Les meilleures étapes pour maîtriser la science des données, croyez-moi, je les ai essayées
Publié: 2017-10-10Thulasiram a obtenu son diplôme PG en analyse de données de UpGrad et IIIT-Bangalore et travaille maintenant à UpGrad en tant qu'associé de programme pour l'analyse de données à UpGrad .
Il y a des années, j'ai lu une histoire dans le livre Le moine qui a vendu sa Ferrari , une histoire dont je me souviens encore aujourd'hui.
Il était une fois un professeur réputé pour ses talents de tir à l'arc. On disait que la flèche du professeur ne manquerait jamais l'oeil du taureau. Ses compétences ont attiré de nombreux étudiants. Un jour, le professeur a demandé à l'un de ses élèves de lui bander les yeux. Ensuite, il a demandé à l'étudiant de mettre en place une cible et de lui donner son arc et ses flèches. Tous les élèves retenaient leur souffle et regardaient le professeur. Dans leur cœur, ils étaient sûrs que la flèche du professeur atteindrait la cible. Alors que tout le monde regardait en retenant son souffle, la flèche du professeur a quitté l'arc et a raté la cible ! Les élèves sont restés bluffés. L'un des élèves a enlevé le bandeau du maître et lui a demandé : « Comment as-tu pu manquer la cible ? Le maître a répondu -
"On ne peut pas toucher une cible qu'on ne voit pas !"
Il y a longtemps, j'ai assisté à un événement de formation des enseignants. Dans l'une des conférences, on nous a dit que nous devrions informer les étudiants à l'avance de ce qu'ils apprendront au cours d'une session particulière, car cela les aidera à mieux se préparer à ce qui va arriver. L'apprentissage se produit mieux lorsque les élèves savent pourquoi ils apprennent ce qu'ils apprennent et comment cela peut être utilisé. Le contexte aide à faciliter l'apprentissage. En essayant de résoudre un problème difficile de manière créative, l'apprentissage se fait naturellement et ce que nous apprenons reste avec nous.
Comment pouvons-nous appliquer ces principes généraux à la science des données ? La première étape dans la maîtrise de la science des données est d'avoir un objectif mesurable. Vous devez avoir une passion et un amour pour les données. Dans le Digi-verse d'aujourd'hui, il est facile de se perdre ou de se laisser distraire. Concilier travail, famille et apprentissage rend les choses encore plus compliquées. Il est donc crucial de se fixer un objectif d'apprentissage et de le suivre méticuleusement.
Un guide de démarrage pour l'analyse de données
Deuxièmement, la pratique est indispensable pour maîtriser n'importe quelle compétence. Dans le livre Outliers , Malcolm Gladwell affirme qu'il faut 10 000 heures pour maîtriser une compétence. Il y a un peu de controverse autour de ce nombre, mais une chose est claire : sans pratique, la maîtrise de n'importe quelle compétence ne peut être atteinte. La science des données ne fait pas exception. La meilleure approche est de travailler sur un problème qui vous tient à cœur, celui qui vous inspire. Apprendre pour apprendre ne durera pas longtemps et la théorie sera oubliée en cours de route.
Récemment, j'ai lu un article sur un étudiant qui a aidé à résoudre le problème de la détection du cancer de l'œil en analysant des images accessibles au public. Elle a appris tout ce qu'il fallait pour résoudre le problème en cours de route et a réalisé quelque chose de grand. La science des données, par définition, est un sujet interdisciplinaire. Cela implique l'algèbre linéaire, la programmation, les statistiques, l'infrastructure informatique et bien d'autres domaines. Cette longue liste est intimidante pour nous tous qui aimerions franchir les portes de la science des données.
Par conséquent, cela vous fera du bien de vous concentrer initialement sur deux ou trois algorithmes et d'essayer de les appliquer aux problèmes que vous choisissez. Au lieu d'en apprendre un peu plus sur tous les algorithmes sous le soleil, explorez-en quelques-uns en profondeur. Actuellement, les ressources de notre monde sont très réduites et leur demande est bien trop élevée. L'utilisation optimale de la science des données peut nous aider à trouver des moyens d'utiliser au mieux ces ressources rares.
