ビジネス学生からテック業界のデータサイエンティストへ

From business student to data scientist in the tech industry.

テック業界におけるデータサイエンティストの最初の年の記録

数学が怖くても一流のテック企業でデータサイエンティストになるまでのタイムライン

LinkedInでよくいただく質問の中でも、一つは常に際立っています：ビジネスからエンジニアリングに一夜にして転身し、データサイエンティストになるにはどうすればいいのですか？

そこで、この記事では私自身の旅について探求し、私がたどったステップ、直面したチャレンジ、そしてテック業界のデータサイエンティストになるために得た貴重な教訓を共有します。

データサイエンティストになるための具体的な方法は一つではありません。言い換えれば、すべての道はローマに通じています。ただし、私はこれが達成できる方法の一つを共有するためにここにいます。特にビジネスの学位を持ち、科学的なバックグラウンドがほとんどない人々に向けてです。

「どのように」に入る前に、「なぜ」の基礎を築く必要があります。始めからなぜを明確にしないと、あまり先に進むことはできません。

• 常に学習中 AIがデータ漏洩を防ぐ方法
• なぜディープラーニングは常に配列データ上で行われるのか？新しいAI研究は、データからファンクタまでを一つとして扱う「スペースファンクタ」を紹介しています
• 合成データのフィールドガイド

データサイエンティストになる旅は困難なものですが、確かに最も報われるものの一つでもあります。実際、データサイエンティストが今日最もクールで最も求められる仕事のリストは長く続いています。今のところ、私はリストの一番上にある理由に焦点を当てます。

なぜなのか

私に「なぜデータサイエンスを選んだのですか？」と尋ねる人々に対して、面接中でも単に好奇心からでも、私の答えはいつも同じです。私は探偵になりたかったので、データサイエンティストになることを決めました。

おそらくこれら2つがどのように関連しているのか疑問に思うかもしれません。私が出会った最初のデータサイエンティストは、まさに現代のシャーロック・ホームズのような存在だと感じました。

データサイエンティストは、知識を使って毎日パズルを解くことに取り組みます。彼らは主に時間を費やし、分析力の鋭い頭脳でのみ解決可能な複雑な問題の解決策を調査するために数字を扱います。それが探偵が行うことです。

私は常にシャーロック・ホームズの冒険に興奮を覚えており、彼が次々と手がかりを追い求め、謎が解かれるまで休むことなく追いかける姿に共感を覚えました。私も彼のような冒険者になりたかったのですが、勉強をやめて警察と一緒に犯罪を解決しに行くことを想像することはほとんどありませんでした。私の好みには少し過激すぎるように感じ、人生の早い段階で悪者たちと対立することを避けたかったのです。だから、データサイエンティストになることはまさに両方の世界で最善の選択肢に思えました。

その神示が私に光を投げかけるまで、その気づきには時間がかかりました。そして、当時追求していたビジネスの学位からは大きく脱線するように感じました。

振り返ってみると、私がシャーロック・ホームズと共有していたのは、見た目には不可能なクエストに果敢に飛び込む勇気でした。私はゼロのコーディング経験を持っていたため、それらは非現実的でした。しかし、この大胆な飛躍を受け入れることで、私は人生で最も情熱を追求するための黄金の切符を手にすることになるとは気づきませんでした：音楽。

方法

ステップ1 — 数学モンスターに立ち向かい、受け入れる

科学への長年の魅了にもかかわらず、神様は私が科学用語を簡単に解読する非常に限られた特権を受けるに値しないと判断されていなかった。完璧な音程も与えられていなかったが、これは関係がない。

とにかく、卒業後、私は自然とこの地域で科学の科目が苦手な多くの無知な高校生がすることに自然に引き寄せられました – ビジネス学。

私と数学の関係は非常に波乱万丈でした。私は高校で経済学を専攻していました。物理学は私を平行宇宙にいるような気分にさせ、数学の概念はエイリアン文明からの秘密のコードのように聞こえました。授業は時間がかかりましたが、それはいずれかならばいずれかの時点で理解できるようになるでしょう。時には、非常に遅くなることもあります。

