"Standardowa edukacja zapewni Ci przeżycie. Samokształcenie - fortunę".   Jim Rohn

"Jeśli trwacie w nauce mojej, jesteście prawdziwie moimi uczniami i POZNACIE PRAWDĘ ,A PRAWDA WAS WYZWOLI"    - Jezus z Nazaretu


Kariera w Data Science (IX)


Decydowanie o jaką pracę się ubiegać

Do tej pory powinieneś mieć listę co najmniej tuzina prac, którymi jesteś zainteresowany i które mogą być odpowiednie. Czy aplikujesz na wszystkie od razu? Cóż, niektórzy ludzie ubiegają się o dziesiątki, a nawet setki miejsc pracy. Próbują wykorzystać szanse, dochodząc do wniosku, że jeśli istnieje 10% szans na otrzymanie odpowiedzi na daną pracę, aplikowanie do jak największej liczby firm da im najwięcej odpowiedzi. Działają jednak zgodnie z błędem: jeśli masz skończoną ilość energii i czasu, rozłożenie jej na 100 aplikacji zamiast 10 sprawia, że każda z nich jest słabsza. W części 6 mówimy o tym, jak dostosować swoje aplikacje do każdego stanowiska, ale jest to możliwe tylko wtedy, gdy wybierasz, gdzie aplikujesz. W przypadku 50 firm jest to prawie niemożliwe.

R AND PYTHON: Czy powinieneś aplikować o pracę, jeśli firma prosi o Pythona i znasz R, czy odwrotnie? Chociaż znajomość jednego języka z pewnością ułatwia naukę drugiego, już podczas swojej pierwszej pracy naukowca danych wiele się nauczysz: praca z interesariuszami, polityka wewnętrzna, statystyki, zbiory danych i tak dalej. Nawet jeśli mógłbyś dostać tę pracę, nauka nowego języka może być trudna. Dlatego generalnie zalecamy aplikowanie tylko na stanowiska, w których używany jest Twój główny język. Jeśli znajomość jednego z tych języków jest plusem, ale drugi nie jest wymagany, prawdopodobnie chcesz być ostrożny; ten opis stanowiska może oznaczać, że w rzeczywistości nie będziesz kodować. Wreszcie, w niektórych pracach wymagane są oba języki. Ty też chcesz być tutaj trochę ostrożny; zwykle ten wymóg oznacza, że ludzie używają jednego z języków, a nie, że wszyscy znają oba, co może utrudniać współpracę. Ten rodzaj pracy może się udać, ale pamiętaj, aby podczas rozmowy kwalifikacyjnej zapytać, jaki jest podział na języki. Gdybyś był jedną z zaledwie dwóch osób korzystających z Pythona w 20-osobowym zespole, doskonalenie umiejętności programistycznych będzie trudne.

Będziesz chciał wrócić do tego, czego nauczyłeś się o rodzajach firm zajmujących się nauką danych i pracy z nauką danych. Czy chcesz wypróbować wszystkie różne części nauki o danych, dostrajając system rekomendacji w jednym miesiącu i tworząc model wartości od początku istnienia w następnym? Jeśli tak, prawdopodobnie będziesz chciał pracować dla firmy, która niedawno zaczęła zajmować się analizą danych, ponieważ bardziej dojrzałe firmy będą pełnić wyspecjalizowane role. Z drugiej strony duże firmy technologiczne mają również legiony inżynierów danych, więc pozyskiwanie rutynowych danych jest szybkie i łatwe. Niektóre z tego będą oczywiste na podstawie podstawowych faktów dotyczących firmy; Na przykład 10-osobowy startup nie będzie miał dojrzałego systemu data science. Ale jak możesz dowiedzieć się więcej? Najpierw sprawdź, czy firma prowadzi blog poświęcony nauce danych. Zazwyczaj tylko firmy technologiczne prowadzą tego typu blogi, ale czytanie tych postów jest nieocenione, aby dowiedzieć się, jaką pracę faktycznie wykonują naukowcy zajmujący się danymi. Twoje pozytywne przemyślenia na temat konkretnych postów na blogu firmy również świetnie nadają się do umieszczenia w liście motywacyjnym dla tej firmy. Jeśli nigdy nie słyszałeś o firmie, poświęć trochę czasu na jej stronę internetową. Kiedy wiesz, czym zajmuje się firma i jak zarabia, możesz zacząć zgadywać, jakiego rodzaju pracy w zakresie analizy danych potrzebuje. Wreszcie, jeśli naprawdę interesujesz się firmą, sprawdź, czy któryś z analityków danych firmy ma bloga, na którym opowiada o swojej pracy lub wygłaszał o niej wykłady.
Czytając o firmie, pamiętaj, aby pomyśleć o tym, co jest dla Ciebie ogólnie ważne. Czy czasami ma znaczenie możliwość pracy w domu? A co z liczbą dni urlopu? Jeśli chcesz jechać na konferencje, czy firma oferuje budżet na podróż i czas wolny na uczestnictwo? Również czytanie tego, co firma mówi o sobie, może powiedzieć Ci o jej wartościach. Czy mówi o piłkarzykach, piwie w biurze i cateringowych kolacjach? Ta firma prawdopodobnie będzie pełna młodych pracowników. A może kładzie nacisk na elastyczne godziny pracy lub urlopy rodzinne? Ta firma jest bardziej przyjazna dla rodziców.


