הערות מדען תאריכים: היכן להתחיל והאם זה הכרחי?

TL;DR הוא פוסט לשאלות/תשובות על Data Science ואיך להיכנס למקצוע ולהתפתח בו. במאמר אנתח את העקרונות הבסיסיים והשאלות הנפוצות ואני מוכן לענות על שאלותיכם הספציפיות – כתבו בתגובות (או בהודעה פרטית), אשתדל לענות על הכל תוך מספר ימים.

עם כניסתה של סדרת הפתקים "דייט השטן", הגיעו הודעות והערות רבות עם שאלות כיצד להתחיל ואיפה לחפור, והיום ננתח את המיומנויות והשאלות העיקריות שעלו לאחר הפרסומים.

כל האמור כאן אינו מתיימר להיות האמת הסופית והוא דעתו הסובייקטיבית של המחבר. נבחן את הדברים העיקריים שנראים חשובים ביותר בתהליך.

למה בדיוק זה נחוץ?

כדי שהמטרה תהיה ניתנת להשגה טוב יותר, כך שהיא תיראה לפחות מעט ספציפית - אתה רוצה להיות DS או מדען מחקר בפייסבוק/אפל/אמזון/נטפליקס/גוגל - תסתכל על הדרישות, השפות והכישורים הדרושים במיוחד לאיזה תפקיד. מהו תהליך הגיוס? איך עובר יום טיפוסי בתפקיד כזה? איך נראה הפרופיל הממוצע של אדם שעובד שם?

לרוב התמונה הכוללת היא שאדם לא באמת מבין מה בדיוק הוא רוצה ולא לגמרי ברור איך להתכונן לתמונה הלא ברורה הזו – אז כדאי שתהיה לפחות תוכנית גסה של מה בדיוק אתה רוצה.

קונקרטי את תצוגת היעד הנוכחית

גם אם זה משתנה תוך כדי, ובדרך כלל זה נורמלי לשנות תוכניות במהלך ההצגה, כדאי שתהיה לך מטרה ולהתמקד בה, מדי פעם להעריך ולחשוב מחדש.

האם זה יהיה או שזה עדיין רלוונטי?

עד שתגדל לתפקיד.

תאר לעצמך שלפני התפקיד שלך אתה צריך לקבל דוקטורט, לעבוד 2-3 שנים בתעשייה ובאופן כללי להסתפר תוך כדי מדיטציה במנזר - האם המצב עם Data Science לא יהיה זהה לזה שהיה פעם עם כלכלנים ו עורכי דין? האם הכל ישתנה ללא היכר בתחום שאתה רוצה לעסוק בו?

האם אין סיכוי טוב שכולם ימהרו לשם עכשיו ונראה תמונה שבה יש שכבה רחבה של אנשים שמנסים להיכנס למקצוע - ופשוט תהיה עמדת התחלה דלה.

אולי כדאי לשקול את המגמות הנוכחיות בבחירת המסלול, לא רק את המצב הנוכחי של שוק העבודה, אלא גם את הרעיון שלך כיצד הוא משתנה והיכן הוא נמצא.

לדוגמה, המחבר לא תכנן להיות שטניסט, אבל במהלך הדוקטורט שלו הוא עבד על פרויקטים של צד שלישי שהיו להם כישורים משותפים עם DS, ובתום הלימודים לתואר השני הוא עבר באופן טבעי לאיכות הסביבה, ראה טוב עמדה.

אם במהלך ההצגה יתברר שיהיה צורך לעבור למקום אחר - כי יש עכשיו הכי הרבה תנועה וקורה כל האקשן הכי מעניין, אז נעבור לשם באופן טבעי.

פירוט מיומנויות

אלו הן קטגוריות מותנות של מיומנויות שנראות לי כמפתח לעבודה מלאה ויעילה ב-DS. אני אדגיש אנגלית בנפרד - למד מה שאתה עושה ב-CS. הבא הם קטגוריות המפתח.

תכנות/סקריפטים

אילו שפות אתה בטוח להכיר? פִּיתוֹן? ג'אווה? סקריפטים של מעטפת? לואה? SQL? C++?

מה בדיוק אתה צריך להיות מסוגל לעשות ולמה מבחינת תכנות - מגוון התפקידים כאן משתנה מאוד.

