Cómo construir una cartera de ciencia de datos sin experiencia laboral

Piense en cómo quiere planificar, organizar y documentar su carrera en el futuro. Su cartera es tanto para usted como para aquellos de nosotros que contratamos en este campo. Por lo general, nos concentramos en 3 áreas clave:

• Educación
• Muestras de trabajo
• Habilidades

Todo es transferible . La educación puede ser tanto formal como autodidacta. Las muestras de trabajo son lo que ha creado dentro o fuera de una empresa, y sus habilidades no se limitan a sus títulos originales.

Mi consejo más práctico es recordar que su identidad no pertenece a las empresas para las que ha trabajado o para las que trabaja actualmente. Te pertenece. Es tu marca y debes tenerla.

Las organizaciones quieren personas que sepan aprender, sepan cómo destilar ideas complejas hasta sus conceptos simples y sepan cómo desempeñar su papel en un equipo. Su cartera debe mostrar estos atributos en cualquier capacidad que tenga actualmente. Y confía en mí, los tienes. Aprenda a hablar en positivo, no en negativo, y ganará confianza para asumir más desafíos y construir una mejor carrera.

Para el portafolio, obviamente enumere cualquier educación formal, pero también muestre sus esfuerzos para el aprendizaje permanente. Estos pueden ser cursos únicos, certificaciones, bootcamps o un proyecto importante que hayas iniciado. Las muestras de trabajo son cualquier solución a la que contribuyó mientras trabajaba en un equipo. No necesita un empleador para ser parte de un equipo; Estamos viviendo en la era de la información. Envíe algunas solicitudes de extracción en un proyecto de Github que encuentre interesante, intente mejorar la solución de clasificación superior en Kaggle y participe con la comunidad. En cuanto a sus habilidades, deben estar “listas para el examen” cuando se les solicite. ¿Puedes sentarte ahora mismo y mostrarme cómo te mueves a través del flujo de trabajo de aprendizaje automático?

Encuadre todo dentro del flujo de trabajo de aprendizaje automático. Estos son los pasos centrales que cada proyecto debe involucrar, o al menos preocuparse.

Recopilación de datos, preparación de datos, construcción de modelos, validación de modelos e implementación de modelos.

Un error común que veo que la gente comete es que simplemente enumeran los proyectos en los que han trabajado. Eso no me dice nada. ¿Recopiló y preparó datos para ese proyecto? ¿Qué tecnología usaste? ¿Qué aprendiste? Lo mismo para cualquier otro paso del flujo de trabajo de aprendizaje automático.

Una cartera es solo una instantánea de dónde se encuentra actualmente en su carrera. Nadie tiene toda la educación o antecedentes “correctos”. Data Science está en su infancia, por lo que nadie puede afirmar que están mejor preparados. Pero hay quienes poseen su marca mejor que otros y ellos son los que ganan.

Nadie tiene que decirme que escriba sobre inteligencia artificial y aprendizaje automático. Si estuviera solo en una isla, todavía escribiría para ninguna audiencia porque sé que escribir es una forma de refinar los pensamientos. Nadie me dice que cree infinitas aplicaciones web que ejecutan modelos de aprendizaje automático, o que contribuya a proyectos. Nadie tiene que decirme que me promocione o que blandre habilidades frente a los empleadores porque esa es mi parte.

Ya eres una cartera ambulante, llena de pasión e impulso para ayudar a contribuir a esta nueva y emocionante cosa que llamamos Data Science. Simplemente póngalo en papel y sea el dueño.

Hay muchos conjuntos de datos del mundo real que están disponibles en Kaggle. Intente crear una solución de primer corte para al menos 3 problemas del mundo real y cree su cartera utilizándolos. No tengo ninguna experiencia laboral, pero estoy interesado en crear una cartera sólida para mostrar mi trabajo a los reclutadores.

