricevo spesso su LinkedIn, ce n’è una che si distingue costantemente: Come sono riuscito a passare da un background in Business all’Ingegneria e diventare un Data Scientist?

Quindi in questa storia, approfondirò il mio percorso personale e condividerò con voi i passaggi che ho seguito, le sfide che ho affrontato e le preziose lezioni che ho imparato che mi hanno spinto direttamente verso la carriera di Data Scientist nel settore tecnologico.

Non esiste un modo specifico per diventare un Data Scientist. Come dice il proverbio, tutte le strade portano a Roma. Tuttavia, sono qui per condividere uno dei molti modi in cui ciò può essere fatto. In particolare per coloro che iniziano con una laurea in Business e poca o nessuna formazione scientifica.

Prima di approfondire il “come”, dobbiamo prima stabilire le basi del “perché”. Credetemi, non andrai lontano se non avrai le tue motivazioni chiare e solide fin dall’inizio.

• Sempre in apprendimento come l’IA previene le violazioni dei dati
• Perché il Deep Learning viene sempre eseguito sui dati di tipo Array? Nuove ricerche sull’IA introducono ‘Spatial Functa’, in cui i dati vengono trattati come un’unica entità, da data a funzione.
• La guida al campo dei dati sintetici

Il percorso per diventare un Data Scientist è arduo, ma sicuramente uno dei più gratificanti. Di fatto, la lista delle ragioni per cui i Data Scientist hanno uno dei lavori più interessanti e ambiti oggi è lunga. Per ora, mi concentrerò su quella che si trova in cima alla mia lista.

Il Perché

A chiunque mi chieda perché Data Science? che sia durante un colloquio o semplicemente persone curiose, la mia risposta è sempre la stessa. Volevo essere un Detective, quindi ho deciso di diventare un Data Scientist.

Potresti chiederti cosa abbiano a che fare queste due cose tra di loro? I primi Data Scientist che ho incontrato mi sono sembrati subito come l’incarnazione di quello che sarebbe stato un moderno Sherlock Holmes.

I Data Scientist giocano con la conoscenza per risolvere enigmi ogni giorno. Alla fine, passano la maggior parte del loro tempo investigando i numeri per trovare soluzioni a problemi complessi che solo una mente analitica e acuta può risolvere. Ecco esattamente ciò che fanno i detective.

Ho sempre provato una profonda eccitazione seguendo le avventure di Sherlock Holmes, che perseguitava instancabilmente un indizio dopo l’altro fino a quando il mistero veniva svelato. Volevo essere un avventuriero come lui, ma difficilmente mi immaginavo interrompere gli studi per andare a risolvere crimini con la polizia. Immagino che ciò mi sembrasse un po’ troppo estremo per i miei gusti, e speravo di non mettermi subito contro i cattivi. Quindi essere un Data Scientist sembrava il meglio di entrambi i mondi.

È bastato un po’ di tempo affinché questa epifania mi illuminasse. E da allora, diventare un Data Scientist sembrava un grande salto rispetto a ciò che stavo perseguendo in quel momento: una laurea in Business.

Riflettendo, l’unico tratto che condividevo con Sherlock Holmes era la mia predisposizione a tuffarmi a capofitto in missioni apparentemente impossibili. Erano ambiziose, considerando che non avevo alcuna esperienza di programmazione. Ma poco sapevo che abbracciare questo audace salto di fede sarebbe stato il mio biglietto d’oro per perseguire la mia più grande passione nella vita: la Musica.

Il Come

Passo 1 — Affrontare e Accogliere il Mostro della Matematica

Nonostante una lunga fascinazione per la scienza, Dio non mi ha ancora ritenuto degno del dono altamente esclusivo di decifrare facilmente il gergo scientifico. Non sono stato nemmeno benedetto con un udito perfetto, ma questo non ha nulla a che fare con ciò.

Quindi, comunque, al termine degli studi, mi sono naturalmente avvicinato a ciò che la maggior parte degli studenti delle superiori senza pista e che sono negati nelle materie scientifiche fa in questa parte del mondo: studi di economia.

La mia relazione con la matematica è stata piuttosto tumultuosa. Ero un principale di economia alle superiori. La fisica mi faceva sentire come se fossi in un universo parallelo e i concetti matematici sembravano codici segreti provenienti da una civiltà aliena. Le lezioni impiegavano tempo per entrare, ma… alla fine entravano prima o poi. A volte, molto più tardi.

