Följande artikel hjälper dig: 6 produktivitetstips för nybörjare dataforskare, analytiker och… – Mot AI
Ursprungligen publicerad på Mot AI.
Karriärer
Tips som kommer att snabba upp produktiviteten i din datavetenskap, analys och ingenjörsresa som nybörjare.
Vad inspirerade mig att skriva om detta ämne är det faktum att många nybörjare når mig för frågor som:
- vad behöver jag för att bli en bra datavetare?
- Hur kan jag förbättra mig själv som en absolut nybörjare?
- Hur kan jag sticka ut vid intervjuer?
Jag kunde minnas när jag ville lära mig datavetenskap och maskininlärning.
Jag var också nyfiken på specifika saker jag behöver göra för att snabba upp mig själv medan jag precis börjat sedan jag passerat det stadiet och har mer erfarenhet.
Jag kommer att dela med mig av några tips som hjälper nybörjare på deras resa från min erfarenhet inom datavetenskap.
I den här artikeln kommer du att förstå sätt att förbättra dig själv som en blivande eller nybörjare dataforskare.
Jag kommer att förklara sex viktiga produktivitetstips för att förbättra dig själv som nybörjare, junior, grundutbildning eller blivande datavetare, dataingenjör eller dataanalytiker.
Dessa tips är:
- Lös problem, håll dig inte till verktyg eller programmeringsspråk.
- Samarbeta med andra.
- Grundläggande först.
- Sluta förhala och undvik Imposter Syndrome.
- Bygg sidoprojekt.
- Börja skriva.
- Lös problem, håll dig inte till verktyg eller programmeringsspråk: En nybörjare bör vara fokuserad på att lösa problem.
Vad är processen för problemlösning inom datavetenskap?
- Att veta hur man rengör din data.
- Säkerställa datakvalitet.
- Berätta historier med data.
- Gör rapporter och rekommendationer.
- Analysera och göra affärseffekter.
På så sätt ger du uppmärksamhet åt att lösa affärsproblem.
Alla programmeringsspråk har sina brister, inget programmeringsspråk är perfekt.
Vad menar jag?
- Baserat på forskning och användningsfall är programmeringsspråket R bäst för att arbeta med statistiska koncept eftersom R har fler inbyggda bibliotek för statistik än Python.
- Python verkar vara bättre när man försöker arbeta med maskininlärning och djupinlärning.
- Javascript är bäst för modelldistribution i webbläsaren.
Vi bör veta att om jag försöker arbeta med ett projekt som involverar att använda avancerad statistik, är R det bästa programmeringsspråket i det här fallet, medan om jag försöker arbeta med maskininlärning och djupinlärning så är Python det bästa verktyget för mig att använda sig av.
Därför, om Python inte ger en lämplig lösning, bör jag optimera för ett bättre sätt att lösa problem.
2. Samarbeta med andra: Ett populärt afrikanskt ordspråk säger att om du vill gå snabbt, gå ensam, men gå tillsammans om du vill gå långt. Inom datavetenskap spelar samarbete en viktig roll i din karriärutveckling.
Att göra datavetenskap och datateknik ensam kan fungera för Zindi- eller Kaggle-tävlingar. men detta är inte fallet i den verkliga världen eftersom datavetenskap innebär mycket datavisualisering, datarensning, modellinstallation och så vidare.
Stora saker i affärer görs aldrig av en person; de görs av ett team av människor – Steve Jobs
Det är svårt att vara expert på alla aspekter av datavetenskap.
Att samarbeta med andra dataforskare kommer att få dig att gå långt.
Verkliga projekt kräver människor med olika expertis, från datavisualiseringsexperter till maskininlärningsingenjörer, datorseendeingenjörer, produktdataforskare, etc.
Mitt råd till nybörjare dataforskare är att leta efter andra entusiaster inom området, försöka samarbeta och arbeta med Data Science-projekt, gå på Hackathons och arbeta som ett team.
Samarbete främjar lagarbete och kommunikationsförmåga, vilket är mycket viktiga mjuka färdigheter för datavetare, ingenjörer eller dataanalytiker.
3. Grundläggande först: Lär dig att behärska grunderna.
Att behärska grunderna hjälper dig att snabbt lära dig avancerade begrepp inom datavetenskap, eftersom de byggde alla avancerade begrepp på grunderna.
