データサイエンスのキャリアに転身する際に comitted した5つのミステイク

データサイエンスのキャリア転身時の5つのミステイク

私は以前のキャリアの分析的な側面に興味を持っていたため、テクノロジー管理からデータサイエンスに転身しました。IoT（モノのインターネット）をビジネスに取り入れ、さまざまな分析技術を活用してデータを収集・分析することは、過去に非常に価値がありました。私はプログラミング、統計学、さまざまなデータ用語を学び始め、データサイエンスを追求しています。

このブログでは、私が時間とエネルギーを浪費した5つのミステイクを共有します。さらに、これらのミステイクを将来避けるための提案された解決策を提供します。

• 「GANの流行 | ファッション画像生成のステップバイステップガイド」
• head()とtail()関数の説明と例、コード
• 中国の研究者が、脳損傷セグメンテーションのためのデータ拡張手法CarveMixを提案しています

1. ランダムなコースを受講すること

私はYouTubeやCourseraで無料のランダムなコースを視聴してデータサイエンスを学ぼうとしましたが、ますます混乱してしまいました。学んでいることを理解したつもりでも、自分自身で問題を解決することができませんでした。

3ヶ月後、私はより構造化されたアプローチが必要だと気付きました。それが私がDataCampのキャリアトラックを受講することを決めた理由です。このプログラムには、データサイエンスの基礎を理解するために必要なすべてのコースが含まれています。キャリアトラックには、ガイド付きのプロジェクト、インタラクティブな演習、評価テストもあり、私の分析能力に自信を持つのに役立ちました。

解決策: 基本的な概念と高度な概念の両方をカバーするさまざまなインタラクティブなコースを提供する有料のキャリアトラックに登録することを検討してください。多くの信頼性のある教育プラットフォームがこのオプションを提供しています。

2. 数学と統計を真剣に受け取らなかった

専門的な評価を維持するために、モデルの数学的な基礎を理解する必要があります。私はこのために面接やミーティング、ドキュメンテーション作成時に恥ずかしい思いをしました。私は鮮明に、ある専門家が私に勾配降下方程式について尋ねた面接を思い出しますが、私は答えを提供することができませんでした。その時私は統計学の基礎を再訪し、理解を深める必要があると気づきました。

解決策: 統計と確率のコースを受講し、機械学習モデルが数学的にどのように機能するかを理解することをお勧めします。

3. 仕事の文書化を怠っていた

数多くのプロジェクトやKaggleのコンテストに取り組んできましたが、進捗や成果を文書化することを怠っていました。1年かかって重要性に気付き、プロジェクトと経過を文書化することは、より良い仕事の機会を確保し、より強力なポートフォリオを構築するのに役立ちます。振り返ってみれば、最初から私の経験をLinkedInやVoAGIで共有すべきでした。それによって新しいつながりを作り、自分の範囲を広げ、プロフェッショナルなポートフォリオを向上させ、協力を促進することができたでしょう。

解決策: プロジェクトの要素とコードをGitHubで共有することで、プロジェクトを紹介するのが最適です。また、VoAGIでそれについてブログ記事を書き、LinkedInのデータサイエンスグループと共有することもできます。これにより、より多くの露出を得ることができます。

4. 間違った求人に応募した

過去には、データサイエンティスト、データアナリスト、またはビジネスインテリジェンスの求人に対して調査せずに応募しました。私はデータサイエンスへの移行が難なくできると信じていました。しかし、この分野には広範な知識とスキルが必要であることを過小評価していました。成功するためには、謙虚であり、自分の知識のギャップを認め、持続的な学習に取り組むことが重要です。

業界で成功するためには、標準的なプラクティスについて理解を深め、関連するスキルを獲得することが重要です。経験が不足している場合は、インターンシップを求めたり、信頼性のあるオープンソースプロジェクトに貢献したりすることを検討してください。

解決策: 必要なコースを終了したら、頑強なデータサイエンスのポートフォリオを構築することに重点を置いてください。求人の期待や要件を調査し、履歴書を強化するために新しいツールやスキルを継続的に学びましょう。すぐに求人に応募するのではなく、潜在的な雇用主が求めている条件を完全に理解することを目指しましょう。

5. 多くのコンテストに参加すること

機械学習のいくつかのトリックを発見した後、私はKaggleのコンテストに参加し始めました。vトピックについて事前知識がないままコンテストに参加することさえありました。他の人から新しいテクニックを学んでいると自分に言い聞かせましたが、実際には時間を無駄にしていただけでした。

機械学習を競技を通じて学ぶことを提唱する立場から、初心者には勝つことが難しいことを警告しておきたいと思います。私はトップ1%の中で上位に入ることが多かったものの、それは私のキャリアにはあまり重要な価値をもたらしませんでした。代わりに、実世界のプロジェクトに集中したり、インターンシップや仕事を通じて経験を積むべきでした。

解決策: 自分自身を騙さないでください。常に目標を念頭に置いてください。多くの競技会に参加することで自分自身を広げる代わりに、複雑なオープンソースプロジェクトに集中したり、VoAGIでの執筆、ポートフォリオの構築、コミュニティイベントへの参加を考えてみてください。

 

最後に

 

私は多くの間違いを犯しましたが、それらは私自身と私の立場について多くのことを教えてくれました。困難な時期を乗り越える唯一のものは、献身と明確な目標でした。他の人よりも時間がかかるかもしれませんが、私は諦めるつもりはありませんでした。

もしも desu そして、手に負えないと感じている場合は、自分に合った他の選択肢を探索することをお勧めします。誰にも落胆させないでください。試し続け、最終的にはあなたに合ったシステムを見つけ、夢の職業を達成するのに役立つでしょう。さらに、Kaggle、GitHub、DagsHub、Deepnoteなどのプラットフォームを利用して、データサイエンスのポートフォリオの構築に取り組むことが重要です。Abid Ali Awan（@1abidaliawan）は、機械学習モデルの構築が大好きな認定データサイエンティストです。現在、彼はコンテンツ作成および機械学習およびデータサイエンス技術に関する技術ブログの執筆に集中しています。Abidはテクノロジーマネジメントの修士号と通信工学の学士号を持っています。彼のビジョンは、メンタルヘルスに悩む学生のためにグラフニューラルネットワークを使用したAI製品を構築することです。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!