Sapevo fin da subito che portare la matematica nel mio bagaglio sarebbe stato utile in qualche momento. Quindi non avrei lasciato i miei limiti scientifici impedirmi di sognare oltre le mie capacità. L’ultimo anno delle superiori, ho deciso di affrontare il Mostro della Matematica una volta per tutte. Ho investito tutta la mia energia nel domare la bestia finché alla fine si è arresa.

È stato un momento di svolta.

Mi ha dato la fiducia necessaria per perseguire successivamente una specializzazione in Matematica insieme alla mia laurea in Economia durante gli anni universitari.

Di tutti i corsi di matematica che ho seguito durante la mia specializzazione, questi sono quelli fondamentali che gettano le basi per affrontare problemi di Data Science e ML:

1. Calcolo
2. Algebra Lineare
3. Statistica e Teoria delle Probabilità

Per tutte le anime che temono la matematica, ricordate che odiamo solo qualcosa nella misura in cui siamo carenti in essa. Più miglioriamo ed eccelliamo in una materia, più cambia la nostra percezione. Quindi, se il tuo obiettivo è diventare un Data Scientist fantastico, è il momento di affrontare il Mostro della Matematica a testa alta e mostrargli chi comanda!

È chiaro che gli studi di economia non erano destinati a essere la mia vocazione. Mi sono divertito troppo ad essere torturato dalle seducenti grinfie del Mostro della Matematica. Quindi nel mio ultimo semestre, mi sono immerso nella ricerca di percorsi di carriera legati alla matematica. Alla fine la mia ricerca mi ha portato al campo della Data Science. Ho colto l’opportunità di fare uno stage come Analista dei Dati e allo stesso tempo ho iniziato il programma di laurea magistrale in Informatica Urbana presso la NYU (una parola di fantasia per Data Science Applicata nel campo delle Smart Cities).

Passo 2 – Costruire l’intuizione per la programmazione richiede tempo

Ti potresti chiedere come una laureanda in economia senza alcuna esperienza di programmazione sia riuscita a farsi strada in una scuola di ingegneria? Beh, ricordi quei corsi di matematica che ho fatto durante la laurea?

Accade che non hai bisogno di molto oltre quei 3 corsi per iniziare con l’Apprendimento Automatico (Machine Learning). Il programma di laurea della NYU è stato un programma immersivo ma intenso di 12 mesi in cui mi sono trovata subito coinvolta nel modellare ML con Python, costruire database con SQL e affrontare grandi quantità di dati su Spark (o almeno ci ho provato) tutto contemporaneamente.

Devo essere trasparente qui. Il passaggio improvviso dall’economia all’ingegneria è stato un periodo frenetico. Quell’anno è stato un’esperienza quasi mortale dall’inizio alla fine. Imparare più linguaggi di programmazione per la prima volta significava coltivare un’intuizione distintiva per ognuno, cosa che richiede tempo. Padroneggiarli tutti contemporaneamente, entro un periodo di tempo compresso, con una pesante tassa di iscrizione in gioco (e una pandemia alla tua porta) non è qualcosa che consiglierei a chi ha un cuore debole.

Per qualcuno che non aveva mai scritto una singola riga di codice prima di questo, è stato come un grande shock per il mio cervello che è andato in sovraccarico. Povera cosa, non sapeva come siamo passati dai principi di gestione all’esecuzione di modelli di ML a tutto gas.

In retrospettiva, una cosa che farei diversamente sarebbe imparare a programmare molto prima di addentrarmi nell’Apprendimento Automatico, e non contemporaneamente.

Giocare con l’Apprendimento Automatico è stato fantastico, ma questo non era ancora sufficiente. Non riuscivo ancora a capire appieno cosa stesse succedendo dietro le quinte di quei pacchetti Python. Non verrai mai considerato un vero Data Scientist nel mercato del lavoro nel settore tecnologico, a meno che tu non sia in grado di scavare più a fondo. Devi diventare fluido nell’esporre le meccaniche sottostanti di quegli algoritmi di ML preconfezionati. Così sapevo di dover capire quelle meccaniche, ma c’era solo tanto che potevo fare in un anno partendo da così lontano.

In quel momento, è arrivato il COVID-19 e le opportunità di lavoro negli Stati Uniti erano inesistenti, così come le mie competenze di programmazione precedenti. Così ho pensato che potrei utilizzare un anno extra in accademia (o due). Mi sono candidato e sono stato accettato in questo programma duale unico in Francia che combina il meglio dei due mondi della Data Science: Business e Apprendimento Automatico.