Kariera w Data Science (VIII)


Korzystanie z mediów społecznościowych

Jeśli nie mieszkasz w mieście lub w jego pobliżu, w Twojej okolicy mogą nie odbywać się żadne spotkania poświęcone badaniom danych. W tym przypadku Twitter i LinkedIn to świetne miejsca do rozpoczęcia budowania sieci. Obserwując kilku znanych naukowców zajmujących się danymi, często znajdujesz więcej osób do obserwowania, ponieważ widzisz, kto jest retweetowany lub często wspominany. Możesz także zacząć wyrabiać sobie imię. Lubimy korzystać z Twittera na kilka sposobów:

•  Udostępnianie pracy - Kiedy napiszesz świetny post na blogu, chcesz, aby ludzie go zobaczyli! To całkowicie normalne, aby promować się poprzez linkowanie do swojej pracy za pomocą krótkiego opisu.
•  Udostępnianie pracy innych osób - Czy przeczytałeś coś świetnego? Czy post zaoszczędził Ci godzin frustracji? Widziałeś slajd w przemówieniu, który był szczególnie pomocny? Jeśli tak, pomóż innym osiągnąć oświecenie. W części 6 omawiamy jeden z najlepszych sposobów na dotarcie do kogoś: wspomnij, jakie korzyści odniosłeś z jego pracy. Oznaczenie twórcy w swoim poście to świetny sposób na dotarcie do niego w pozytywny sposób. Jeśli dzielisz się wykładem, sprawdź, czy konferencja lub spotkanie ma hashtag; używanie tego hashtagu w tweecie to świetny sposób na zwiększenie jego widoczności.
•  Prośba o pomoc - Czy utknąłeś na problemie, którego Ty (i Google) nie potrafiliście rozwiązać? Jest prawdopodobne, że ktoś inny zetknął się z tym samym problemem. W zależności od rodzaju problemu mogą istnieć określone fora lub strony internetowe, na których możesz zadawać pytania, lub możesz przeprowadzić ogólną rozmowę, używając odpowiedniego hashtagu.
•  Udostępnianie wskazówek - Nie wszystko daje gwarancję napisania posta na blogu, ale jeśli masz krótką wskazówkę, udostępnij ją. Temat może wydawać się czymś, co "każdy" zna, ale pamiętaj: ludzie, którzy dopiero zaczynają, nie wiedzą wszystkiego. Nawet ludzie, którzy od lat używają określonego języka, mogą nie wiedzieć o nowym sposobie robienia czegoś.

Jeśli możesz upublicznić swoje poszukiwanie pracy, możesz również opublikować w mediach społecznościowych, których szukasz, i zapytać, czy ktoś ma jakieś tropy. Nawet jeśli nie masz jeszcze silnej sieci do nauki danych, możesz mieć przyjaciół, byłych kolegów z klasy i kolegów, którzy mogą wiedzieć o stanowiskach w ich firmach. Takie podejście ogólnie działa lepiej na platformach mediów społecznościowych, w których gromadzą się osoby związane z nauką o danych, takich jak LinkedIn czy Twitter, ale nawet sieci społecznościowe, takie jak Facebook, mogą mieć powiązania z możliwościami. Na początku kariery często czujesz, że nie masz jeszcze sieci kontaktów; sieci wydają się być utrzymywane przez ludzi, którzy już mają pracę w dziedzinie analityki danych! Rozwiązaniem jest nawiązywanie kontaktów nie tylko wtedy, gdy szukasz pracy, ale także na długo przed tym. Im więcej możesz wyjść ze swojej strefy komfortu i rozmawiać z ludźmi wokół ciebie na konferencjach, spotkaniach, instytucjach akademickich, grillach itp., tym lepiej będziesz przygotowany następnym razem, gdy będziesz szukać pracy.