私は早い時期に数学を持ち歩くことはいつか便利になるだろうということをよく知っていました。だから、科学的な欠点が私の能力を超える夢を見るのを防ぐことはありませんでした。高校最後の年に、私は数学のモンスターに一度として立ち向かうことに決めました。私はその獣を手なずけるために私のエネルギーをすべて投資し、最終的には従順になるまで徹底的に取り組みました。

それはゲームチェンジングな瞬間でした。

それは私に必要な自信を与え、大学でビジネス専攻と並行して数学の副専攻を追求することを後押ししました。

私の副専攻で追求した数学のコースの中で、これらはデータサイエンスと機械学習の問題に取り組むための基礎を築く基本的なものです：

1. 微積分
2. 線形代数
3. 統計学と確率論

数学を恐れる魂たちにとって、私たちは何かを嫌いになるのは自分のパフォーマンスがどれだけ悪いかに比例します。私たちが教科を改善し、優れるにつれて、私たちの認識は変わります。だから、もし目標がバッドアスなデータサイエンティストになることなら、数学のモンスターに真正面から立ち向かい、誰がボスかを見せる時が来たのです！

ビジネスは明らかに私の呼び物ではありませんでした。私は数学のモンスターの誘惑の魅力的な手によって拷問されることがあまりにも楽しかったのです。だから最終学期には、数学に関連するキャリアパスを深く探求することに没頭しました。最終的に私の探求はデータサイエンスの分野に導かれました。私はデータアナリストとしてのインターンの機会をつかみ、同時にNYUの都市情報学の修士号（スマートシティの応用データサイエンスのファンシーワード）に入学しました。

ステップ2 – コーディングの直感を築くには時間がかかる

ビジネスの学位を持つ人間が、まったく存在しないコーディングの経験をどのようにしてエンジニアリングの学校に入学できたのか疑問に思うかもしれません。でも、学部で受けた数学の授業を覚えていますか？

実際には、ML（機械学習）を始めるには、それらの3つのコース以上は必要ありません。NYUの学位は、1年間の集中的なプログラムであり、最初からMLモデリング（Pythonを使用）、SQLでデータベースの構築、そして（少なくとも試みる）Sparkでのビッグデータの取り扱いを行いました。

ここで透明性を持たせる必要があります。ビジネスからエンジニアリングへの一夜のスイッチは、ほんとうにヘクティックなものでした。その年は、始終ほぼ死ぬかと思うような経験でした。初めて複数のプログラミング言語を学ぶということは、それぞれに独自の直感を育てることを意味し、時間がかかります。それらをすべて同時に習得し、短期間で、重い授業料が掛かり（そしてドアの前にパンデミックが迫っている）、臆病者にはお勧めできないことです。

これまでに一行のコードも書いたことがなかった人にとって、これは私の脳に大きな衝撃を与え、一晩中フルでMLモデルを実行するまでの原則から移行したということでした。

振り返ってみると、私が違うことをするべきだった1つのことは、機械学習に取り組む前にコーディングを学び、同時に学ぶことではなかったということです。

機械学習をいじって遊んでいると楽しいですが、それだけでは十分ではありませんでした。私はまだPythonパッケージの背後で何が起こっているのかを完全に理解することができませんでした。あなたが深く掘り下げることができない限り、テックの求人市場では真のデータサイエンティストとは見なされません。事前にパッケージ化された機械学習アルゴリズムの基礎的なメカニズムを流暢に説明する必要があります。だからこそ、私はそれらのメカニズムを理解しなければならないと知っていましたが、すでにかなり遠くから来た1年で達成できることには限界がありました。

