关于如何从不同背景过渡到数据科学的8条思考

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

关于如何从不同背景过渡到数据科学的8条思考
想要过渡到数据科学？这是非数据科学人员在此领域中扮演角色的8条路径
我们在这份职业过渡文章中介绍的8个背景包括–软件工程，财务，UX，应用程序开发和非技术性的
我提供了许多资源和学习路径的链接，以帮助您开始数据科学之旅
介绍
您是否正在寻找在数据科学领域中的角色？您来对地方了！
如今，感觉像是世界上有一半人希望进入数据科学领域，并获得了令人赞叹的待遇，并且在行业中提供了很多开放机会。组织正在对数据科学人才进行大量投资，以保持或领先于竞争对手。作为数据科学的追求者，您不可能选择一个更好的时间来改变您的职业！
但这带来了自己的挑战。我的网络中经常有人问我应该如何过渡到数据科学。来自各种背景（IT，销售，财务，人力资源，医疗保健等）的人们都希望获得数据科学的一份子。
首先让我解决您的疑虑-从您当前的工作（或研究）完全有可能过渡到数据科学。这就是我们将在本文中讨论的内容！
过渡到数据科学
在本文中，我整理了从互联网上获得的最佳答案。我们将讨论如何从这些背景过渡到数据科学：
软件工程/开发
金融
UX（用户体验）
应用开发
市场营销和销售
人力资源
心理学家
没有相关/技术背景的新生
如果您想过渡到数据科学领域，没有什么比拥有正确的计划和指导更为重要了。一般的学习方式（认证课程，博客，教程）通常缺少这种方法。在AI和ML黑带+配备了14+的课程，25个+项目，以及最精彩的部分- 1：1门辅导课程，让你永远不会偏离轨道。
在没有适当指导和计划的情况下开始数据科学事业可能会造成混乱。我们已编制了一份明确的免费路线图指南，以建立数据科学职业，该指南由Analytics Vidhya的专家策展人策划–
下载此免费的综合数据科学路线图以开始您的职业生涯
让我们潜入吧！
1.从软件工程师角色过渡到数据科学家角色– Yassine Alouini
这个选择是为寻求过渡到数据科学的软件工程师而设计的。Yassine列出了进入数据科学应该做的事情。他还解释了什么样的角色适合软件工程师进入该领域。
答案– Yassine Alouini
首先，如果您真的喜欢软件工程，那么您应该考虑成为数据工程师或机器学习工程师。
从技术上讲，这些角色并不是“规范”的数据科学家角色，而是足够紧密并在较大的数据科学领域中得到了考虑。
如果您仍然想成为一名数据科学家，那么您应该研究以下技能：
基本概率统计：没什么花哨的，只是基本的东西
SQL：您可能熟悉这种（奇怪的）语言。您可能已经使用ORM与其他数据库进行交互。了解更多有关它的信息：窗口函数，CTE，触发器，良好的SQL样式指南等
建模：同样，没有什么太花哨的。了解一些要使用的好模型以及何时使用它们。必要时在线阅读文档和教程。此技能还需要您所从事工作的领域知识（从健康保险到仓库物流）
数据可视化：数据分析在变成图表之前不是很有用：可以是地图，时间序列，3D饼图（开个玩笑，请不要那样做）或其他任何东西
报告：一旦有了扎实的见解，就应该将其提供并组织成一份引人注目的报告。它可能是文档或仪表板（总是喜欢这些）
沟通：最后，您已经生成了报告和/或仪表板。与同事和上司讨论时，您应该放心。这是一项很难掌握的技能，但从长期（和短期！）的角度来看完全值得
您会喜欢我下面提到的两个故事，以及两个软件工程师如何成功地转变为数据科学家的角色。文章详细介绍了这些人实现梦想的学习途径：
在担任软件测试工程师8年后，我如何成为一名数据科学家
我如何从软件开发人员成为数据科学分析师
2.从金融到数据科学的职业过渡–理查德·萨尔达尼亚
金融似乎很适合数据科学，不是吗？这是一个数字字段，与数据科学领域很好地融合在一起。BFSI部门在数据科学采用方面处于领先地位并非偶然！
因此，如果您来自会计/财务背景，那么您就已经实现梦想，获得数据科学职位了。
finance_data_science
回答者–理查德·萨尔达尼亚（Richard Saldanha）
如果您想担任金融业的数据科学家，则可能需要以下大多数（如果不是全部）属性：
