Как создать портфолио в области науки о данных, которое поможет вам найти работу?

В общем, вам необходимо знать полный жизненный цикл Data Science и его реализацию на реальных данных, а также разработать сквозную систему для приложения Data Science.

Нетехнические возможности

Наука о данных больше связана с пониманием данных и передачей того, что вы поняли из своих исследований и анализа. Речь идет о том, чтобы поделиться своим пониманием перед миром. В целом, мы можем сказать, что хороший специалист по данным должен хорошо сообщать о результатах и ​​уметь работать в сотрудничестве с разными типами членов команды, а также уметь понимать и рассуждать на основе данных больше. Итак, вам необходимо продемонстрировать искусство рассказывания историй, которое является одной из основных основ профиля Data Science.

Способность понимать и рассуждать больше на основе данных, анализировать данные и выявлять идеи, которые вызывают больше вопросов из этих данных, и решать эти реальные проблемы - это любопытство, которое движет индустрией науки о данных в реальном мире.

Так что нам с этим делать?

Для студентов, обучающихся в каком-либо колледже, или для первокурсников, активно ищущих работу, самое важное:

Попробуйте пройти стажировку.

Стажировка - одна из самых важных вещей, на которую следует обратить внимание после того, как они завершили изучение концепций основной предметной области. Стажировка в области Data Science значительно повысит ценность вашего портфолио, поскольку покажет рекрутеру, что у вас есть некоторый опыт работы в отрасли и вы хорошо знакомы с реальными проблемами.

Теперь вы прошли стажировку, так что вы можете добавлять проекты, которые вы создали, и проблемы, которые вы решили, все то, что вы можете с гордостью упомянуть в своем резюме. Итак, это было первое и самое важное, что вы должны были сделать.

Что, если мы не получим стажировку?

Предположим, вы студент колледжа, который изо всех сил пытается устроиться на стажировку, но каким-то образом вы попадаете ни с чем. Что тогда делать?

or

Предположим, вы являетесь работающим профессионалом, и вы работали в другой сфере в какой-то компании, и теперь вы хотите переключиться на карьеру в области науки о данных, но вы не получаете стажировку или какой-либо проект в своей существующей компании, касающийся науки о данных. Что делать в таком случае?

Создайте свой собственный «Проект».

Да это правда. Возьмите любую проблему, которую вы видите в мире, где вы знаете, что могли бы внести изменения, если бы у вас когда-либо была возможность поработать над этим. Самое время! Возьмите проект и создайте для него полное комплексное решение. Поверьте мне, личный проект, полностью выполненный вами, значительно повысит ценность вашего портфолио, что иногда может быть эквивалентно прохождению стажировки.

Вы можете собирать интересующие вас наборы данных с таких веб-сайтов, как Kaggle, на которых есть множество бесплатных наборов данных. Затем вы можете приступить к работе над своим проектом. Создайте сквозную систему, которая решит вашу проблему, и разверните свой проект в любых облачных сервисах, таких как AWS, GCP и т. Д. Помните, что вам нужно убедиться, что вы работаете над полным сквозным проектом, а не только над часть этого должна быть от сбора данных до передачи результатов и, наконец, развертывания готовой к использованию системы в облаке.

Затем примите участие в соревнованиях по Data Science

Существуют различные веб-сайты, на которых регулярно проводятся соревнования по Data Science, например, Kaggle ежемесячно проводит некоторые соревнования на своем веб-сайте. HackerRank - еще один такой хороший веб-сайт, на котором регулярно проводятся соревнования по найму и длительные испытания, где вы можете решить проблему, применив свои навыки и работая над повышением точности своей модели или тому подобным.

Таким образом, такие веб-сайты ограничены для повышения точности модели машинного обучения, но вы не останавливаетесь на достигнутом. Возьмите оттуда набор данных и самостоятельно создайте полную комплексную систему. При этом вы узнаете много нового, что будет очень полезно для общего роста ваших знаний в определенной области и принесет вам большую пользу во время собеседования. Теперь вам нужно подумать о том, как вы можете использовать ресурсы определенного веб-сайта (например, Kaggle) и использовать их для создания полностью готовой рабочей системы, которую вы можете добавить в свое портфолио.

Примечание. Даже несмотря на то, что у вас НЕТ опыта работы в реальной индустрии, проект может творить чудеса!

Что нужно сделать для сильного портфолио

Вам нужно работать над своими общедоступными профилями, такими как GitHub, LinkedIn, Kaggle и т. Д., Чтобы произвести хорошее впечатление на рекрутера, который определенно будет впечатлен, если профили будут хорошо построены.

1. GitHub: пусть ваш профиль GitHub расскажет о вас! Каждый раз, когда вы создаете проект, делитесь им в своей учетной записи GitHub и обновляйте репозиторий с помощью самых последних файлов проекта. Храните надлежащую документацию о своей работе и регулярно обновляйте файл README.md, который является докладчиком вашего проекта. Да, докажите свои нетехнические возможности, задокументировав проект и объяснив полную архитектуру того, как вы реализовали каждый конвейер в проекте, и красиво объясните это в файле readme, который значительно улучшит ваш профиль.
2. LinkedIn: LinkedIn - один из крупнейших профессиональных веб-сайтов, ориентированных на трудоустройство, который может связать вас с потенциальными работодателями. Регулярно обновляйте свой профиль в LinkedIn и четко указывайте весь свой опыт и проекты. Вы можете попытаться связаться с менеджерами по найму, которые могут назначить для вас собеседование, если им нравится ваше портфолио, или вы можете связаться с людьми, которые работают в конкретной компании, и узнать о работе и культуре науки о данных в компании.
3. Ведение блога: напишите хотя бы один блог о реализации ваших крупных проектов и поделитесь своими мыслями, результатами и работой, ожидая, что ваш читатель будет непрофессионалом, которому вы хотите объяснить все о своем проекте с нуля. Data Science - это открытое сообщество, в котором обмен знаниями о том, что вы знаете, и вклад в сообщество посредством написания статей может значительно повысить ценность вашего портфолио. Несомненно, это добавит очень положительного впечатления рекрутеру о вас, потому что вы больше любите делиться знаниями и исследованиями.

Эти вещи определенно помогут вам в создании гораздо лучшего и сильного портфеля. Будьте в курсе новых технологий, и со временем вы обязательно добьетесь успеха!

Еще статьи о Data Science от Парас Варшней:

и многое другое на Paras Varshney.

Надеюсь, вы наверняка что-нибудь извлечете из этого чтения!

Если вам это нравится, и поделитесь этим с друзьями и помогите сообществу становиться лучше и сильнее. Свяжитесь со мной в Linkedin.

Спасибо!