Passo 3 – Da Importatore di Librerie a Spiegatore: Svelando il Vero Data Scientist Che è in Te

Intraprendere quel percorso si è rivelata una delle migliori decisioni della mia vita. Mi ha portato a studiare presso le migliori Scuole di Economia e Ingegneria in Francia, un obiettivo che un tempo sembrava impensabile. Non sono mai stato il più brillante a scuola, ma ho sempre avuto un talento nel cavarmela nei percorsi più difficili. Essere determinati e testardi sono stati i miei asset più importanti, così li ho messi a buon uso fin da giovane.

Nel corso di questi due anni di trasformazione, ho imparato materiale di Data Science che nemmeno sapevo di dover imparare. Le armi che ho raccolto lungo il percorso mi guidano ancora oggi e sono qui per condividerle con te:

1. Capire la matematica dietro gli algoritmi di ML separa i professionisti dagli utenti delle librerie Python. Ho imparato come dimostrare le prove matematiche, ma credo che comprendere i concetti chiave dietro le teorie sia sufficiente. Non c’è bisogno di intromettersi direttamente nelle equazioni stesse.
2. Essere competenti in Python e SQL è una competenza essenziale nel “pacchetto di avvio Data Science nel settore tecnologico”. Estrarre e costruire pipeline per i tuoi dati richiede una sosta nei data warehouse come BigQuery, che di solito sono alimentati da SQL. Mentre prendersi il tempo per padroneggiare quelle basi di Python ti aiuterà nella preparazione e nell’analisi dei dati.
3. Avrai bisogno di Algebra Lineare e Calcolo per aiutarti a capire le fondamenta della teoria di ML, ma niente batte avere Concetti di Statistica e Probabilità nel tuo set di strumenti. Le statistiche hanno applicazioni dirette nel lavoro quotidiano di un Data Scientist, quindi meglio assicurarsi di comprendere le basi della significatività statistica e delle distribuzioni di probabilità fin dall’inizio.
4. Le intuizioni sui dati non valgono nulla se non riesci a comunicarle a persone non tecniche. Perfezionare le tue capacità di storytelling è un viaggio continuo per i Data Scientist, quindi meglio salire a bordo della nave il prima possibile.
5. Coltivare resilienza e pazienza lavorando accanto a menti brillanti e colleghi esperti. La sindrome dell’impostore può facilmente insinuarsi, soprattutto quando provieni da un background diverso. Il dubbio di sé è una brutta bestia, quindi meglio conoscerla fin da subito per liberarsene.

Abbracciando queste lezioni, mi sono migliorato come Data Scientist. Mi hanno fornito gli strumenti necessari per avviare la mia carriera nel settore tecnologico.

I migliori programmatori non sono necessariamente i migliori Data Scientist. Per avere successo come Data Scientist nel mondo tecnologico, provenendo da un background aziendale, ho imparato che bisogna:

1. Accogliere il disagio della matematica. Padroneggiare le basi dell’Algebra Lineare, del Calcolo e della Teoria delle Statistiche e delle Probabilità.
2. Prendersi il tempo per imparare Python e SQL in modo approfondito. Evitare di sovraccaricarsi con troppi framework di programmazione.
3. Approfondire le basi matematiche dell’Apprendimento Automatico per svelare gli algoritmi preconfezionati. Essere in grado di spiegarne le meccaniche.
4. Perfezionare fin da subito le tue capacità di storytelling. Padroneggiare l’arte di comunicare concetti complessi in modo convincente e accessibile.
5. Integrare i concetti aziendali con le conoscenze acquisite dai passaggi precedenti per creare una potente combinazione.

Nel passato, ho sottovalutato il valore del mio laurea triennale in Economia Aziendale. Sembrava spesso che avessi passato anni a inseguire la strada sbagliata. Ma dopo essermi unito a Spotify, ho scoperto che la fusione di competenze in Economia Aziendale e Data Science crea i migliori Data Scientist. Il vero potere risiede in coloro che riescono a navigare entrambi i mondi senza soluzione di continuità. Non c’è motivo per cui tu non possa esserne uno!

Il tuo supporto è prezioso, significherebbe molto se potessi:

• Seguirmi su Nisoo
• Iscriverti alla mia Newsletter
• Seguirmi su LinkedIn