Come non essere uno scienziato di scarsa qualità

Non essere uno scienziato di scarsa qualità

Come diventare un grande Data Scientist e non uno sprecone: Suggerimenti e trucchi per iniziare il viaggio dei dati nel modo giusto

“Come posso diventare un Data Scientist in una settimana?”

“Esiste un contenuto in capsula per imparare AI ML in soli un giorno?”

“Qualsiasi Moocs per imparare l’analisi durante la notte per guadagnare sei cifre la settimana prossima?”

Queste sono le domande più comuni che ricevo ogni giorno dai social media da molti appassionati di AI e Analytics.

• Apprendimento auto-supervisionato e Transformers? – Spiegazione del paper DINO
• Questa newsletter sull’IA è tutto ciò di cui hai bisogno #58
• ChatGPT e l’Ingegneria avanzata dei prompt Guidare l’evoluzione dell’IA

Ogni giorno vengono lanciati tonnellate di newsletter, MOOC e corsi da parte di influencer non AI/ML per ingannare gli apprendisti mostrando sogni ridicoli e iniettando molte immaginazioni e pratiche senza valore.

Ho visto tonnellate di persone che di recente sono diventate DS o ragazzi AI che non trovano lavoro con salari minimi, che possono aiutarli anche a sopravvivere dopo la fine dei loro corsi universitari DS o delle capsule Moocs degli influencer.

Capire perché?

Googling: “Che cos’è la Data Science?”

Sì, fare ricerche su Google è molto importante, anche prima di iniziare qualcosa completamente.

Non importa quale argomento stai per imparare. Gli apprendisti devono allineare 3 cose prima di iniziare il loro percorso di apprendimento:

1. Se lo sfondo dell’apprendista è lo stesso o diverso.
2. Capire i prerequisiti degli argomenti prima di immergersi.
3. Come applicare dopo aver acquisito le conoscenze nel mondo reale?

Avere un’idea chiara sull’argomento prima di iniziare ad imparare aumenta il successo dell’apprendimento.

Non importa se cerchi su Google o chiedi a Bard o Chatgpt. Utilizzando questi strumenti, puoi guidare il tuo percorso di apprendimento.

Questo si applica facilmente a qualsiasi argomento.

Sapere perché?

Questa filosofia è molto essenziale e seguita principalmente da ogni esperto di successo in ogni campo del mondo.

Se stai per iniziare la tua carriera nel campo della Data Science o stai pianificando di passare da un altro settore a questo campo, dovresti avere una chiara ragione per iniziare, non solo acquistare un paio di corsi o unirti a corsi di formazione.

Un paio dei miei amici ed ex colleghi si sono trasferiti in questo campo da diverse aree di competenza. Ma non sono diventati Data Scientist; né volevano diventarlo. Hanno imparato l’analisi come uno strumento che serve i loro scopi individuali.

Gli strumenti sono solo strumenti:

Imparare Python o R o qualsiasi altro linguaggio o strumento di ML non ti farà diventare un data scientist. Sono solo strumenti utilizzati dai praticanti di ML per risolvere i problemi aziendali che devono essere consegnati al cliente o potrebbero essere per ricerche personali.

Dopodomani potrebbe arrivare uno strumento e sostituirli come un gioco da ragazzi. Ma questo non cambierà la forma dell’Analisi. Cambieranno lo stack tecnologico del problema che risolverai in seguito; non la tua soluzione.

Selezione di dominio e creazione di una roadmap

Scegliere il dominio specifico e creare una roadmap in quello?

Se sei un ingegnere aerospaziale e stai imparando Data Science e tecniche AI. Puoi concentrarti su che tipo di attrezzatura affronti ogni giorno, e poi puoi imparare solo quella parte della Data Science.

Supponiamo che tu stia imparando DS per applicarlo in un sistema di generazione di energia a turbina. Semplicemente impara bene il dominio in cui l’AI può aggiungere valore e poi impara solo gli strumenti e le tecniche pertinenti per risolverli. Ad esempio, stai cercando di rilevare i difetti in anticipo nella turbina e prevedere la generazione di energia. Allora, devi imparare le tecniche di serie temporali e i dettagli dei dati dei sensori e gli algoritmi di previsione e rilevamento delle anomalie dedicati. Potresti non aver bisogno di dedicare tempo all’NLP in quel momento.

“Non hai bisogno di imparare tutto. Mai!”

Tendenza da Non-IT a IT:

Non dovrai passare al settore IT dopo aver imparato DS o AI. Puoi applicare questa conoscenza in qualsiasi campo.

Dopo aver selezionato il dominio in cui applicare e aver selezionato gli strumenti e le tecniche da apprendere, sarà più facile creare una roadmap completa e solida.

Oggi vediamo tutti scegliere di entrare nel settore IT per guadagnare cifre a sei zeri alla fine del mese. Ma questo è semplicemente un inganno per spremere il portafoglio degli studenti da parte di aziende ed individui di Ed-etch.

Puoi sempre guadagnare più di 6 cifre se riesci davvero a risolvere situazioni reali con un semplice martello.

Nessuna esagerazione:

Se tutti stanno imparando LLM e Chatgpt e facendo milioni durante la notte utilizzando la cosiddetta “Prompt engineering” intorno a te, non devi essere reattivo e unirti a loro. Queste sono solo tendenze rumorose ed esagerate.

Ti ritroverai solo con l’esagerazione, che difficilmente ti aiuterà a risolvere casi aziendali in tempo reale durante il tuo lavoro.

Scarta ogni tipo di esagerazione durante il tuo percorso di apprendimento.

Finora, puoi imparare da questo “vecchio oro”: Link

Consulenza:

Consulta esperti che lavorano nel settore da tempo, anziché influencer sui social media. Molti influencer dei social media hanno creato corsi di AI e DS e li stanno vendendo e guadagnando milioni. D’altra parte, gli studenti stanno svuotando le proprie tasche senza ottenere risultati.

Trova qualcuno che abbia esperienza in questo settore e abbia contribuito a molti progetti con la propria competenza (evidenza datata sia su GitHub, LinkedIn o qualsiasi altra piattaforma). Consultalo sulla strategia di apprendimento e su ciò che stai cercando di raggiungere, anche se stai imparando da contenuti open source. Va bene.

Apprendimento in modo convenzionale:

Il modo migliore per farlo è imparare la tecnica dei 3 passi.

1. Apprendere Statistica e ML: teoria completa con concetti dettagliati

2. Apprendere gli strumenti necessari (ad esempio – Python, Rapidminer, Julia, ecc.)

3. Rappresentazione dell’apprendimento: dopo aver sviluppato una strategia completa di AI e ML, come la rappresenterai agli stakeholder aziendali, ai partner, ai colleghi e al tuo capo?

La rappresentazione del tuo lavoro in Data Science è molto importante. Costruire modelli fantastici che non possono essere compresi dagli stakeholder o dai consumatori porta solo a un disastro.

Suggerisco sempre di imparare in modo convenzionale. Invece di cercare di imparare da influencer di TikTok o Instagram che fanno vlog di marketing giornalieri.

Imparare 20 argomenti in 20 minuti è solo spazzatura.

Non esitare a collegarti con me su Linkedin, VoAGI e Topmate.