[[252577]]

大數據文摘出品

編譯：李雷、羅然、Aileen

許多數據科學職業建議(或求職/面試準備建議)都有類似的問題：受眾太寬，建議泛泛。

本文作者深受其害，這些繁多的資料使得不少有抱負的準數據科學家很困惑，到底如何分配時間到他們想進入的領域。

這篇文章中，本文作者將針對三種不同的、想要進入數據科學領域的人群，給出自己的經驗，幫助他們迅速有效入行。

雖然沒有適合每個人的***解決方案，但這三類建議值得想轉行的你一看。

第1類：新手上路

[[252578]]

如果你剛剛進入數據科學領域，請記住這一點：這個領域發展很快，我在這里給出的建議基本上在你工作時已經過時了。能滿足2017年招聘崗位要求的建議策略，在如今可能就不滿足，而今天的數據科學領域招聘標準與一兩年后的標準之間的差異可能更大。

因此，如果你打算在數據科學領域發展事業，并且沒有編程經驗和STEM(科學Science，科技Technology，工程Engineering，數學Mathematics四門學科英文首字母的縮寫)背景，那么這里有一些建議：

• 首先要保持開放的心態。如果你是一個新手，那么你實際上并不知道什么是數據科學，所以它完全有可能不是你想要的工作領域。請與LinkedIn上的一些數據科學家進行聯系，請他們喝咖啡并向他們請教;并關注數據科學播客。要成為數據科學家需要花費大量的時間和精力，如果僅因你自認為駕馭數據科學很酷，然后就一頭扎進去，這并不是冒險的好理由。請確保充分了解數據科學中不好的方面，比如數據整理，以及構建數據生產流水線，而這些工作占了數據科學家日常工作的大部分時間。
• 如果你決定要從事數據科學領域的工作，那太好了!你首先要做的是學習Python。盡快在MOOC(大規模網絡公開課平臺即慕課)上選擇相關的課程項目。當熟悉Python基本用法后，請學習如何使用Jupyter notebooks工具，并選學一些數據科學領域的網絡公開課。
• 如果你是完全從零開始的，一開始就以高級的數據科學職位為目標可能不太好，選擇一些入門級的職位比較好，比如數據可視化或數據分析職業的需求量很大，并且市場需求也大。這些崗位的人員通常與數據科學家一起工作，一旦你積累了相關經驗，就為今后的勝任更高級的數據科學相關職位奠定了基礎。

如何包裝個人品牌：如果你已經準備好申請工作，你可能會驚訝地發現個人品牌在數據科學中非常重要。由于你沒有任何專業經驗，或者沒有計算機科學專業的研究生學位，你也許會擔心個人亮點不足。但實際上這可能是***的優勢所在：如自學成才的開發人員/數據科學家，這些將成為公司可以利用的快速學習和努力工作的優點。但問題是，你背負著去實現那個形象的重擔：這是一座陡峭的山需要你去攀登，但是回報肯定是值得的。

第2類：軟件工程師

[[252579]]

在我遇到的專業數據科學家中約有20%是軟件工程師，一方面，他們有從編寫程序到形成產品的工作經驗，是開發團隊中難得的經驗人才。另一方面，對于全棧開發人員的需求很多，使得公司比較愿意朝著全棧工程師方向培養軟件工程師，即使他們的錄用通知上寫的職位是“數據科學”。所以你要避免被當作軟件工程師而不是數據科學家。

其他一些建議：

• 首先可以先往更注重后端/數據庫的方向上靠。把深化對數據生成線流水線的認識作為良好的開端，可以幫助你建立關鍵的數據處理技能;當然也可以幫你重塑自己，把自己塑造成一個經驗豐富的數據管理者。
• 機器學習工程可能是更容易過渡到數據科學領域的，因為它和該領域的研究內容最接近。你可以先著手部署模型或將它們集成到現有應用程序，因為這可以充分利用你的現有技能，這是邁出***步的好方法，反正以后你總是可以投入更多精力到模型開發中的。
• 為了讓招聘人印象深刻，你很可能需要建立機器學習或數據科學項目。那么利用你的軟件工程技能，把這些項目集成到可以向招聘人員和技術主管展示的應用程序中。這會特別有效，因為它很直觀，并體現了你作為一個全棧數據科學家的潛力。
• 要記住的是：在過渡期，你的薪資極大可能會變少。即使是高級軟件工程師換到數據科學領域時，通常也是要先過渡到初級職位的，但令人驚訝的是，他們中的很多人在做決定時并沒有考慮這個因素，然而拿到的薪資少了，卻又失望。

如何包裝個人品牌：一個最簡單的方法就是充分利用你的軟件開發經驗。作為初級職員，已經知道如何編寫干凈、文檔齊全的代碼，以及如何與他人協作，這是大多數職位申請者不具備的。如果要真正做到善于寫“干凈的產品代碼”，你還需要盡可能多的去學習數據科學領域中類似的好案例。

第3類：新CS、數學或物理學畢業生

[[252580]]

如果你是應屆理科本科，碩士或博士畢業生，那么你統計學和數學基礎可能很好。但你可能從來沒有申請過真正的工作職位，也不知道如何準備面試。而且就算你在讀期間一直有編碼，但很可能無法編寫干凈、組織良好的代碼。

所以要記住以下幾點：

• 你在讀期間所學的R是不夠的。如果你是一名物理學家，并且賭定要用MATLAB或Mathematica的技能找到工作，那這可能不太會如愿;所以學習Python吧。
• 你可能需要盡快學習這些你沒接觸過的東西：協作版本控制(學習如何用GitHub與其他人一起工作)、容器化(學習如何使用Docker)和開發(學習如何用AWS或類似的服務在云上部署模型)。另外，SQL也是必須的。
• 學習Python中的測試驅動開發，如何使用文檔字符串，如何對代碼進行模塊化，以及如何使用Jupyter筆記本(如果還不會的話)。
• 如果你的領域特別注重數學，那么深度學習可能是一個很好的探索方向。但你可能會發現，從更傳統的“scikit-learn”類型的數據科學開始起步，再過渡到深度學習可能更容易。最重要的是要入行，并盡快開始編程。

如何包裝個人品牌：：特別是如果你學的是數學或物理專業，那么***的策略是要呈現出自己是具有深厚理論知識的人。要做到這一點，你需要能夠自信地解釋各種模型是如何工作的，***要熟悉文獻中***的熱點(特別是如果你的目標是深度學習的話)。

警告：當然我所提供的建議并不能涵蓋所有職業。對于軟件工程師而言，他們確實比其他人走的遠一些，一些有數學基礎的初學者可能是最適合的深度學習的研究者。但是以上這些建議能為你的技能精進提供一個好的起點。

***，無論您是軟件工程師、應屆畢業生，還是完全初學者，都要問自己一個關鍵問題：在上述建議中，什么樣的職業軌跡最接近你。如果你是想成功入門數據分析師或數據可視化專家，那么這將是協助你走上正確的職業軌跡的***方法。

相關報道：

https://towardsdatascience.com/3-common-data-science-career-transitions-and-how-to-make-them-happen-588c3618942f

【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文