Utrzymywanie pełnego potoku

Częstym błędem w poszukiwaniu pracy jest wiązanie nadziei z jedną szansą i rezygnacja z aplikowania i rozmów kwalifikacyjnych gdzie indziej. Ale co się stanie, jeśli ta okazja się nie powiedzie? Nie chcesz ponownie rozpoczynać procesu poszukiwania pracy od zera. Chcesz mieć wiele możliwości na każdym etapie: wysłane aplikacje, ekrany zasobów ludzkich, studia przypadków do domu i rozmowy kwalifikacyjne. Nie uważaj, że proces się skończył, dopóki nie zaakceptujesz oferty na piśmie. Posiadanie wielu możliwości pomaga również radzić sobie z odrzuceniem. Odrzucenie jest prawie nieuniknione, gdy szukasz pracy i trudno nie brać tego do siebie lub jako wyznacznika swojej wartości. W niektórych przypadkach możesz nawet nie otrzymać powiadomienia o odrzuceniu; po prostu nigdy nie otrzymujesz odpowiedzi od firmy. Ale wiele powodów, dla których mogłeś nie dostać tej pracy, jest poza twoją kontrolą. Firma mogła zamknąć stanowisko bez zatrudniania nikogo, poszła z wewnętrznym kandydatem lub zaakceptowała kogoś, gdy jeszcze byłeś na wczesnym etapie procesu. Odrzucenie boli, zwłaszcza ze strony firmy, którą naprawdę byłeś podekscytowany, i powinieneś poświęcić trochę czasu na przetworzenie swoich uczuć. Ale posiadanie innych opcji pomoże ci utrzymać motywację i robić postępy. Wreszcie, posiadanie wielu potencjalnych opcji ułatwia odrzucenie pracy. Może przeszedłeś przez ekran HR i studium przypadku tylko po to, by stwierdzić, że w pobliżu nie ma inżynierów danych; zespół data science to tylko kilka osób, mimo że firma jest duża; lub to, czego szuka firma, bardzo różni się od tego, co reklamowała. Chociaż nie powinieneś czekać na idealną rolę analityka danych (ponieważ coś takiego nie istnieje), prawdopodobnie masz kilka niepodlegających negocjacjom wymagań i znacznie łatwiej jest się ich trzymać, jeśli widzisz, że można je spełnić w innych zawodach .


Kariera w Data Science (VII)