数学/统计学，计算机科学，物理学，工程学或具有重大数学内容的学科的学位
具有多种语言（包括编译和解释）的编程能力，例如C / C ++，S（例如，在R中实现），Matlab，Python和/或Java
在任何传统的RDBMS（例如MySQL，PostgreSQL，Oracle，SQL Server）中都具有良好的数据库技能（即至少SQL编程）
擅长处理彭博社，路透社的时间序列数据或任何可用的大量财务数据流
但是，在金融领域从事数据科学工作的人还有两个非常重要的特征，这些特征很少被讨论：
您需要能够与非专业人士进行口头和视觉上的数学思想交流
您将需要知道如何利用他们的数学训练来解决真正的商业问题
除此之外，您还需要对优化（在学校学习到的线性代数和微积分的基础），统计推断，模拟，多元分析和适当的数据可视化有很好的了解。
如果您接受过此类培训，那么理解诸如支持向量机，神经网络，随机森林和梯度增强之类的技术仅仅是跳，跳和跳而已。
我还建议您查阅这篇文章，其中讨论了数据科学在金融行业中的应用。
3. UX设计人员/研究人员应该成为数据科学家吗？–克里斯·贝克尔（Chris R. Becker）
这是一个有趣的职业过渡！老实说–我没有考虑过要过渡到数据科学的UX用户。
克里斯·贝克尔（Chris R. Becker）的答案集中在学习数据科学工具时，要牢记UX体验。他陈述了UX设计人员已经在使用的一些工具，以及这些工具如何用于数据科学目的。他强调与数据科学团队合作，以更深入地研究关键数据科学主题。
UX_data_science
答案–克里斯·贝克尔（Chris R. Becker）
UX研究人员经常使用数据（定性和定量）工具。大多数已经在使用低端数据科学。这包括Google Analytics（分析），调查，用户民意测验，Excel，JSON和用户测试数据（以及其他）。
这些是执行UX和查找数据模式所必需的数据工具和方法。但是，它们的范围和范围有限。
如果您想更深入地研究数据科学工具和语言，这将变得更加复杂。您可以学习高级Excel，Tableau或sci-sense之类的数据工具，也可以使用D3.js或R之类的数据库来学习JavaScript之类的代码。这些工具和代码语法很难学习。
作为UX研究人员，我宁愿与数据科学家一起工作，也不必学习其他职业才能有效地完成工作。我认为了解数据的可能性，然后根据需要寻找专业知识至关重要。显然，在这种情况下，流利的数据科学工具将与数据科学家合作。寻找可以帮助您在研究数据中找到新的相关模式的团队成员。
4.我如何成功地从应用程序开发转向数据科学– Ankita Ghoshal
考虑到它的相关性，我从Analytics Vidhya文章本身获得了这个答案。许多应用程序开发人员希望过渡到数据科学，但是不确定他们是否具备足够的资格。
Ankita Ghoshal撰写的这篇文章将消除任何疑问！她详尽地解释了，如果您现在就开始，如何才能成功地完成这一职业过渡！
app_developer_data_science
回答者– Ankita Ghoshal
进入新领域的最佳方法是首先了解当前技术。您可能已经猜到，2016年的流行词是“数据科学”和“机器学习”。
我已经通过在线文章模糊地听说了这些术语。我开始探索该领域的职业选择，发现统计学是数据科学的基础。这与我的兴趣完全吻合-统计数据一直让我着迷。没有什么比在您喜欢的领域里工作更好了！
Google在“ Analytics机器学习教程”上进行了快速搜索，将我带到了印度最大的数据科学社区“ Analytics Vidhya”。我浏览了他们关于教育机构的文章，这些机构提供了数据科学职业课程。
在转向数据科学之前，我将大部分职业生涯都花在了编程上。小时候，我学习了统计学，但那些概念早已被遗忘（因为我敢肯定您会与之联系的！）。进行这种过渡确实很艰难，但并非没有可能。
关键是永远不要停止学习。在此切换过程中，我意识到您不需要学习现有技能就可以学习新技能。我将编程技能用作IT和数据科学之间的桥梁，以更合理地构造机器学习代码。
这一过渡也使我了解到，项目结果的呈现方式因行业而异。