Me uní al curso de Machine Learning en el Curso de IA Aplicada. Nunca imaginé que podía aprender Machine Learning tan rápido y tan fácilmente. Al final de este curso, resolví un proyecto para reconocer la actividad humana a partir de los datos del acelerómetro. Aquí hay un enlace a mi Portafolio de proyectos. Esto es solo 1/5 de mi trabajo en Análisis de datos exploratorios.

Muchos estudiantes aprenden descargando conjuntos de datos disponibles y ejecutando sus programas sobre los datos existentes de alguien. Puede descargar la transmisión de Twitter y crear modelos de análisis y clasificación de sentimientos. Puede descargar datos de Meetup e identificar las mejores tecnologías por región. Puede descargar datos de Github y lenguajes de programación de tendencias de modelos, etc.

Otra cosa que puede hacer es crear un tutorial para alguna técnica o conjunto de herramientas que haya aprendido y publicarlo para ayudar a otros. Desglosar los problemas comunes y complejos en soluciones simples para explicar demuestra habilidades en esa área.

También puede encontrar un profesor que pueda necesitar asistencia de investigación para algo que están tratando de publicar. Ofrezca asistencia sin pago, y gane experiencia y una referencia.

Puede haber empresas locales con grandes conjuntos de datos que podría ofrecer para organizar o extraer. El tema principal es ser proactivo para ganar experiencia y demostrar lo que puede hacer.

Entrevisté a una candidata que acababa de salir de la escuela pero que aún tenía un currículum de dos páginas: no esponjoso, sino proyectos paralelos que hizo en su tiempo libre utilizando datos públicos. Recuerdo tres: un predictor de abandono, un predictor de preferencia de gusto musical, una evaluación comparativa de un modelo de Poisson versus alternativas de conjunto. Ella habló sobre ellos de manera competente, como uno lo haría sobre proyectos de trabajo pasados. Este tipo de esfuerzo muestra una pasión por el campo, así como un buen ajetreo. Le recomendé que la contratáramos. Podrías hacer lo que ella hizo.

Practicar en Kaggle.com es uno de los mejores sitios web que existen. Habla en profundidad sobre las mejores herramientas para usar para Machine Learning, y se trata de resultados y lo que le brinda la mejor precisión de prueba y los mejores métodos para suavizar los datos faltantes.

Ahora es propiedad de google, y los resultados son públicos. Las competiciones han sido pagadas por algunas de las empresas más grandes como Netflix, Facebook y muchas otras.

Algunos de los premios en efectivo son altos, como un millón de dólares para el # 1 y porcentajes para los finalistas. ¿Aprenderá a usar muchas bibliotecas como Sci Kit Learn, Keras o Pandas? de sus foros, y es una forma divertida de aplicar las nuevas técnicas de ciencia de datos y aprendizaje automático de los artículos publicados en la búsqueda de “Google Académico”

Haga algunos proyectos personales que realmente importen y demuestre sus habilidades, alójelos en sitios de código abierto. Hágales saber a las personas que USTED está haciendo ESTO, luego agréguelos a su perfil.

Mire a su alrededor y encuentre problemas personales o profesionales que pueda resolver utilizando habilidades de ciencia de datos, defina un objetivo y ensucie sus manos para resolverlo.

En esta publicación, explico por qué creo que resolver tus propios problemas te hace aprender mejor La forma en que estoy aprendiendo Data Science (y por qué creo que deberías usarlo)

Puede documentar lo que está haciendo en su trabajo hoy. Además, debe documentar sus proyectos paralelos donde aprenda sobre datos.

Siempre puede tomar un certificado a través de Coursera y usar el proyecto como parte de su cartera. Ahora hay muchas maneras de obtener esta experiencia, pero no se pagará. Tendrás que apresurarte y aprender por tu cuenta, lo que también mostrará iniciativa.

Buena suerte con tu transición

¿En qué proyectos han trabajado en la escuela? Según su experiencia educativa, cree proyectos prototipo que se expandan en esos proyectos. Habla con tus profesores y pídeles ideas. Hable con otros estudiantes que tengan proyectos en otras disciplinas que puedan necesitar sus habilidades y cree un proyecto basado en sus necesidades de datos.