Bild vom Autor
 

Möchten Sie in eine Data-Science-Karriere wechseln? Wenn ja, besteht die Möglichkeit, dass Sie sich bereits für einen Online-Kurs, ein Bootcamp oder ähnliches angemeldet haben. Vielleicht haben Sie eine Roadmap für das Selbststudium der Datenwissenschaft mit einem Lesezeichen versehen, die Sie durcharbeiten möchten. Wie wird Ihnen ein weiterer Leitfaden – dieser Leitfaden – helfen?

Wenn Sie sich für eine Karriere im Bereich Datenwissenschaft entschieden haben, müssen Sie darauf hinarbeiten. Es gibt keinen anderen Weg. Außerdem bedeutet die Erlangung eines Data-Science-Jobs viel mehr als nur das Erlernen von Data-Science-Konzepten. Und selbst während des Lernprozesses können die Konzepte, Werkzeuge, Techniken und Bibliotheken, die Sie lernen müssen, überwältigend sein.

Dieser Artikel ist kein Clickbait; Es gibt also keine großen Versprechungen, Ihnen zu helfen, Ihren Job im Bereich Data Science in X Tagen zu bekommen. Vielmehr bieten wir einen ganzheitlichen Ansatz für die Jobsuche im Bereich Data Science. Welches beinhaltet:

• Erlernen datenwissenschaftlicher Konzepte 
• Arbeiten Sie an Projekten, um Ihr technisches Fachwissen unter Beweis zu stellen 
• Vermarkten Sie sich als Profi
• Strategische Vorbereitung auf Vorstellungsgespräche 

Wir hoffen, dass dieser Leitfaden Ihnen dabei hilft!

Um in die Datenwissenschaft einzusteigen, sollten Sie zunächst eine solide Grundlage in Programmierung und Problemlösung entwickeln. Ich schlage vor, Python als Muttersprache zu lernen. 

Dank der leicht verständlichen Syntax und mehreren tollen Lernressourcen können Sie in wenigen Stunden mit Python loslegen. Anschließend können Sie sich ein paar Wochen lang auf die folgenden Programmiergrundlagen mit Python konzentrieren:

• Eingebaute Datenstrukturen
• Schlaufen 
• Funktionen 
• Klassen und Objekte 
• Grundlagen der funktionalen Programmierung
• Pythonische Funktionen: Verständnis und Generatoren

Wenn Sie eine Kurzanleitung für Python benötigen, tun Sie dies diese Python-Vorlesung im CS50-Kurs von Harvard. Für noch intensiveres Lernen schauen Sie sich hier um Einführung in die Programmierung mit Python, ebenfalls ein kostenloser Kurs von Harvard. 

Zum Üben können Sie die Projekte im oben genannten Python-Kurs durcharbeiten und auch das Lösen einiger Probleme üben Hackerrank. 

Außerdem sollten Sie sich in dieser Phase wohl fühlen Arbeiten an der Kommandozeile. Es ist auch hilfreich zu lernen, wie man etwas erstellt und damit arbeitet virtuelle Umgebungen in Python.

Unabhängig davon, für welche Datenrolle Sie sich bewerben, ist das Erlernen und der Erwerb von SQL-Kenntnissen äußerst wichtig. Sie können mit folgenden Themen beginnen:

• Grundlegende SQL-Abfragen 
• Bedingte Filterung 
• Joins 
• Subqueries 
• SQL-String-Funktionen 

Wie bei Python erfordert auch SQL spezielle Übung und es gibt mehrere hilfreiche Methoden Plattformen zum Üben von SQL. Wenn Sie lieber ein Tutorial durcharbeiten möchten, schauen Sie sich das an SQL-Tutorial von Mode Analytics.

Sie verfügen nun über Ihre Python-Grundlagen und können darauf aufbauen, indem Sie Web Scraping mit Python erlernen. Denn als Datenprofi sollten Sie mit der Datenerfassung vertraut sein. Insbesondere das programmgesteuerte Scrapen des Webs und das Parsen von JSON-Antworten von APIs.

Nachdem Sie sich mit den grundlegenden HTTP-Methoden vertraut gemacht haben, können Sie Ihre Python-Kenntnisse ausbauen, indem Sie Folgendes lernen:

• HTTP-Anfragen mit dem Anfragen Bibliothek
• Web Scraping mit dem BeautifulSuppe Python-Bibliothek; Es wird auch hilfreich sein, Scrapy zu lernen
• Parsen von JSON-Antworten von APIs mithilfe der Funktionalität der integrierten JSON-Modul

An dieser Stelle können Sie versuchen, ein einfaches Web-Scraping-Projekt zu programmieren. Halten Sie es einfach und dennoch nachvollziehbar, damit Sie interessiert sind. Angenommen, Sie möchten Ihre Einkaufsdaten von Amazon extrahieren, um sie später analysieren zu können. Dies ist nur ein Beispiel; Sie können an einem Projekt arbeiten, das Sie interessiert.