Udział w spotkaniach

Chociaż tablice ogłoszeń są powszechnym sposobem na znalezienie wolnych stanowisk, zazwyczaj nie są to najskuteczniejsze miejsca do aplikowania. Jak omówimy w części 6, przesyłanie aplikacji na zimno przez Internet często ma bardzo niski wskaźnik odpowiedzi. Według ankiety przeprowadzonej przez Kaggle w 2017 roku, dwa najczęstsze sposoby, w jaki ludzie, którzy są już zatrudnieni jako naukowcy zajmujący się danymi, szukają i otrzymują pracę, są rekruterzy i przyjaciele, członkowie rodziny i współpracownicy. Świetnym sposobem na zbudowanie tej sieci jest chodzenie na spotkania. Spotkania są zazwyczaj spotkaniami osobistymi, które odbywają się wieczorami w dni powszednie. Zwykle jest prelegent, panel lub seria prelegentów prezentujących temat, który jest związany z wydarzeniem. Zjazdy powinny być bezpłatne lub mieć tylko symboliczną opłatę, która czasami idzie na jedzenie. Niektóre spotkania mogą mieć tylko 20 osób; inni mogą wypełnić pokój 300. Niektórzy mają spotkania co miesiąc; inni spotykają się tylko kilka razy w roku. Niektórzy zachęcają członków do pozostania w przestrzeni, aby porozmawiać lub spotkać się w pobliskim barze; inni skupiają się na samej rozmowie. Niektóre mają bardzo konkretne cele, takie jak zaawansowane przetwarzanie języka naturalnego w Pythonie; inni mogą zaoferować wprowadzenie do szeregów czasowych w jednym miesiącu i zaawansowane modele głębokiego uczenia się w następnym. Warto wypróbować kilka spotkań, aby zobaczyć, co lubisz najbardziej. Temat jest ważny, ale chcesz znaleźć miejsce, w którym poczujesz się mile widziany i będziesz miał przyjemność rozmawiać z innymi uczestnikami. Wiele spotkań poświęconych naukom o danych ma na początku czas, aby ludzie mogli ogłosić, czy zatrudniają. Podejdź i porozmawiaj z tymi ludźmi; rekrutacja jest częścią ich pracy i nawet jeśli ich obecne oferty nie są odpowiednie, mogą być w stanie udzielić ci dobrych rad lub zasugerować inne miejsca do szukania. Możesz także spotkać innego uczestnika, który pracuje w firmie lub branży, którą jesteś zainteresowany. Możesz zapytać, czy ma czas na wywiad informacyjny, abyś mógł dowiedzieć się więcej o tej dziedzinie. Wywiad informacyjny nie jest (a raczej nie powinien być) pasywno-agresywnym sposobem poszukiwania referencji; zamiast tego jest to świetny sposób na zajrzenie do wnętrza firmy i uzyskanie porady od kogoś, kto pracuje w terenie. Chociaż w części 6 mówimy o korzyściach płynących z bycia skierowanym do pracy, nie zalecamy proszenia osób, które właśnie poznałeś, aby Cię skierowały. To mocna prośba dla kogoś, kogo nie zna, i nikt nie lubi czuć, że jest wykorzystywany. Jeśli ktoś powie Ci o otwarciu w swojej firmie i powie, że może Cię polecić, to świetny bonus, ale wiele zyskasz przeprowadzając wywiady informacyjne, nawet jeśli tego nie zrobi. Uczestnictwo w spotkaniach jest również świetne z innych powodów. Po pierwsze, pozwalają znaleźć podobnie myślących ludzi, którzy są lokalni. Jeśli przeprowadziłeś się do nowego miasta lub właśnie ukończyłeś studia, możesz czuć się obco w swoim mieście. Chodzenie na spotkania to świetna szansa na rozwój kariery i zbudowanie kręgu towarzyskiego. Możesz skorzystać ze spotkań, aby nawiązać kontakty lub nawiązać kontakty, które mogą Ci pomóc we wszystkim, od konkretnych pytań z zakresu analizy danych po zalecenia dotyczące poszukiwania pracy lub ogólny mentoring. Ponadto, podczas gdy niektóre spotkania publikują nagrania swoich przemówień online, inne nie, więc osobiste uczestnictwo jest jedynym sposobem, aby usłyszeć tę przemowę. Niestety spotkania mogą mieć kilka wad. Dołączenie do spotkania kilku osób, z których wszystkie mają doświadczenie i/lub znają się nawzajem, może być zniechęcające. Syndrom oszusta z pewnością może się wkraść, ale powinieneś z nim walczyć, ponieważ jest niewiele bardziej przyjaznych miejsc niż dobre spotkanie. Wreszcie, chociaż spotkania oferują świetną okazję do zobaczenia lokalnej sceny data science, mogą być odosobnione lub pozbawione różnorodności, w zależności od tego, jak gościnni są organizatorzy i jak dane spotkanie jest powiązane ze zróżnicowaną społecznością.


Kariera w Data Science (VI)


