Prendi il prossimo passo per ampliare il tuo set di competenze in Data Science

Fai il prossimo passo per espandere il tuo set di competenze in Data Science

Dal racconto efficace alla pianificazione strategica della carriera, le competenze necessarie per progredire nella tua carriera di data science sono varie e sempre più interdisciplinari. A differenza, ad esempio, delle statistiche o della programmazione, queste sono anche aree in cui ambienti educativi strutturati, come programmi di laurea o bootcamp, possono arrivare solo fino a un certo punto.

Fortunatamente, gli autori di TDS provengono da una gamma incredibilmente variegata di sfondi professionali e personali e hanno imparato molto su ciò che funziona – e ciò che non funziona – in situazioni reali in una vasta gamma di organizzazioni. Per i nostri momenti salienti di questa settimana, abbiamo riunito una robusta selezione di articoli che si concentrano su questi aspetti meno tecnici, ma comunque cruciali, del lavoro di data science: offrono preziose intuizioni basate sull’esperienza vissuta di questi professionisti.

• Oh, intendevi “Gestire il cambiamento”?Navigare nel terreno in rapido cambiamento della data science è sempre una sfida, e ancor di più all’interno delle organizzazioni che affrontano mutevoli priorità aziendali. Marc Delbaere svela le difficoltà di praticare la gestione del cambiamento nel contesto dei team di dati e analizza come leader e contributori individuali possano bilanciare i loro obiettivi occasionalmente contrastanti.
• I 4D nel Data Storytelling: Trasformare l’Arte in Scienza“Il lavoro dei data scientist senza una narrazione è semplicemente una divinazione digitale,” dice Zijing Zhu, dottorato di ricerca, che prosegue condividendo un quadro dettagliato che va oltre le basi della visualizzazione per aiutare i praticanti a fornire insight sui dati con maggiore efficienza e impatto.
• Conosci il Tuo Pubblico: Una Guida alla Preparazione delle Presentazioni TecnicheAvvicinandosi all’argomento del data storytelling da un punto di vista diverso, John Lenehan analizza i dettagli pratici della preparazione di presentazioni incentrate sui dati e offre consigli concreti su come strutturare i tuoi insight in modo che coinvolgano colleghi e stakeholder e affrontino le loro preoccupazioni. (Quando hai finito, dovresti anche esplorare l’articolo di approfondimento di John, su come tradurre i dati in narrazioni coese.)

• Non Candidarti nel Settore Tecnologico Prima di Padroneggiare Queste 6 Competenze Fondamentali del Data ScienceNella sua ultima guida incentrata sulla carriera, Khouloud El Alami si concentra su alcune delle aree chiave in cui i data scientist devono avere delle solide basi se vogliono diventare candidati competitivi per ruoli in importanti aziende tecnologiche. Basandosi sulle sue esperienze a Spotify, Khouloud tratta sia competenze tecniche che non tecniche, spiegando come alla fine tutte debbano collegarsi a impatti misurabili.
• 3 Decisioni Chiave di Carriera per Junior Data ScientistsNonostante la relativa novità del settore, per i professionisti dei dati esistono ormai percorsi di carriera piuttosto consolidati, ma cosa succede se non vuoi che la tua carriera segua uno di questi? Il nuovo post di Matt Chapman invita le persone alle prime armi a esaminare le loro priorità, riflettere su ciò che conta veramente per loro e plasmare le loro scelte attorno ai tipi di ruoli che perseguono di conseguenza.

Se sei alla ricerca di ampliare le tue competenze e conoscenze in entrambe le direzioni, siamo qui per te: ecco alcuni ottimi articoli che non vorremmo che ti sfuggissero.

• Per uno sguardo fresco ai sistemi di raccomandazione, vai subito su Irene Chang‘s introduzione al campionamento di Thompson, la prima parte di una serie in corso su questi ubiqui strumenti algoritmici.
• Scopri tutto sui numeri pseudo-casuali e il loro ruolo nell’apprendimento automatico seguendo la guida accessibile e ben illustrata di Caroline Arnold.
• Guidandoci attraverso le loro ultime ricerche, Michael Galkin e i suoi coautori presentano ULTRA, un modello fondamentale per il ragionamento sui grafi di conoscenza.
• In una recente immersione profonda, Ms Aerin esplora RLHF (apprendimento per rinforzo da feedback umano) e il suo ruolo nei dati di addestramento e nel paradigma di apprendimento che alimenta gli avanzamenti recenti nei modelli di linguaggio di grandi dimensioni.
• Siamo entusiasti di dare il benvenuto a un nuovo approfondimento di Carolina Bento: una guida pratica ai modelli di Markov nascosti, completa di una implementazione intuitiva.
• Per il suo primo post su TDS, Jon Flynn ha presentato un resoconto lucido e completo degli approcci attuali all’apprendimento continuo nell’AI e di come cerchino di affrontare la (grande) sfida di mantenere i modelli aggiornati.

Grazie per il sostegno al lavoro dei nostri autori! Se ti piacciono gli articoli che leggi su TDS, considera di diventare un membro di VoAGI: sblocca l’intero archivio (e ogni altro post su VoAGI).

• Come ottimizzare il Mistral AI 7B LLM con Hugging Face AutoTrain
• Generazione di codici da documenti utilizzando LLM
• AI + No-Code La combo virale che ridefinisce l’innovazione degli sviluppatori

Finché ci sarà la prossima Variabile,

Gli editor di TDS