När du går in i datavetenskap, lär dig att förvänta dig att du kommer att bli en mästare på det, hur lång tid det än tar.
Det kan vara så frestande att hoppa över grunderna på grund av pressen av att saker utvecklas så snabbt.
Vinnare lär sig inte bara grunderna, de behärskar dem. Du måste övervaka dina grunder hela tiden eftersom det enda som förändras kommer att vara din uppmärksamhet på dem – Michael Jordan
Vi lever i en värld där nybörjare söker tjusiga bibliotek, koncept och ramverk.
Nybörjare Dataforskare vill hoppa över att förstå grunderna för statistik, och linjär regression till komplexa saker som datorseende och neurala nätverk, de vill hoppa över maskininlärning till djupinlärning.
Det här är som en bebis som försöker springa snabbt utan att krypa eller ens gå alls. I längden kommer detta att påverka din resa.
Konceptet med villkorliga uttalanden, datarensning och funktionsteknik används när man bygger maskininlärning end-to-end-applikationer.
Förstå de grundläggande begreppen innan du går vidare eller bygger större saker inom datavetenskap.
4. Stoppa förhalning och undvik Imposter Syndrome: Prokrastinering är ett av de största hindren som nybörjare dataforskare möter. Att vara konsekvent som nybörjare är svårt, men du kommer att klara dig bra när du är konsekvent. Ju mer konsekvent du lär dig och förbättrar dig, desto lättare för dig att få ditt drömjobb.
Konsekvens är nyckeln. När du är inkonsekvent förlänger du tiden du behöver för att få jobbet, eftersom du också kommer att förbli föråldrad, eftersom datavetenskap är ett område i utveckling.
Det bästa sättet att stävja förhalandet är att börja. Bara börja. Det är så lätt att skjuta upp som nybörjare eftersom du alltid hittar 1000(ett tusen) skäl att börja senare men sluta skjuta upp.
Steg för att undvika förhalning som nybörjare som dataforskare
- Planera din uppgift – Ha en tydlig översikt över vad du vill göra och ta itu med en sak i taget.
- Ta bort triggers- Ta bort allt du vet kommer att distrahera dig. Till exempel: Om du kommer att bli distraherad av sociala medier. Ta bort Twitter eller kanske Facebook-appen, och försök logga in via webbläsaren. På så sätt minskar du det som får dig att skjuta upp.
- Lovar att leverera inom ett tidsintervall offentligt — En teknik jag använder är att lägga ut det på sociala medier. Till exempel, Jag gör något som att jag publicerar min artikel senast nästa vecka på onsdag offentligt på sociala medier, vilket motiverar mig att publicera en artikel innan denna deadline. Har använt denna flera gånger. Det fungerar. Det är som att ge dig själv en strikt deadline för att leverera. Du kan också gå med i 100 dagars kod på Twitter att hålla sig konsekvent.
Som gäller bedragare syndrom, alla får bedragares syndrom någon gång. Att utveckla är utmanande och det är lätt att känna sig som en bedrägeri när du fastnar i en bugg eller inte kan lösa ett “enkelt” problem.
Det fina med bedragaresyndromet är att du vacklar mellan extrem egomani och en fullständig känsla av: ‘Jag är en bedragare! Åh gud, de är på mig! Jag är en bedragare! . . . försök bara rida på egomanin när den kommer och njut av den, och glid sedan igenom tanken på bedrägeri — Tina Frey
De bästa dataforskarna och maskininlärningsingenjörerna har imposter-syndrom, har läst inlägg på LinkedIn där proffs på MAANG (Meta, Apple, Amazon, Netflix och Google) pratar om hur de mötte imposter-syndromet, så du har imposter-syndromet som nybörjare är giltigt men låt det inte åsidosätta dig, eftersom lärande är en kontinuerlig process, det är en oändlig linje.
Ju mer du lär dig, desto mer upptäcker du att det finns mycket du inte kan och som du fortfarande behöver lära dig.
5. Bygg sidoprojekt: Ju tidigare du bygger sidoprojekt, desto bättre för dig. Du behöver inte veta allt innan du bygger sidoprojekt.
Ju mer du går djupt in i datavetenskap, desto mer upptäcker du att det inte är värt att fira att få så många intyg om slutförande utan att bygga ett verkligt projekt.
Fråga aldrig någon om deras åsikter, prognos eller rekommendationer. Fråga dem bara vad de har – eller inte har – i sin portfölj – Nassim Nicholas
Detta är den hårda sanningen. Den värld vi befinner oss i idag handlar om vad du kan göra.