Ustalanie swoich oczekiwań

Chociaż powinieneś mieć standardy dotyczące potencjalnej pracy, nie chcesz wymagać perfekcji. Aspirujący naukowcy zajmujący się danymi czasami widzą, jak ich ścieżka jest podzielona w ten sposób: "Kroki 1-98: Naucz się Pythona, R, głębokie uczenie, statystyki Bayesa, przetwarzanie w chmurze, testy A/B, D3. Krok 99: Zdobądź pracę naukową o danych. Krok 100: Zysk". Ten przykład jest przesadą, ale częścią szumu wokół nauki o danych jest idealizacja tego, jak wygląda praca w terenie. W końcu analityk danych to "najlepsza praca w Ameryce", z sześciocyfrową pensją i wysoką satysfakcją z pracy. Możesz sobie wyobrazić spędzanie każdego dnia na najciekawszych problemach w terenie z najmądrzejszymi kolegami. Potrzebne dane będą zawsze dostępne i oczyszczone, a wszelkie problemy, z którymi się zmierzysz, zostaną natychmiast rozwiązane przez zespół inżynierów. Twoja praca będzie dokładnie taka, jak opisano i nigdy nie będziesz musiał wykonywać tych części analizy danych, które Cię najmniej interesują. Niestety ten scenariusz to fantazja. Tak jak mamy nadzieję, że część 1 przekonała Cię, że nie musisz wiedzieć wszystkiego przed wyruszeniem w teren, firmy również nie będą idealnymi jednorożcami. Jest powód, dla którego ta książka nie kończy się na tym, że dostaniesz pracę naukową o danych. Chociaż zostanie naukowcem zajmującym się danymi jest wspaniałym osiągnięciem i powinieneś być dumny, nauka o danych to dziedzina, w której zawsze będziesz się uczyć. Modele zawiodą, polityka w miejscu pracy zlikwiduje pracę, którą wykonywałeś przez ostatni miesiąc, lub spędzisz tygodnie pracując z inżynierami i menedżerami produktu, aby zebrać potrzebne dane. Szczególnie łatwo jest idealizować firmy, które są dobrze znane, ogólnie lub w dziedzinie nauki o danych. Może poszedłeś na rozmowę, a jeden z pracowników firmy cię zdmuchnął. Może śledzisz blog tej osoby od miesięcy i wiesz, że jest w czołówce. Może czytałeś artykuł mówiący, że firma ma kapsuły na drzemki, wykwintne posiłki i wiele przyjaznych psów biurowych. Ale cokolwiek cię przyciągnęło, prawdopodobnie zainteresowało również innych aspirujących naukowców zajmujących się danymi; większość z tych firm otrzymuje setki aplikacji na wolne stanowisko i może ustawić poprzeczkę wyżej niż jest to potrzebne do wykonania pracy. W każdym razie praca, o której czytasz, może należeć do zupełnie innego podziału, a otwarta pozycja w rzeczywistości może być nieciekawa. Nawet przy realistycznych oczekiwaniach prawdopodobnie nie skończysz w swojej wymarzonej pracy w swojej pierwszej roli związanej z analityką danych. Łatwiej jest przejść w swojej dziedzinie lub wprowadzić naukę o danych do swojej obecnej roli; nawet jeśli chcesz w końcu opuścić swoją domenę, być może będziesz musiał zacząć od przejścia do pozycji, w której możesz wykorzystać swoje inne umiejętności. To nie znaczy, że nie powinieneś mieć pewnych wymagań i preferencji, ale będziesz chciał mieć pewną elastyczność. Zmiana pracy w branży technicznej nawet po roku lub dwóch jest bardzo normalna, więc nie zapisujesz się na kolejne 15 lat. Ale nie możesz dokładnie wiedzieć, czego chcesz, zanim jeszcze będziesz w terenie, a nauczysz się nawet ze złych prac, więc nie stresuj się zbytnio.


Kariera w Data Science (V)


Oczekiwanie na czerwone flagi

Znalezienie pracy to droga dwukierunkowa. Podczas tego procesu możesz czuć, że firmy mają całą władzę i że musisz udowodnić, że na to zasługujesz. Ale ty - tak, ty - możesz też być selektywny. Skończenie w toksycznym miejscu pracy lub nudnej pracy to naprawdę trudna sytuacja. Chociaż nie zawsze będziesz w stanie stwierdzić, czy tak będzie, tylko na podstawie opisu stanowiska, możesz uważać na kilka znaków ostrzegawczych:

•  Brak opisu-Pierwszy znak ostrzegawczy to brak opisu firmy lub samego stanowiska - tylko lista wymagań. Te organizacje zapomniały, że zatrudnianie jest procesem dwustronnym i nie myślą o tobie. Lub mogą kupować w szumie związanym z nauką o danych i po prostu chcą mieć naukowców zajmujących się danymi bez ustawiania wszystkiego, aby mogli wydajnie pracować.
•  Rozległe, szerokie wymagania - Drugim znakiem ostrzegawczym jest wspomniany wyżej opis jednorożca. Nawet jeśli ten przykład jest ekstremalny, powinieneś uważać na każdy opis stanowiska, który opisuje dwa lub trzy rodzaje pracy (nauka decyzyjna, analityka i uczenie maszynowe) jako podstawowe obowiązki. Chociaż normalne jest oczekiwanie posiadania podstawowych kompetencji w każdej roli, żadna osoba nie będzie w stanie obsadzić wszystkich tych ról na poziomie eksperckim. Nawet gdyby ktoś mógł, nie miałby czasu na wszystko.
•  Niezgodności - na koniec poszukaj niezgodności między wymaganiami a opisem stanowiska. Czy pracodawca prosi o doświadczenie w głębokim uczeniu się, ale funkcje zawodowe tworzą pulpity nawigacyjne, komunikują się z interesariuszami i przeprowadzają eksperymenty? Jeśli tak, firma może po prostu chcieć kogoś, kto potrafi korzystać z najgorętszego narzędzia lub kto jest "prestiżowym" naukowcem zajmującym się danymi z doktoratem w dziedzinie sztucznej inteligencji, podczas gdy w rzeczywistości nie może korzystać z tej specjalistycznej wiedzy.