De plus, essayez d'expérimenter lorsque vous travaillez sur un problème. Vous pouvez procéder de plusieurs manières et vous ne connaîtrez la bonne qu'une fois que vous l'aurez essayée. Les expériences vous prépareront à effectuer des tâches de science des données telles que l'amélioration de la précision des algorithmes, la réduction du temps d'exécution, la parallélisation de l'exécution, la préparation du modèle pour la production, etc. Dans de nombreux entretiens d'embauche que j'ai donnés, un point commun question concernait les ensembles de données que j'avais manipulés ou les problèmes du monde réel que j'avais résolus. Travailler sur un problème sera assurément un gros atout dans votre recherche d'emploi également. 
La communication des résultats est aussi importante que l'analyse elle-même. La science des données consiste à raconter des histoires. Dans une autre interview, on m'a demandé -
« Comment expliquerez-vous la médiane à votre grand-mère ? »
J'ai dû improviser pour expliquer le jargon complexe avec des mots simplifiés. Dans une organisation, la direction ne sera souvent pas consciente du jargon, et une communication simple et efficace sera essentielle. Essayez d'expliquer les concepts de la science des données aux enfants (ou aux grands-parents !) et voyez s'ils comprennent.
Salaires des Data Scientists et Analystes
Enfin, tout se résume à la visibilité et à la présence. En tant que data scientist en herbe, il est crucial d'améliorer votre visibilité numérique. Créez un compte GitHub et téléchargez tous vos projets pour les présenter. Contribuer à des blogs sur la science des données. Rejoignez des groupes de science des données et contribuez aux discussions en cours. Essayez de répondre aux questions sur Quora, Reddit et d'autres forums populaires.
Voici quelques-unes de mes méditations sur le long chemin menant à la maîtrise de la science des données. Vous aurez certainement d'autres idées ou suggestions. Veuillez partager vos réflexions, articles, vidéos et podcasts, ou tout autre élément qui, selon vous, sera utile à vos pairs pendant qu'ils parcourent ce chemin ardu mais passionnant et extrêmement épanouissant avec vous !
Quel est le rôle d'un Data Scientist ?
Les scientifiques des données travaillent dans une variété d'industries, en partenariat avec d'autres pour développer des algorithmes capables d'organiser et de récupérer de grandes quantités de données. Ces données sont utilisées pour examiner les actions passées de l'entreprise, formuler des stratégies et faire des plans futurs. De plus, les scientifiques des données travaillent avec diverses parties prenantes au sein d'une organisation ou d'une entreprise pour recommander le meilleur plan d'action en fonction de leurs données. Ils sont chargés d'expliquer le jargon technologique compliqué comme l'apprentissage automatique, le big data et la modélisation mathématique aux professionnels non techniques.
Quelles sont les compétences requises pour poursuivre une carrière en Data Science ?
La science des données est indéniablement l'une des professions les plus en expansion en termes de perspectives d'emploi. La science des données est utilisée dans une variété d'applications, allant de la simple prévision des ventes aux automobiles autonomes et aux assistants personnels. Il n'est pas surprenant qu'un Data Scientist qualifié soit en forte demande. Ainsi, pour maîtriser la science des données, il faut acquérir des compétences techniques et non techniques telles que la programmation Python et R, Hadoop, les bases de données SQL, l'apprentissage automatique et l'IA, la visualisation des données, les stratégies commerciales, la communication, la narration, le sens des affaires, etc.
Quelle est l'importance de la science des données?
Premièrement, les entreprises et les organisations peuvent transformer une grande quantité de données non structurées et brutes en informations pertinentes à l'aide de la technologie de la science des données. Deuxièmement, qu'il s'agisse d'une grande entreprise ou d'une start-up, la science des données devient de plus en plus populaire. Pour une meilleure expérience client, des entreprises comme Google, Amazon, Netflix et d'autres qui traitent beaucoup de données utilisent des algorithmes de science des données. Enfin, la science des données aide à l'automatisation des transports, comme le développement d'une automobile autonome, qui est le mode de transport du futur. De plus, différentes enquêtes, élections, confirmations de billets d'avion et autres prévisions peuvent toutes bénéficier de la science des données.