Vi känner musiker för sina verk på samma sätt som en konstnär. Hundra kurser utan projekt är som att bara titta på film.
Ingen blir belönad för det. Bygg projekt. Det är svårt att få ens ett praktikantjobb som inte har något projekt att visa rekryterare.
Stapla inte bara intyg om slutförande utan något projekt att visa för det. Börja smått, bygg miniprojekt och fortsätt sedan skala till större projekt med tiden.
6. Börja skriva: Jag vet att du som nybörjare kanske börjar tänka, men jag har precis börjat lära mig datavetenskap. Jag kan inte datavetenskap på djupet att skriva.Du behöver inte vara expert för att skriva om ett ämne. Du måste kunna förklara det för en amatör.
Att skriva tvingar dig att tänka djupt och gräva efter klarhet från kaninhålet. När du skriver tvingar du din hjärna att tänka intuitivt genom forskning och strävar efter att veta mer.
Det finns alltid något att bidra med i ett ämne, alla har sitt perspektiv på ett ämne. Detta är en avgörande anledning till att du bör börja skriva även som nybörjare.
Tricket till bra skrivande är att skriva för sig själv.
Skriv om ämnen du vill lära dig och utforska.
Att ha ett omfattande projekt kan vara så svårt för någon som bara lär sig datavetenskap, eftersom att förstå hur man bygger ett heltäckande maskininlärningsprojekt kan ta tid och vara så svårt för nybörjare.
Det bästa du kan göra är att skriva om alla stadier du lär dig eller har lärt dig färdigt.
På så sätt gräver du djupare för att förstå konceptet, snarare än att bara surfa.
Dela din kunskap genom artiklar, trådar och inlägg, eftersom det kommer att få dig att förstå bättre.
På så sätt bygger du också upp din kommunikationsförmåga, vilket är ett måste för alla datavetare, dataanalytiker eller dataingenjörer.
När du söker ett praktikant- eller nybörjarjobb är det saker som gör att rekryteraren ser dig som någon värd att anställa.
Det finns många överväldigande begrepp inom datavetenskap och teknikområdet.
Att använda Feynmans inlärningsteknik är ett effektivt sätt att lära sig och förstå datavetenskap och maskininlärning.
Sedan jag läste om den här tekniken började jag skriva om datavetenskap och det får mig att gräva djupare och även förtydliga min tanke genom att skriva.
Feynman-tekniken för lärande:
Feynman-tekniken är en inlärningsmetod uppkallad efter Richard Feynman.
I den här tekniken förklarar en person konceptet de helt enkelt lär sig för sig själva för att hitta luckor i sin kunskap.
Tekniken består av fyra steg:
- Välj ett ämne du vill förstå och börja studera det. T.ex. webbskrapning med Python, modellinstallation med Azure eller dataversionering med DVC.
- Låtsas att du lär ut ämnet i ett klassrum — I det här fallet, skriv om ämnena, gör djupgående forskning och dela och få feedback.
- Gå tillbaka till böckerna, videorna eller den officiella dokumentationen när du fastnar.
- Förenkla och använd analogier!
Om du inte kan förklara det enkelt, förstår du det inte tillräckligt bra – Albert Einstein
Obs: Om du vill bemästra något, lär det ut, eftersom att lära ut ett ämne är att lära dig två gånger.
Och vi drar slutsatsen här…
Du har precis lärt dig sex produktivitetstips för nybörjare som datavetare, varför du ska börja skriva, varför du ska sluta skjuta upp och undvika bedragares syndrom, vikten av att samarbeta med andra, bemästra grunderna och fördelarna med att bygga sidoprojekt som nybörjare.
Jag hoppas att du har lärt dig mycket och kommer att börja tillämpa dessa produktivitetstips i ditt dagliga liv eftersom dessa tips kommer att snabba upp produktiviteten i din datavetenskapsresa som nybörjare.
Grattis! Du har nu ett grepp om de sex produktivitetstipsen som kommer att göra dig grundad i din datavetenskapsresa som nybörjare, junior eller grundutbildning dataforskare.
Jag kan inte vänta med att se dig anta det som förklaras i den här artikeln och börja skapa vågor med dem.
Kontakta mig på Linkedin
Kontakta mig på Twitter
Publicerad via Mot AI