Kariera w Data Science (IV)


Dekodowanie opisów

Kiedy zaczynasz czytać opisy stanowisk, ogłoszenia o pracy z zakresu analityki danych mogą wydawać się należeć do jednej z dwóch kategorii:

•  Stanowisko analityka business intelligence - na tym stanowisku będziesz korzystać z narzędzi Business Intelligence, takich jak Excel i Tableau, może z odrobiną SQL, ale generalnie nie będziesz kodować. Jeśli chcesz rozwinąć swoje umiejętności kodowania, zestaw narzędzi do uczenia maszynowego lub wiedzę z zakresu statystyki i inżynierii danych, te zadania nie są dobrym rozwiązaniem.
Jednorożec - na drugim końcu skrajności znajduje się oferta pracy z prośbą o osobę z doktoratem w dziedzinie informatyki, która również pracowała jako naukowiec od ponad pięciu lat; jest ekspertem w zakresie najnowocześniejszych statystyk, głębokiego uczenia się i komunikacji z partnerami biznesowymi; i ma doświadczenie w szerokim zakresie obowiązków, od uczenia maszynowego na poziomie produkcyjnym, przez tworzenie pulpitów nawigacyjnych, po przeprowadzanie testów A/B. Tego rodzaju opisy stanowisk zwykle oznaczają, że firma nie wie, czego szuka, i oczekuje od analityka danych rozwiązania wszystkich problemów bez żadnego wsparcia.

Nie martw się jednak: obiecujemy, że jest więcej niż te dwa rodzaje pracy. Lepszym sposobem myślenia o tych zawodach jest doświadczenie. Czy firma szuka kogoś, kto zbuduje własny dział i nie ma infrastruktury potoku danych? A może szuka piątego członka do swojego obecnie wydajnego zespołu ds. analizy danych, mając nadzieję, że ta nowa osoba wniesie natychmiastowy wkład, ale nie oczekując, że będzie ekspertem w zakresie manipulacji danymi, komunikacji biznesowej i tworzenia oprogramowania wszystko w tym samym czasie? Aby to zrobić, musisz sporządzić opis stanowiska i dowiedzieć się, czego faktycznie szuka pracodawca. Załóżmy, że patrzysz na listę kotadoptacji i że kot Melon Honeydew jest opisany jako "lubiący pytać o Twój dzień". Musisz zdać sobie sprawę, że ten opis w rzeczywistości oznacza, że nieustannie miauczy, by zwrócić na siebie uwagę, co może być szkodliwe dla twojego domu.
W opisach stanowisk niektóre znane wyrażenia, na które należy zwrócić uwagę, to "Pracuj ciężko i baw się ciężko", co oznacza, że będziesz musiał pracować przez wiele godzin i będziesz musiał uczestniczyć w nieformalnych wydarzeniach firmowych (takich jak chodzenie do barów) oraz "Samo początkujący i niezależny", co oznacza, że nie otrzymasz dużego wsparcia. Wiedząc, jak czytać między wierszami, możesz mieć pewność, że ubiegasz się o właściwą pracę. Pierwszą rzeczą, o której należy pamiętać, jest to, że opisy stanowisk są zazwyczaj listami życzeń z pewną elastycznością. Jeśli spełniasz 60 procent wymagań (być może brakuje Ci roku wymaganego doświadczenia zawodowego lub nie pracowałeś z jednym elementem stosu technologicznego firmy), ale poza tym dobrze pasujesz, nadal powinieneś ubiegać się o pracę. Zdecydowanie nie przejmuj się zbytnio plusami lub "miło mieć". Dodatkowo wymóg wieloletniego doświadczenia zawodowego jest tylko pełnomocnikiem niezbędnych umiejętności; jeśli programowałeś na studiach, to doświadczenie mogłoby się liczyć. Biorąc to pod uwagę, ubieganie się o stanowisko starszego analityka danych, który wymaga pięcioletniego doświadczenia zawodowego jako analityk danych, biegłości w Spark i Hadoop oraz doświadczenia we wdrażaniu modeli uczenia maszynowego w środowisku produkcyjnym, prawdopodobnie nie jest najlepszym sposobem wykorzystania czasu, jeśli jesteś początkującym naukowcem zajmującym się danymi, wywodzącym się z marketingu; firma poszukuje innego poziomu doświadczenia i kwalifikacji.

WYMAGANIA DOTYCZĄCE STOPNIA: Wiele stanowisk naukowców zajmujących się danymi podaje stopień w "dyscyplinie ilościowej" (dziedziny takie jak statystyka, inżynieria, informatyka lub ekonomia) jako wymóg. Jeśli nie masz jednego z tych stopni, czy nadal możesz ubiegać się o te prace? Generalnie tak. Omówimy ten temat szerzej w części 6, ale jeśli uczęszczałeś na zajęcia z tych dziedzin (w tym na bootcampie lub online), możesz podkreślić tę edukację. Jeśli zastosowałeś się do rady z części 4, budując portfolio i pisząc posty na blogu, możesz pokazać te projekty pracodawcom jako dowód, że możesz wykonać pracę.