לדוגמה, לעתים קרובות אני צריך ליישם לוגיקה מורכבת, שאילתות, מודלים, אנליטיקה ובאופן כללי לפתח מערכות מפורשנות, אבל כמעט אף פעם אין דרישות למהירות הקוד, מלבד הכלליות והסבירות ביותר.

לכן, מערך המיומנויות שלי שונה מאוד מאלה שכותבים את ספריית Tensorflow וחושבים על אופטימיזציה של הקוד לשימוש יעיל ב-l1 cache ודברים דומים, אז תראה מה בדיוק אתה צריך והעריך את הדרך הנכונה ללמידה.

לדוגמה, עבור פיתון, אנשים כבר ממציאים כרטיס למידת שפה.

בוודאי, יש כבר עצות מנוסים ומקורות טובים לצרכים שלך - אתה צריך להחליט על רשימה ולהתחיל לעבוד עליה.

הבנת תהליכים עסקיים

אתה לא יכול ללכת לשום מקום בלעדיו: אתה צריך להבין למה אתה נחוץ בתהליך הזה, מה אתה עושה ולמה. לעתים קרובות זה מה שיכול לחסוך לך הרבה זמן, למקסם את התועלת שלך ולא לבזבז זמן ומשאבים על שטויות.

בדרך כלל, אני שואל את עצמי את השאלות הבאות:

• מה בדיוק אני עושה בחברה?
• למה?
• מי ישתמש בו ואיך?
• אילו אפשרויות יש לי?
• מהם גבולות הפרמטרים?

הנה קצת יותר פירוט על הפרמטרים: לעתים קרובות אתה יכול לשנות מאוד את תרחיש העבודה אם אתה יודע שאפשר להקריב משהו: למשל, פרשנות או להיפך, כמה אחוזים לא ישחקו כאן תפקיד ויש לנו מהר מאוד פתרון, והלקוח צריך אותו, כי הוא משלם עבור הזמן שהצינור פועל ב-AWS.

מתימטיקה

כאן אתה חושב ומבין הכל בעצמך - בלי ידע במתמטיקה בסיסית אתה לא יותר מקופים עם רימון (סליחה יער אקראי) - אז אתה צריך להבין לפחות את הדברים הבסיסיים. אם הייתי מרכיב רשימה מינימלית מאוד, היא תכלול:

• אלגברה לינארית - קל לגוגל מספר עצום של משאבים, חפש מה הכי מתאים לך;
• ניתוח מתמטי - (לפחות בשני הסמסטרים הראשונים);
• תורת ההסתברות נמצאת בכל מקום בלמידת מכונה;
• קומבינטוריקה – היא בעצם משלימה לתיאוריה;
• תורת הגרפים - BASIC לפחות;
• אלגוריתמים - לפחות בשני הסמסטרים הראשונים (ראה המלצותיו של קורמן בספרו);
• מתלוגיקה - לפחות בסיסית.

ניתוח נתונים והדמיה מעשיים

אחד הדברים החשובים ביותר הוא להיות מסוגלים לא לפחד ללכלך את הידיים בנתונים ולבצע ניתוח מקיף של מערך הנתונים, הפרויקט וליצור הדמיה מהירה של נתונים.

ניתוח נתונים חקרני צריך פשוט להפוך למשהו טבעי, כמו כל שינויי נתונים אחרים והיכולת ליצור צינור פשוט מצמתי יוניקס (ראה מאמרים קודמים) או לכתוב מחברת קריא ומובן.

אני רוצה להזכיר ויזואליזציה: עדיף לראות פעם אחת מאשר לשמוע מאה פעמים.

הצגת גרף למנהל היא פי מאה קלה וברורה יותר מקבוצה של מספרים, אז matplotlib, seaborn ו-ggplot2 הם החברים שלך.

מיומנויות רכות

חשוב לא פחות להיות מסוגל לתקשר את הרעיונות שלך, כמו גם את התוצאות והחששות (וכו') לאחרים - וודא שאתה יכול לציין את המשימה בצורה ברורה הן במונחים טכניים והן במונחים עסקיים.

אתה יכול להסביר לעמיתים, למנהלים, לממונים, ללקוחות ולכל מי שצריך את זה מה קורה, באילו נתונים אתה משתמש ובאילו תוצאות קיבלת.

יש לקרוא את התרשימים והתיעוד שלך בלעדייך. כלומר, אתה לא צריך ללכת אליך כדי להבין מה כתוב שם.