例如，在IT行业中，Web开发项目的输出是涉众完全可以理解的网页。在数据科学领域，输出通常是数字。数据科学专业人士的职责是使用指示性故事向客户/利益相关方透露这些数字。
对于准备开始向数据科学过渡的人员，我建议您仔细阅读以下建议：
问问自己-您是否真的对数据科学感兴趣并且很合适？不要仅仅因为魅力和炒作而倒下。在线上有大量资源，例如有关Analytics Vidhya的各种文章和博客，以了解该领域的全部内容
统计人员和编程专业人员无疑将拥有一些优势。但这是个好消息–即使非技术人员也可以过渡。最重要的是您的思维过程以及质疑和分析手头信息的技巧
如果您是其他任何领域的经验丰富的专业人员，那么在转向数据科学时，都准备好被视为一个相对较新的职业。对于许多人来说，接受您不得不放弃多年资历的过渡可能会非常困难。我明白那个。但是，如果您尽力而为，那么这个行业将为您提供更多的知识，更大的成功和惊人的加薪
注意：您还会喜欢以下有关IT人员在现场工作了十年后如何过渡到数据科学的故事：
在IT行业工作了10年后，我如何成为一名数据科学家
5.营销和销售专业人员可以改用数据科学吗？– Ayush Biyani
市场营销和销售经验与提到的任何其他职业过渡都大不相同。销售和营销团队与分析师紧密合作，并严重依赖数据。毫无疑问，许多专业人士会被数据科学所吸引。这可能是自然的过渡，所以请继续阅读以了解更多信息。
Ayush Biyani的答案对于任何想开始数据科学职业的人来说都是痛苦的事实。阿育什（Ayush）提到了成为数据科学家所需的技能，作为数据科学家的日子如何，并要求您自己做出决定。
回答者– Ayush Biyani
我看到另外两个答案，他们建议您根据需要建议改用分析。我想向您指出一些现实，以便您知道他们所有人都认为自己拥有什么。我认为您在财务方面有一定经验。
Analytics（分析）工作不是您的其他日常工作，人们会感到“我可以以某种方式进行管理”。您要么完全进入其中，要么不在那里。没有中间的出路。因此，请不要说“ Mai管理kar肺部疾病”
分析需要以下实体的尊重和知识：一般数学，统计学，数字运算，编程（在某种程度上）
分析应该使某人做出能够带来利润或减少亏损的决策（通常做出更好的决策），因此它需要大量残酷的业务重点。相信我，这并不像听起来那么容易。我已经看了7年了。
分析任务需要结构化的思考。我已经看到，这是大多数刚开始其斗争然后放弃的人们的聚集地。问问自己-我能在余生中觉得结构上无聊的方式吗？那是我吗？只有答案是肯定的，您才考虑转移。
由于您是新手，因此在大多数情况下，您都必须吞下“区域负责人”的自我，并乐于学习，有时不了解事情的运行方式。准备好了吗？准备在没有MBA且比您小5岁的情况下，以适合这些任务的更新鲜的工作方式工作。
您是否准备一生使用诸如“回归”，“决策树”，“逻辑回归”，“交叉表”，“图形和图表”，“功能工程”，“模型验证”之类的术语？
人们在分析中看到的所有魅力的背后，都有无聊的数学和统计数据静静地坐着工作。每个演示文稿和图形在背景上都有一个数字，使用的不仅仅是一种简单的方法。感谢？
这一点很重要-您是否真的认为自己是个敏锐而又快速的学习者？是？当然？
在我看来，您必须回答至少5点，是的。并且（h）和（f）必须肯定是。
看，我的目的不是要劝阻您，而是要给您提供真实而又不那么乐观的图片。我每天都看到分析师在一些更精明的分析专家来访时告诉他们，由于Xyz原因，这种分析是不正确的。
所以……要现实一点，采取实际行动。这不是一个光鲜的电话。
有动机吗？我添加了一些资源来帮助您浏览营销和数据科学–
营销和业务分析的力量–一种从头开始在线发展业务的方法
每位数据科学专业人士必须阅读的数字营销和分析综合指南
6.从人力资源转到数据科学职业– Ann Rajaram
老实说，当人们听到从人力资源到数据科学的过渡故事时，他们发现自己傻眼了，通常的反应是：“您是认真的吗？这些领域有联系吗？”
安·拉贾拉姆（Ann Rajaram）为您解答了这个问题。她演示了如何将您的职业转变为数据科学并利用宝贵的“人际交往能力”。
Ann Rajaram的回答
从技术上讲，假设您（a）掌握编程技能并且（b）向潜在的雇主展示如何增加价值，那么任何人都可以成为数据科学家。
