发帖
雷达卡
CDA人工智能学院致力于以优质的人工智能在线教育资源助力学员的DT职业梦想！课程内容涵盖数据分析、机器学习、深度学习、人工智能、TensorFlow、PyTorch、知识图谱等众多核心技术及行业案例，让每一个学员都可以在线灵活学习，快速掌握AI时代的前沿技术。PS：私信我即可获取《银牌会员》1个月免费试听机会
| Jeremie Harris
翻译 | Mika
在大学我学习物理时，每当遇到不理解的术语，我就会上网搜索，这时我常会用到的就是维基百科。
虽然维基百科很好用，但是上面很多文章都不适合我的水平。那些文章要不就是超出我的理解，或者对我来说太简单了。这种情况时常发生，因此我从中总结的经验就是，维基百科上的技术词条很难既提供有效信息，又做到易于理解。
很多数据科学方面的职业建议也是如此，有些是针对完全零基础的初学者；有些是针对初级数据科学家磨练技能；有些则针对资深的软件工程师。而这容易让许多想成为数据科学家的人群感到无从下手，他们不知道该如何花在哪里。
在本文中，我打算针对三种不同类型的人群给出相应的职业转型建议。
第一类：零基础的初学者
如果你刚刚进入数据科学领域，请记住该领域的发展速度非常快，也许现在我给出的建议在你准备求职时已经过时了。如今数据科学的招聘标准与一两年后的标准之间的差距可能会更大。
在明确这点的基础上，如果你想进入数据科学领域，并且没有任何编程方面的背景，我要给出的建议如下：
首先要保持开放的心态
如果你是一名初学者，那么你可能完全不知道数据科学的具体内涵。那么可以先和一些数据科学家聊一聊；关注相关的科学播客。成为一名数据科学家需要花费大量的时间和精力，因此只因为你认为自动驾驶汽车很酷就一头扎进去，这并不是一个很好的理由。确保自己了解数据科学中不那么高大上的部分，数据处理和构建数据管道等，这些方面占数据科学家日常工作的大部分。
如果你决定继续前进，这太好了！首先你要做的第一件事就是学习Python。参加一些在线课程，并尽快建立一个基础项目。当你掌握一定Python技能时，学习如何使用Jupyter notebook。
在找工作时，一开始就从全面的数据科学职位并不是最好的。相反，可以选择数据可视化或数据分析职位，这类职位市场需求量大，而且要求没有数据科学家那么高。这些职位经常与数据科学家一起工作，当你获得了一些经验后，也可以着手向这个方向发展。
如何发挥自己的优势：
当你准备好找工作时，你会发现学会推销自己在在数据科学中非常重要。你可能会担心，因为你没有任何专业经验或计算机科学的研究生学位，推广自己是一个难题。但这也可以成为你最大的优势：你是从零开始，自学成才的数据科学家，公司需要这些努力而且学习能力强的数据科学家。为此你需要符合自己的这种形象，不断提高技能，解决一个个挑战，但当中的回报绝对是值得的。
第二类：软件工程师
我遇到的想成为数据科学家的人中，可能有20%都是软件工程师。一方面，有将代码部署到生产和与开发团队合作的相关经验，这是非常重要的资产。另一方面，如今对全栈开发人员的需求非常高，有时公司会将软件工程师归为这个方向。因此想转为数据科学家时，你要避免被当作软件工程师，而不是数据科学家。
其他建议：
首先你可以考虑转为专注后端或数据库相关方向。熟悉数据管道是一个良好的开端，这可以帮助你构建核心数据操作技能组。
机器学习工程可能是最接近数据科学的职位，这更容易过渡。在求职时，你可以找哪些强调部署模型，或将其集成到现有应用程序的职位，这些职位将最有效地利用你现有的技能。
你很可能要建立机器学习或数据科学项目来打动雇主。利用你的软件工程技能，将这些技能整合到可以向招聘人员展示的应用程序中。这特别有效，因为这更为明确，而且突显了你作为全栈数据科学家的潜力。
要记住，在职业转型时你的薪资很可能会减少。即使是高级软件工程师，当他们转行数据科学时，也需要从初级的职位开始。
如何发挥自己的优势：
最好的方法就是利用你在软件开发方面的经验。你已经知道如何编写干净、文档记录良好的代码，以及该如何与他人协作，这是大多数初级职位求职者所缺乏的优势。
第三类：计算机科学、数学或物理专业的应届毕业生
如果你是一名本科、硕士或博士生，你可能在统计学和数学方面有很好的基础。但你可能从未申请过科技方面的工作，而且你不确定如何准备面试。此外，假设你读书时一直在编程，你很可能无法写出干净、结构良好的代码。
几点建议：
你在读书期间学的R语言还不够。如果你是学物理的，那你的MATLAB或数学技能也是不够的，去学学Python吧。
这些内容你需要尽快学习：协作版本控制，比如如何与其他人一起使用GitHub）；容器化，比如如何使用Docker；开发运营，学习如何使用AWS或其他类似服务在云中部署模型；SQL也是必须的。
学习Python中的测试驱动开发。学习如何使用文档字符串，如何将代码模块化，以及如何使用Jupyter notebook。
如果你在以数学为导向的领域，那么深度学习是一个很好的探索方向。要注意先从更传统的“scikit-learn”型数据科学职位开始，然后转向深度学习更容易。对你来说，最重要的是先入行，并尽快开始生产代码。
如何发挥自己的优势：
如果你是数学或物理专业，你最好的策略就是发挥有深厚理论知识的特定。为此，你需要能够自信地解释各种模型的原理，熟悉文献中最新的文章。
结语
注意：我这里提供的建议并不能完全使用与所有情况。有些软件工程师可能要学习的更多，而有些初学者有很好的数学基础，更适合成为深度学习研究人员。但希望本文能你一个不错的起点。
最后，无论你是软件工程师，刚毕业的大学生，还是零基础的初学者，你都要问自己一个关键的问题：哪种职业发展轨迹最接近你的情况？很多情况下，通过称为数据分析师或数据可视化专家进入该领域都是不错的选择。
关注“CDA人工智能学院”，回复“录播”获取更多人工智能精选直播视频！
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