Jedną z komplikacji w postach dotyczących nauki danych jest to, że różne słowa mogą oznaczać to samo. Uczenie maszynowe i statystyki są z tego powodu niesławne. Jedna firma może poprosić o doświadczenie w regresji lub klasyfikacji, a inna o doświadczenie w nadzorowanym uczeniu się, ale ogólnie rzecz biorąc, terminy te są równoważne. To samo dotyczy testów A/B, eksperymentów online i randomizowanych prób kontrolnych. Jeśli nie znasz jakiegoś terminu, wygoogluj go; może się okazać, że wykonałeś pracę pod inną nazwą! Jeśli nie pracowałeś z konkretną technologią, o której mowa w poście, sprawdź, czy zrobiłeś coś podobnego. Jeśli na liście wymienia się na przykład Amazon Web Services (AWS), a Ty pracowałeś z Microsoft Azure lub Google Cloud, masz umiejętność pracy z usługami przetwarzania w chmurze. Inną korzyścią płynącą z umiejętności dekodowania opisu stanowiska pracy jest możliwość wykrywania czerwonych flag . Żadna firma nie powie wprost, że źle się w niej pracuje. Im wcześniej rozpoznasz prawdopodobnie złą sytuację w pracy, tym lepiej, więc będziesz chciał zacząć szukać wszelkich znaków ostrzegawczych w opisie stanowiska.


Kariera w Data Science (III)


Znajdowanie pracy

Zanim zaczniesz martwić się o stworzenie "idealnego" CV i listu motywacyjnego, musisz wiedzieć, gdzie je wysłać! Tablice pracy, takie jak LinkedIn, Indeed i Glassdoor, to dobre miejsca do rozpoczęcia wyszukiwania. Warto zajrzeć na więcej niż jedną stronę, ponieważ nie wszystkie firmy będą publikować na każdej z nich. Jeśli należysz do niedostatecznie reprezentowanej grupy w branży technologicznej, powinieneś również poszukać witryn z ofertami pracy, które są skierowane specjalnie do Ciebie,. Rodzaj pracy, o którą się ubiegasz, może również wpływać na to, gdzie szukasz; na przykład istnieją tablice ogłoszeń dla określonych rodzajów firm, takich jak start-upy (AngelList) i technologie (Dice). Upewnij się, że przeglądasz szeroko. Zadania związane z nauką danych mają wiele nazw innych niż naukowiec danych. Różne firmy używają różnych nazw dla podobnych ról, a niektóre nawet zmieniają znaczenie swoich tytułów, więc wszyscy ludzie, którzy w jednym roku byli analitykami danych, w następnym mogą być analitykami danych, bez zmiany odpowiedzialności! Oto kilka przykładów tytułów, które możesz napotkać:

•  Analityk danych - ta pozycja jest często pozycją młodszą i może być świetnym sposobem na rozpoczęcie pracy w terenie, jeśli nie masz dyplomu z nauk ścisłych, technologii, inżynierii lub matematyki (STEM) i nie wykonałeś żadnej analizy danych dla firma wcześniej. Chcesz być wyjątkowo ostrożny na stanowisku analityka danych, aby upewnić się, że rola będzie obejmować programowanie i statystykę lub uczenie maszynowe.
•  Analityk ilościowy, produktowy, badawczy lub inny rodzaj analityka - te role są jeszcze bardziej zróżnicowane niż analitycy danych pod względem zakresu odpowiedzialności. Być może wykonujesz dokładnie ten sam rodzaj pracy, co analitycy danych w innych firmach, lub możesz spędzać dni z arkuszami kalkulacyjnymi programu Microsoft Excel.
•  Inżynier ds. uczenia maszynowego - jak sugeruje tytuł, te stanowiska koncentrują się na uczeniu maszynowym części nauki o danych i zwykle wymagają silnego przygotowania inżynierskiego. Jeśli masz dyplom z informatyki lub pracujesz jako inżynier oprogramowania, ta rola może być dla Ciebie świetna.
•  Naukowiec - te stanowiska często wymagają doktoratu, chociaż może istnieć pokój negocjacyjny, jeśli masz tytuł magistra informatyki, statystyki lub ściśle pokrewnej dziedziny.
Kiedy zaczynasz wyszukiwanie, spróbuj poszukać po prostu danych na jednej z tych tablic z ofertami pracy i spędzić godzinę na czytaniu ogłoszeń o pracę. Ta praca da Ci lepsze wyobrażenie o tym, jakie branże są reprezentowane w Twojej okolicy i jakie rodzaje stanowisk są otwarte.