但是，如果您已经具有丰富的HR经验，那么利用该领域的专业知识也是合乎逻辑的。例如，许多较大的公司在HR领域使用数据科学家进行“劳动力分析”，以了解员工流失，项目ROI，领导力发展并改善多样性指标。
例如，许多较大的公司在HR领域使用数据科学家进行“劳动力分析”，以了解员工流失，项目ROI，领导力发展并改善多样性指标。
并不是说您不能将100％转移到完全不同的域，只是没有域知识或认真的技术知识很难从头开始。有时候，对于具有7至10年公司或管理经验的人来说，入门级数据科学家职位的薪水可能会降低。
用于劳动力分析的模型也可以很好地转化为大学和教育/行为卫生机构，因为它们都是需要“人际交往能力”和对行为心理学有深刻理解的领域。例如，大型大学使用来自学习管理系统的分析来（a）干预处于失败风险中的学生，（??b）创建个性化的学生路径，或者（c）甚至更新课程以在教学大纲上花费更多时间，其中大部分学生旅行或挣扎。
在AI和ML黑带+配备了专家导师谁将会专门定制的学习路径为你指导。来自人力资源背景，不知道从哪里开始？AI和ML Blackbelt +程序可以为您提供帮助。
7.从心理学到数据科学的突破– Philippe Hocquet
老实说，这是迄今为止本文中最有趣的部分。让我们不要忘记，数据科学是人工智能的一部分。心理学专业人士可能具有许多普通人看不见的见解。
Philippe Hocquet的心理学和机器学习思想以及心理学家如何为数据科学项目做出贡献给我们带来启发。提前阅读有趣的答案。
答案–菲利普·霍克（Philippe Hocquet）
关键是要尽快移至您所在地区的实际项目。成为团队中的心理学家，写下它，与该领域的人会面，然后找到下一个工作，即80％的心理学，20％的机器学习，然后从那里去。
数据科学是一支精益求精的运动团队：除数学博士外，一个项目还需要系统工程师，设计师，心理学家和医疗保健专业人员。那就是你的脚在门上。
我要开始的一个领域是人机界面（HCI）。例如：
人们如何将情绪传达给机器？哪些，为什么？
考虑到用户的挫败感，压力和压力，如何使系统更加高效？
如何在合成语音中生成表达？
甚至：算法如何在情感上变得智能，即在评估情景/影响时考虑到人类心理
我可以想像许多雇用大量心理学家的公司或实验室。这是基于美国的，但您可能会在德国找到与之相当的产品：
从“同理心的技术”（例如MIT媒体实验室的Rosalind Picard小组：集团概述?情感计算– MIT媒体实验室）到医疗保健应用（例如USC开发的Ellie用于临床访谈，Simsensei项目）。此处：Morency）。
当然，现在存在整个行业来在线测量，跟踪和推断人类行为的每一个细微差别（请考虑应用程序的“操纵性”或“上瘾性”功能）。
8.成为数据科学家不需要任何背景– Arun Korupolu
我们看到的最常见的问题之一是–我可以成为没有技术/工程背景的数据科学家吗？简短的答案–是的！
以下Arun的答案完美地总结了我们的想法。您不一定需要博士学位。甚至是要开始的编程背景（尽管如果您有这种经验，那可能会有所帮助！）。
数据科学家
答案–阿伦·科鲁波卢（Arun Korupolu）
从长远来看，成为一名数据科学家并不需要任何背景，这与您的兴趣有关，您询问是否有兴趣使用数据并设想自己将数据和决策制定结合在一起。
我可以建议一个高级学习途径，但是个人在时间和精力上的学习需求可能需要在这些步骤中进行适当的调整。
理想情况下，如果没有任何经验，那么初学者将需要开始学习编程。您可以按照以下三个步骤进行学习：
学习编程（R或Python）并精通该语言
获得这些学科的知识-中级统计与概率，大学代数，线性代数，机器学习算法和方法
与独立项目合作。在解决这些项目的目标的同时，尝试逐步进行学习
我的建议是从高层次概述您可以开始做的事情，但是一旦您开始从边做边学，您将找到最佳路径。
题库

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：数据科学 PostgreSQL Javascript Analytics developer