אתה יכול לעשות מצגת ברורה כדי להעביר את הנקודה ו/או לתעד את הפרויקט/עבודה שלך.

אתה יכול להעביר את עמדתך בצורה מנומקת וחסרת רגשות, לומר "כן/לא" או להטיל ספק/לתמוך בהחלטה.

הדרכה

יש הרבה מקומות שונים שבהם אתה יכול ללמוד את כל זה. אתן רשימה קצרה - ניסיתי ממנו הכל ולמען האמת, לכל פריט יש את היתרונות והחסרונות שלו. נסה את זה והחליט מה מתאים לך, אבל אני ממליץ בחום לנסות כמה אפשרויות ולא להיתקע באחת.

• קורסים מקוונים: coursera, udacity, Edx וכו';
• בתי ספר חדשים: מקוונים ולא מקוונים - SkillFactory, ShaD, MADE;
• בתי ספר קלאסיים: תכניות לתואר שני באוניברסיטה וקורסי השתלמות;
• פרויקטים - אתה יכול פשוט לבחור משימות שמעניינות אותך ולחתוך אותן, להעלות אותן ל-github;
• התמחות - קשה להציע כאן משהו; צריך לחפש מה זמין ולמצוא אפשרויות מתאימות.

זה הכרחי?

לסיכום, כנראה אוסיף שלושה עקרונות אישיים שאני מנסה לפעול לפיהם בעצמי.

• אמור להיות מעניין;
• להביא עונג פנימי (=לפחות לא לגרום סבל);
• "להיות שלך."

למה אותם? קשה לדמיין לעשות משהו כל יום ולא נהנה ממנו או לא מתעניין. תאר לעצמך שאתה רופא ואתה שונא לתקשר עם אנשים - זה, כמובן, יכול איכשהו לעבוד, אבל אתה תהיה כל הזמן לא נוח עם זרם המטופלים שרוצים לשאול אותך משהו. זה לא עובד בטווח הארוך.

למה הזכרתי במיוחד הנאה פנימית? נראה לי שזה הכרחי להמשך ההתפתחות ובאופן עקרוני לתהליך הלמידה. אני מאוד נהנה כשאני מצליח להשלים איזו פיצ'ר מורכב ולבנות מודל או לחשב פרמטר חשוב. אני נהנה כשהקוד שלי יפה מבחינה אסתטית וכתוב היטב. לכן, ללמוד משהו חדש הוא מעניין ואינו דורש ישירות מוטיבציה משמעותית.

"להיות שלך" זו אותה הרגשה שזה בערך מה שרצית לעשות. יש לי סיפור קטן. מאז ילדותי, התעניינתי במוזיקת ​​רוק (ומטאל - SALMON!) וכמו רבים אחרים, רציתי ללמוד לנגן וזה הכל. התברר שאין לי שמיעה ואין לי קול - זה לא הפריע לי בכלל (ואני חייב לומר שזה לא מפריע להרבה שחקנים ממש על הבמה), וכשעוד הייתי בבית הספר קיבלתי גיטרה... ו התברר שאני לא ממש אוהב לשבת שעות ולשחק על זה. זה הלך קשה, תמיד נראה לי שיוצא איזה שטויות - לא יצא לי מזה הנאה בכלל ופשוט הרגשתי מחורבן, טיפש ולגמרי לא מסוגל. ממש הכרחתי את עצמי לשבת לשיעורים ובאופן כללי זה לא היה אוכל טוב לסוס.

יחד עם זאת, יכולתי לשבת די רגוע במשך שעות ולפתח איזה צעצוע, להשתמש בסקריפט כדי להנפיש משהו בפלאש (או משהו אחר) והיה לי מוטיבציה פרועה לסיים אלמנטים במשחק או להתמודד עם מכניקת התנועה ו/או חיבור ספריות של צד שלישי, תוספים וכל השאר.

ובשלב מסוים הבנתי שלנגן בגיטרה זה לא הקטע שלי ושאני מאוד אוהב להקשיב, לא לנגן. והעיניים שלי נצצו כשכתבתי משחקים וקוד (האזנתי לכל מיני מטאל באותו רגע) וזה מה שאהבתי אז, וזה מה שהייתי צריך לעשות.

יש לך עוד שאלות?

כמובן, לא יכולנו לעבור על כל הנושאים והשאלות, אז כתוב הערות ושלח לי PM - אני תמיד שמח לשאלות.

מקור: www.habr.com