Kirill Eremenko

作为教育者,没有什么比帮助我们的学生在数据科学中找到自己的道路更让人高兴的了。几个月前,我们向所有社区成员发送了一份调查,询问他们在开始数据科学职业生涯时的担忧。

我们收到了超过1,000个回复!将其分组成共同主题,出现了以下问题:

我本来希望有机会在我的职业生涯的一端问这些问题。I’ll offer my best hacks for getting your foot in the door, give you a ton of ideas as to where you can look for jobs, and show how you can start in data science with zero experience (it’s not as impossible as you may think!)

数据科学A-Z™:现实生活中的数据科学练习包括

2021年4月最后更新

  • 217课
  • 所有级别
4.5 (29,436)

通过真实的分析例子一步一步地学习数据科学。数据挖掘,建模,Tableau可视化和更多!|基里尔·埃雷门科(Kirill Eremenko), Ligency Team

探索课程

我们为什么需要数据科学?

我喜欢回答这个问题——数据科学家总是在寻找商业“为什么”的答案。

为了得出结论,我们需要了解这个领域到底是什么。数据科学包括与数据有关的一切。考虑到数据是多么无处不在,这听起来可能有些宽泛,但事实就是如此。

曾几何时,数据科学只能在其他字段中作为组件。多年来,这些领域开发了自己的算法,方法,以及与数据合作以回答业务问题的群体。但随着数据驱动所有内容,这只是一个纪律才能在自己的权利中出现的时间问题。

从谷歌Trends上搜索关键词“data science”的结果可以看出,这一领域经历了严重的增长:

自己试试吧。与所有大型数据科学工具一样,您可以过滤结果(根据时间,位置,主题类别)过滤结果(此处。

由于这个原则可以应用到任何有数据的地方,并且由于它的原则增加了价值,我们可以对业务运作的方式产生重大影响。

结束:

我们需要数据科学

我需要在数据科学中工作什么?

随着数据科学变得越来越明显,许多人已经注意到了这个领域,但他们仍然对如何访问它感到困惑。好消息是,这门学科太新了,目前还没有进入这一行业的“标准”方法。

Hadelin de Ponteves和我通过不同的途径成为数据科学领域的企业家,所以你可能会在我们的故事中发现自己的身份:

哈德琳德·庞特维斯

哈德林在高中时开始了他的数据科学之旅,当时他对数学产生了兴趣。在选择大学学位时,哈德林自然选择了数学。在完成他的本科学位时,哈德林认为他还没有完成这门学科,所以他攻读了数学硕士学位。

这是哈德林的逻辑举动,然后在法国工程学学校学习。在那里,他在专业机器学习(ML)和应用数学之前,他深化了他对经济学,生物学,生物学,甚至哲学的一系列科目的了解。

为了加强他的投资组合,Hadelin还借此机会在法国优质电视有线电视频道,运河+实习,在那里他学会了财务和战略的绳索。最终,Hadelin想要的是在某处找到他可以继续他的教育,并将他的理论应用于业务。

在他的学习后不久,谷歌被谷歌抢购,他曾担任商业智能单位的数据科学家。在像谷歌这样的大规模集团工作,给了他在深度学习的不可估量的经历。但他的目标一直是成为一个企业家,所以哈德林决定是时候开始在下一代数据科学家制作在线课程。

他成功的真正关键是什么?哈德琳发誓每天吃一大块巧克力!吃成堆的巧克力并不能让你变成下一个哈德林,但我们从中学到的是做让你感到快乐和充满能量的事情。数据科学之旅需要奉献精神和技能:别忘了在路上善待自己。

Kirill Eremenko

我的故事开始第一次坐在棋盘上。我喜欢国际象棋,特别是游戏背后的逻辑和战略。我总是花了我的举动,因为我痴迷于分析每个可能的胜利可能性!

这种早期逻辑的兴趣是让我在大学的物理学。虽然我很喜欢这个主题,但它给了我一些基本面,我可以在其他地方申请,我没有在大学后继续使用它,因为它会限制我到一个地区。

此外,我始终表现出对以商业为导向的科目的兴趣,更广泛而多才多艺,无论可能发生什么。因此,我在会计和金融中进行了硕士学位。这两个科目都是基本作品,以积累创业可能的信心。

即便如此,我很谨慎 - 我知道要成功,我需要看别人如何做到这一点。为了获得这种知识,我申请了在德勤会计部门的工作,并且幸运能够得到工作。在我的第一天,德勤伴侣看着我的简历,并说我会非常适合他们的数据科学部 - 我是谁说不?