An diesem Punkt Ihrer datenwissenschaftlichen Lernreise sollten Sie sowohl mit Python als auch mit SQL vertraut sein. Mit diesen grundlegenden Fähigkeiten können Sie nun mit der Analyse und Visualisierung von Daten fortfahren, um sie besser zu verstehen:

• Für die Datenanalyse mit Python können Sie den Umgang mit der Pandas-Bibliothek erlernen. Wenn Sie nach einer Schritt-für-Schritt-Lernanleitung für Pandas suchen, schauen Sie hier vorbei 7 Schritte zur Beherrschung der Datenverarbeitung mit Pandas und Python.
• Zur Datenvisualisierung können Sie lernen, mit den Bibliotheken matplotlib und seaborn zu arbeiten.

Das ist frei Datenanalyse mit Python Der Zertifizierungskurs von freeCodeCamp deckt alle wichtigen Python-Data-Science-Bibliotheken ab, die Sie kennen müssen. Sie können auch einige einfache Projekte programmieren.

Auch hier haben Sie die Möglichkeit, ein Projekt aufzubauen: Versuchen Sie, Daten mithilfe von Web Scraping zu sammeln. Analysieren Sie es mit Pandas. Lernen Sie eine Bibliothek wie Stromlit um ein interaktives Dashboard zu erstellen, um die Ergebnisse Ihrer Analyse zu präsentieren.

Mit Programmierung und Datenanalyse können Sie interessante Projekte aufbauen. Es ist aber auch hilfreich, die Grundlagen des maschinellen Lernens zu erlernen.

Auch wenn Sie nicht die Zeit haben, die Funktionsweise der Algorithmen detaillierter zu erlernen, konzentrieren Sie sich auf Folgendes:

• Einen allgemeinen Überblick über die Funktionsweise des Algorithmus gewinnen und 
• Erstellen von Modellen mit Scikit-Learn

Dieser Scikit-Learn-Crashkurs hilft Ihnen dabei, sich mit der Erstellung von Modellen für maschinelles Lernen mit scikit-learn vertraut zu machen. Sobald Sie gelernt haben, wie Sie mit scikit-learn ein Basismodell erstellen, sollten Sie sich auch auf Folgendes konzentrieren, um bessere Modelle zu erstellen:

• Datenvorverarbeitung 
• Feature Engineering 
• Hyperparameter-Tuning 

Jetzt ist es wieder an der Zeit, Projekte zu bauen. Sie können mit etwas Einfachem wie einem Projekt zur Vorhersage von Kreditausfällen beginnen und nach und nach zur Prognose des Mitarbeiterabgangs, zur Warenkorbanalyse und mehr übergehen.

In den vorherigen Schritten haben wir über den Bau von Projekten gesprochen, um das Lernen zu stärken. Allerdings neigen die meisten angehenden Datenprofis dazu, sich mehr auf das zu konzentrieren lernen und übersehen Sie diesen Schritt des Aufbaus eines Portfolios interessanter Projekte – die Anwendung Teil.

Ganz gleich, wie viel Sie lernen (und wissen): Wenn Sie keine Projekte haben, die Ihr Können unter Beweis stellen, ist es nicht möglich, Personalvermittler von Ihrem Fachwissen zu überzeugen.

Aufgrund der Menge an Front-End-Programmierung, die für die Erstellung einer einfachen Seite zur Präsentation von Projekten erforderlich ist, erstellen die meisten Lernenden kein Portfolio. Sie verwenden wahrscheinlich das GitHub-Repository – mit einer informativen README-Datei –, um Änderungen am Code Ihres Projekts zu verfolgen. Um jedoch ein Data-Science-Portfolio zu erstellen, das Ihre Projekte präsentiert, können Sie sich andere ansehen kostenlose Plattformen wie Kaggle und DataSciencePortfol.io.

Wählen Sie Ihre Projekte je nachdem, in welchem ​​Bereich Sie eine Rolle im Bereich Data Science übernehmen möchten: Gesundheitsfürsorge, FinTech, Lieferkette und vieles mehr. Damit Sie sowohl Ihr Interesse als auch Ihr Können unter Beweis stellen können. Alternativ können Sie versuchen, ein paar Projekte zu entwickeln, um herauszufinden, für welchen Bereich Sie sich interessieren.

Online gefunden zu werden und Ihre Erfahrungen zu präsentieren, ist bei der Jobsuche hilfreich, insbesondere in der Anfangsphase Ihrer Karriere. Deshalb ist der Aufbau einer starken Online-Präsenz unser nächster Schritt.