Poznasz wzorce, które pozwolą Ci szybciej przeglądać nowe oferty. Znalezienie pracy, która pasuje do Ciebie, a nie wszystkich dostępnych, zawęzi pole do rozsądnej liczby. Nie przejmuj się zbytnio tytułem pracy; użyj opisu, aby ocenić dopasowanie. Zachowaj szczególną ostrożność, myśląc o szukaniu pracy jako grze liczbowej. Jeśli szukasz w dużym mieście technologicznym, takim jak Nowy Jork czy San Francisco, lub w wielu miastach, znajdziesz na liście setki ofert pracy. Sprawdzanie tablic ogłoszeniowych może szybko stać się obsesją, ponieważ jest to łatwy sposób na zwiększenie produktywności ("Przeczytałem dzisiaj 70 opisów stanowisk!"). I podobnie jak korzystanie z Twittera i Facebooka, ciągłe sprawdzanie aktualizacji może być uzależniające. Sprawdzanie częściej niż co trzy do pięciu dni zazwyczaj nie dodaje wartości. Sprawdzanie tylko raz w miesiącu może oznaczać, że przegapisz dobrą okazję, ale żadna firma nie obsadzi stanowiska (które jest faktycznie otwarte) w ciągu dwóch dni od opublikowania go na tablicy ogłoszeń. Jeśli interesują Cię konkretne firmy, zajrzyj na strony z karierami na ich stronach internetowych. Tak jak powinieneś szukać wielu stanowisk, sprawdź różne działy. Niektóre firmy mogą umieszczać analitykę danych w finansach, inżynierii lub innych działach, więc jeśli tam nie zajrzysz, nie znajdziesz ich. NOWI ABSOLWENCI Kiedy szukasz pracy, szukaj stanowisk zatytułowanych "Nowy absolwent", "Junior", "Współpracownik" i "Poziom początkowy". Zajrzyj również do swojego centrum kariery, aby uzyskać pomoc, i udaj się na dowolne targi pracy na terenie kampusu.


Kariera w Data Science (II)


Poszukiwanie: znalezienie odpowiedniej pracy dla Ciebie

Masz umiejętności i masz portfolio; brakuje Ci tylko pracy z nauką danych! Należy się jednak spodziewać, że proces poszukiwania pracy zajmie trochę czasu. Nawet udane podania o pracę zwykle trwają co najmniej miesiąc od złożenia wniosku do otrzymania oferty, a częściej kilka miesięcy. Mamy jednak nadzieję, że przedstawiając tu kilka najlepszych praktyk, proces ten będzie jak najbardziej bezbolesny. W tej części skupimy się na tym, jak szukać pracy z zakresu analityki danych. Po pierwsze, obejmujemy wszystkie miejsca, w których możesz znaleźć pracę, upewniając się, że nieświadomie nie zawęzisz swoich opcji. Następnie pokażemy Ci, jak rozszyfrować te opisy, aby dowiedzieć się, jakich umiejętności faktycznie potrzebujesz (spoiler: nie wszystkie) i jakie mogą być zadania. Na koniec pokażemy Ci, jak wybrać te, do których najlepiej pasujesz, wykorzystując wiedzę zdobytą na temat umiejętności z zakresu analizy danych i archetypów firmy w pierwszych czterech częściach.


Kariera w Data Science (I)


Znalezienie pracy w zakresie analityki danych

Teraz, gdy jesteś już przygotowany do podjęcia pracy związanej z analizą danych, nadszedł czas, aby to zrobić. Ta część obejmuje wszystko, co musisz wiedzieć, aby przeprowadzić skuteczne poszukiwanie pracy, począwszy od znalezienia wolnych stanowisk, a skończywszy na negocjacjach i przyjęciu oferty pracy. Proces poszukiwania pracy w nauce danych ma kilka wyjątkowych dziwactw ze względu na charakter tej dziedziny. Przygotujemy Cię do przeanalizowania wielu ofert pracy, które oznaczają analityka danych i to, czego firmy szukają w studium przypadku. Chociaż ta część jest szczególnie przydatna, jeśli nie miałeś wcześniej pracy związanej z analityką danych, materiał nadal może być przydatny jako przypomnienie dla młodszych i starszych naukowców zajmujących się danymi.


Wesprzyj Szkołę, kliknij w Reklamę…Dziękujemy…





[ 46 ]