我发现,在德勤工作是一项关于专业服务公司如何运作的有趣研究,并学会了如何在数据科学方面出类拔萃。

虽然德勤可能是很多想进入这个行业的人的金鹅,但不要只瞄准那些最大牌的公司。我在那里有如此美好的经历,不是因为它是一家知名的跨国公司,而是因为他们让我应用了我的知识,提高了我的技能。这是任何一个刚进入这个行业的人都需要超越的东西——发展的机会。只要选择一个行业,并探索其中的许多类型的公司。

这就是我想从我的下一份工作中得到的:在我所学的基础上创造和发展。当我被一家养老基金挖走时,他们让我从零开始发展他们的数据科学部门,设计一种方法来帮助他们的组织在数据上合作,并为客户体验提供一种不同的方法。

我在那里工作了很大的时光,但这让我觉得为自己工作。一旦他觉得他准备好了并聚集了足够的经历,我跃入了企业家精神,开始创造了关于数据科学的Udemy课程。

结束:

没有一个到数据科学的路线,所以世界是你的牡蛎。对于我们而言,关键是确保您在教育和经验的平衡方面,以为知识渊博和对业界充满信心,但这取决于您到您的地址以及如何获取它们。

从别人的经验中寻找知识,尽可能多地阅读,与那些曾经在你想要去的地方的人接触,在努力实现自己的数据科学目标的过程中获得乐趣!

我怎么能证明我的工作?

随着数据呈指数级增长,理所当然我们将需要更多的数据科学家来生产能够处理数据的工具。这可能会让我们相信,数据科学领域的职业不会受到自动化的影响。

然而,这不是整个故事 - 我们在生产工具时越好,以应对数据,我们制作自己的现场的自动化越多。有机器人可以处理整个数据科学过程,而无需人类互动。

那么,数据科学家会被他们自己的算法取代吗?

哈德琳和我已经用Datarobot首席执行官Jeremy Achin讨论了这项确切的事情。Achin和他的团队创建了一个自助式ML平台,任何人都可以上传他们的数据来处理机器。这些机器人几乎没有基本。它们允许您不仅从输入的数据中获得洞察,而且还可以获得需要解决方案的特定问题。DataRobot是自动化数据分析的众多公司之一。

我们知道这个领域的发展方向,我们不想向你推销任何虚假的梦想,即如果你成为一名数据科学家,你的工作将100%安全。要想在这场游戏中保持领先地位,就必须明白,虽然数据机器人可能确实会推动数字运算,但数据科学也依赖于人们想出捕捉、存储和处理信息的新方法。

一台机器可能能够更快地做事,甚至可以识别任务的最佳解决方案,但它不能(又一)设计了数据科学项目的完全新方法。

想想看——是更难遵循规则来获得结果,还是更难找到实现它们的全新途径?

进入现场现在是将自己抵销的最佳时机,在您不做'处于风险的任务的水平,保护您免受自动化威胁。我们可以给出的最好建议是专注于加强创造力。

为了更多地洞察未来证明您的职业生涯,只有一个真正的建议可以遵循:保持自己好奇,让自己饿,尽可能多地学习。即使有数据潮汐波以这种方式移动,我们也不想闹脑,并且有数百个新的和令人兴奋的机会。你只需要准备好,最好的方式是立即开始!

结束:

机器人将变得更聪明,数据科学并不完全免于自动化。但我们还需要数据科学家了解这些机器人,机器人和算法的机制。他们的功能如何工作?他们怎样才能管理?我们如何为公司获得可行的输出?我们还需要思想家 - 可以承担机器能够减少处理的创造性任务的人。在早期进入游戏,当自动化开始发生时,您将成为前面的条纹。

我应该什么时候开始学习数据科学?