その時、COVID-19が襲いかかり、アメリカの求人機会は私の以前のコーディングスキルと同じくらい存在しなかったのです。そこで、私は大学でさらなる1年（または2年）を過ごすことができると考えました。私はフランスのユニークなデュアルプログラムに応募し、受け入れられました。このプログラムでは、データサイエンスのベストを組み合わせたフランスのトップのビジネスと機械学習の両方を組み合わせて学ぶことができます。

ステップ3 – ライブラリインポーターからエクスプレーナーへ：真のデータサイエンティストを解き放つ

その学位を追求することは私の人生で最高の決断の一つとなりました。それによって、私はフランスのトップのビジネス＆エンジニアリングスクールでの学びを得ることができました。これは以前は想像もできなかった偉業でした。私は学校で一番優れた生徒ではありませんでしたが、一番の才能は困難な道を進むことでした。決断力と頑固さが私の最も重要な資産であり、それらを早いうちに活かしました。

これらの2年間の間に、私は必要な知識を持っていなかったデータサイエンスの内容を学びました。私が途中で手に入れた武器は、今も私を導いており、それらを皆さんと共有するためにここにいます：

1. 機械学習アルゴリズムの数学的な背後の理解は、Pythonライブラリの使用者からプロとしての区別をする。数学的な証明を示す方法を学びましたが、理論の背後にあるキーコンセプトを理解することが十分だと信じています。方程式自体に直接関与する必要はありません。
2. PythonとSQLに精通することは、「テックのデータサイエンス」のスターターパックにおける必須のスキルです。データの抽出やパイプラインの構築には、通常SQLで動作するBigQueryなどのデータウェアハウスで一時停止する必要があります。Pythonの基礎をマスターするために時間をかけることは、データの準備と分析に役立ちます。
3. 機械学習の数学的な基礎を学ぶことは、事前にパッケージ化されたアルゴリズムを解明するためのものです。そのメカニズムを説明できるようにする必要があります。
4. 非技術的な人々にそれらを伝えることができなければ、データの洞察は無価値です。ストーリーテリングのスキルの磨きは、データサイエンティストにとって継続的な旅ですので、できるだけ早く乗り込むべきです。
5. 優れた才能と経験豊富な同僚と一緒に働く際に、忍耐力と根気を培う。自分のバックグラウンドが異なる場合、なりすまし症候群が簡単に忍び込むかもしれません。自信喪失は厄介なものですので、早いうちにそれを取り除くためにも、それに慣れておいた方が良いです。

これらの教訓を受け入れることで、私はデータサイエンティストとしてスキルアップしました。これらは私のキャリアをテック業界で始めるために必要なツールを装備してくれました。

最高のプログラマーは必ずしも最高のデータサイエンティストではありません。テックの世界でデータサイエンティストとして成功するためには、ビジネスのバックグラウンドから来ることを学んだ私は、次のことを知りました：

1. 数学の不快感を受け入れる。線形代数、微積分、統計と確率理論の基礎をマスターする。
2. PythonとSQLを徹底的に学ぶ時間を取る。多くのプログラミングフレームワークに圧倒されることを避ける。
3. パッケージ化されたアルゴリズムを解明するために、機械学習の数学的な基礎に飛び込む。そのメカニズムを説明できるようにする。
4. 複雑な概念を魅力的かつアクセスしやすい方法で伝えるためのストーリーテリングのスキルを磨く。
5. 前のステップで得た知識とビジネスの概念を統合し、強力な組み合わせを作る。

過去には、私の経済学の学士号の価値を過小評価していました。しばしば、間違った道を追い求めていた数年間を過ごしていたように思えました。しかし、Spotifyに参加してから、ビジネスとデータサイエンスの専門知識の融合が最高のデータサイエンティストを生み出すことを発見しました。真の力は、両方の領域をシームレスに進めることができる人々にあります。あなたがその1人でない理由はありません！

あなたのサポートは貴重です。できれば、以下のことをしていただけるととても嬉しいです：

• VoAGIで私をフォローする
• ニュースレターに登録する
• LinkedInで私をフォローする

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