Le competenze che aiutano i data scientist a crescere

Skills that help data scientists grow.

Anche se sei alle prime fasi del tuo percorso di apprendimento delle scienze dei dati, probabilmente hai un’idea solida delle competenze di base di cui avrai bisogno per avere un’opportunità: alcune nozioni di statistica, una conoscenza pratica di un linguaggio di programmazione (o due), e una comprensione ragionevole di come elaborare, analizzare e visualizzare i dati, solo per citarne alcune ovvie.

Ma cosa dire delle competenze che ti aiuteranno a prosperare e crescere nella tua carriera a lungo termine? È qui che le cose spesso diventano più confuse – ed è qui che entrano in gioco i punti salienti di questa settimana. Abbiamo selezionato alcuni articoli di professionisti dei dati che condividono suggerimenti pratici basati sulle loro esperienze personali e percorsi di carriera non lineari. Potrebbero concentrarsi su domini e ruoli specifici, ma le lezioni che offrono sono applicabili a molte altre situazioni reali. Scopriamoli insieme.

• Si potrebbe sostenere con forza contro l’idea di considerare le competenze come una distinzione rigida tra “hard” e “soft”, ma è innegabile che quelle che tendiamo a categorizzare come “soft” siano tra le più essenziali per trovare successo in una carriera incentrata sui dati. Eirik Berge si è recentemente concentrato su cinque competenze cruciali – inclusa la collaborazione e la guida – e ha arricchito questi concetti con consigli concreti e freschi.
• Parlando dal punto di vista di un ingegnere del software, Naomi Kriger ha creato una mappa utile per fare presentazioni di progetti nel contesto di colloqui di lavoro. Le lezioni che troverai qui, tuttavia, saranno altrettanto utili nella tua prossima riunione trimestrale di pianificazione, nella post-mortem di un’infrastruttura di machine learning o in qualsiasi altra occasione in cui raccontare una storia chiara e convincente sia fondamentale.

• La nuova collaboratrice di TDS, Fiona Victoria, ha recentemente completato il difficile processo di candidatura ai programmi di dottorato in intelligenza artificiale e ha scritto sugli (molti) diversi fattori da considerare e i passi da compiere lungo il percorso. Anche se la scuola di specializzazione non fa parte dei tuoi piani, l’approccio ponderato di Fiona potrebbe aiutarti a gestire lo stress dell’incertezza – un elemento presente in molte altre decisioni legate alla carriera.
• “Se aspiri a diventare un data scientist, potrebbe sorprenderti sapere che il rischio di esaurimento non scompare mai del tutto”, avverte Matt Chapman – e questo vale soprattutto per le persone che si stanno trasferendo nel campo da un ruolo diverso. I consigli di Matt per costruire una carriera sostenibile a lungo termine si concentrano sulla migliore prioritizzazione e sul riposo, di cui la maggior parte di noi potrebbe beneficiare indipendentemente dalla fase della carriera in cui si trova.

Se sei arrivato fin qui, complimenti: le tue eccellenti capacità di gestione del tempo ti permettono chiaramente di continuare a leggere – cosa che speriamo farai, perché i nostri altri punti salienti settimanali sono troppo buoni per essere persi:

• Il saggio di Conor O’Sullivan sui rischi che gli strumenti di intelligenza artificiale pongono ai membri della comunità trans affronta una questione urgente e attuale e richiede maggiore consapevolezza e volontà di agire da parte di tutti i professionisti dei dati e degli esperti di machine learning.
• Come affronti le anomalie nei tuoi dati? La nuova guida accessibile di Mariya Mansurova sull’analisi delle cause alla radice risponde in modo dettagliato a questa domanda.
• Scopri le tecniche emergenti per sviluppare un’intelligenza artificiale sostenibile seguendo l’utile panoramica di Federico Peccia su recenti lavori in questo campo sempre più importante.
• Per una prospettiva fresca sui sistemi di raccomandazione che riescono a trattenere gli utenti, leggi la spiegazione approfondita di Christabelle Pabalan sui concetti di novità e serendipità.
• La presentazione di Elena Samuylova sulla rilevazione degli scostamenti propone cinque metodi per misurare gli scostamenti nelle rappresentazioni di machine learning.
• MusicGen, un nuovo modello di generazione musicale, può prendere una melodia di riferimento e creare nuovi temi basati su di essa. Max Hilsdorf testa le capacità del modello e riflette sui suoi potenziali effetti sul processo creativo dei musicisti.

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

• GPT e Psicologia Umana
• Come diventare Data Scientist di Amazon nel 2023?
• Come aiuta l’IA nella generazione di lead?

Fino alla prossima Variabile,

Gli editor di TDS