考虑到这一领域还处于相对初级阶段,一些人想知道,等到它成熟了再去涉足是否更好。如果你读过前面的一点,你就应该知道我们对这个问题的答案了:没有比现在更好的时间了。

公司正在立即开始向其组织推出数据科学团队 - 即使是那些与科学无关的核心输出!我们生活在一个竞争激烈的世界中。Savvy公司了解到留在游戏中,他们需要一个数据科学团队,以获得洞察力的洞察力,为他们提供竞争优势的业务,确保他们不被驱逐出市场。

这意味着当一家公司开始使用数据科学时,其竞争对手将别无选择,只能遵循西装。

由于大多数公司现在正在创建数据科学团队,更多的机会将出现。量化紧缩,一份由数据科学领导者IBM委托的Burning Glass Technologies的报告指出:

到2020年,根据IBM,所有美国数据专业人员的工作数量将增加364,000次开口为2,720,000。

如果我们认为美国人口接近4亿,这将有效意味着超过一半的美国人口将在今年的数据科学中!数据科学工作通常保持开放45天,这是“比市场平均值的五天”(燃烧玻璃技术,2017)。这意味着公司为填补这些角色而难以努力,这告诉我们人员目前不存在。

那么,你还在等什么?现在就尽你所能进入这个领域,无论是教育领域还是实践领域,确保你是未来社区的一份子。

结束:

有很多方法可以开始,你今天就可以这样做:为什么不上一门课,拿几本好书,成为一名实习生,与真实数据集进行实践,或在公民科学项目中提供帮助?即使你在这一阶段“仅仅”在教育自己,你仍然将自己留在游戏和社区中。如果你只是在等待时机,那就别这么做。公司在找你,他们愿意给你高薪。

数据科学的顶级课程

数据科学专业证书
计算与人工智能学院
4.5 (28)
数据科学课程2021:完整的数据科学训练营
365职业,365职业团队
4.6 (89,759)
畅销书
数据科学与业务分析的统计数据
365职业,365职业团队
4.5 (21415)
畅销书
完整的机器学习和数据科学训练营2021
andrei neage,丹尼尔博克
4.7 (6,770)
Python数据科学与熊猫:掌握12个高级项目
亚历山大Hagmann
4.5 (269)
畅销书
数据科学,分析和人工智能的商业和现实世界™
Rajeev D. Ratan, Nidia Sahjara
4.5 (173)
畅销书
数据科学:Python中的深度学习与神经网络
懒惰的程序员。
4.6 (7,264)
数据科学:Python中的有监督机器学习
懒程序员团队,懒程序员公司。
4.6 (2,197)
商业数据科学|6现实世界案例研究
Ryan艾哈迈德博士,博士,MBA,Mitchell Bouchard,Stemplicity Q&A支持,Ligency团队
4.6 (553)
收视率最高
Python交互式仪表板与斑点短划线
Lianne和Justin(刚刚进入数据)
4.6 (46)

更多数据科学课程

数据科学生也会学习

让你的团队。领导行业。

通过Udemy为Business获取组织的在线课程和数字学习工具库的订阅。

请求一个演示

Kirill Eremenko的课程

数据科学A-Z™:现实生活中的数据科学练习包括
基里尔·埃雷门科,利朗西团队
4.5 (29,436)
Tableau Interview Q&A: Tableau For Data Science Careers
基里尔·埃雷门科,利朗西团队
4.2 (431)
R编程A-Z™:R用于实际锻炼的数据科学!
基里尔·埃雷门科,利朗西团队
4.6 (39628)
畅销书
r编程:R族的高级分析用于数据科学
基里尔·埃雷门科,利朗西团队
4.7 (6,864)
Python A-Z™:用于数据科学的Python与真实练习!
基里尔·埃雷门科,利朗西团队
4.6 (19,947)
Tableau 2020 A-Z:数据科学的实践Tableau培训
基里尔·埃雷门科,利朗西团队
4.6 (63,753)
畅销书
Tableau 20 Advanced Training: Master Tableau in Data Science
基里尔·埃雷门科,利朗西团队
4.7 (12,472)
收视率最高
机器学习A-Z™:Data Science的实践Python&R
Kirill Eremenko,Hadelin de Ponteves,SuperdAtcascence支持,Ligency团队
4.5 (143,925)
畅销书
Power BI A-Z:DOULDS-ON POWER BI培训数据科学!
基里尔·埃雷门科,利朗西团队
4.5 (12,202)
数据科学的颜色A-Z:数据可视化颜色理论
Kirill Eremenko, Patrycja Angelika Jeleniewicz, Ligency Team
4. (904)
深度学习A-Z™:实践人工神经网络
基里尔·埃雷门科,哈德林·德·蓬特维斯,利朗西团队
4.5 (36365)
畅销书
商业分析和数据科学统计A-Z™
基里尔·埃雷门科,利朗西团队
4.5 (8243)

Kirill Eremenko的课程