Zu diesem Zweck ist der beste Weg, Ihre eigene persönliche Website zu erstellen mit:

• Eine informative „Über“-Seite und Kontaktinformationen
• Ein Blog mit Artikeln und Tutorials, die Sie schreiben 
• Eine Projektseite mit Details zu Projekten, an denen Sie gearbeitet haben  

Eine persönliche Website wird immer bevorzugt. Aber zumindest sollten Sie über ein LinkedIn-Profil und ein Twitter-Konto (jetzt X) verfügen, wenn Sie sich in der Jobsuche befinden. 

Fügen Sie auf Twitter eine relevante Schlagzeile hinzu und interagieren Sie sinnvoll mit den geteilten technischen und beruflichen Ratschlägen. Stellen Sie auf LinkedIn sicher, dass Ihr Profil so vollständig wie möglich und korrekt ist:

• Aktualisieren Sie Ihre Überschrift, um Ihr Fachwissen widerzuspiegeln
• Füllen Sie die Abschnitte Erfahrung und Ausbildung aus 
• Fügen Sie im Abschnitt „Projekte“ Ihre Projekte mit einer kurzen Beschreibung hinzu. Auch Link zu den Projekten
• Fügen Sie Ihre veröffentlichten Artikel zu Ihrem Profil hinzu

Seien Sie proaktiv beim Networking auf diesen Plattformen. Teilen Sie auch regelmäßig Ihre Erkenntnisse mit. Wenn Sie noch nicht mit dem Schreiben in Ihrem eigenen Blog beginnen möchten, versuchen Sie es mit dem Schreiben in sozialen Netzwerken, um Ihre Schreibfähigkeiten zu verbessern. 

Sie können einen LinkedIn-Beitrag oder einen Artikel über ein Data-Science-Konzept schreiben, das Sie gerade kennengelernt haben, oder über ein Projekt, an dem Sie arbeiten. Oder twittern Sie darüber, was Sie lernen, welche Fehler Sie dabei machen und was Sie daraus gelernt haben. 

Beachten Sie, dass dieser Schritt nicht vollständig vom Aufbau Ihres Projektportfolios getrennt ist. Neben der Arbeit an Ihren technischen Fähigkeiten und dem Aufbau von Projekten (ja, Ihrem Portfolio) möchten Sie auch Ihre Online-Präsenz aufbauen. Damit Personalvermittler Sie finden und relevante Stellenangebote finden können, wenn sie nach Kandidaten suchen.

Um Data-Science-Interviews zu meistern, müssen Sie sowohl an Codierungsrunden arbeiten, in denen Ihre Problemlösungsfähigkeiten getestet werden, als auch an grundlegenden technischen Interviews, in denen Sie Ihr Verständnis von Data Science unter Beweis stellen können.

Ich empfehle, mindestens einen Einführungskurs in Datenstrukturen und Algorithmen zu belegen und anschließend Probleme zu lösen Hackerrank und Leetcode. Wenn Ihnen die Zeit knapp wird, können Sie einen Aufgabensatz durcharbeiten, z Jalousie 75. Dieser Aufgabensatz enthält Fragen zu allen wichtigen Konzepten wie Arrays, dynamische Programmierung, Strings, Diagramme und mehr.

In allen Data-Science-Interviews gibt es mindestens eine SQL-Runde. Sie können SQL auch auf Hackerrank und Leetcode üben. Darüber hinaus können Sie zuvor gestellte Interviewfragen auf Plattformen wie lösen StrataScratch und DataLemur.

Sobald Sie diese Coding-Interviews gemeistert haben und mit den nächsten Runden fortfahren, sollten Sie in der Lage sein, Ihre Kenntnisse in der Datenwissenschaft unter Beweis zu stellen. Sie sollten Ihre Projekte genau kennen. Wenn Sie Projekte erläutern, an denen Sie gearbeitet haben, sollten Sie auch Folgendes erklären können:

• Das Geschäftsproblem, das Sie zu lösen versucht haben
• Warum Sie es so angegangen sind
• Wie und warum der Ansatz gut ist

Konzentrieren Sie sich auf die Vorbereitung nicht nur aus der Perspektive von Algorithmen und Konzepten, sondern auch auf das Verständnis von Geschäftszielen und die Lösung von Geschäftsproblemen.

Und das ist ein Wrap. In diesem Leitfaden haben wir die verschiedenen Schritte besprochen, die Sie benötigen, um Ihre erste Stelle im Bereich Data Science zu ergattern. 

Wir gingen auch darauf ein, wie wichtig es ist, sich neben dem Erlernen von Data-Science-Konzepten auch als professioneller und potenzieller Kandidat zu vermarkten. Für Schritte, die das Erlernen von Data-Science-Konzepten beinhalteten, haben wir uns auch hilfreiche Ressourcen angesehen.

Viel Glück auf Ihrer datenwissenschaftlichen Reise!
 
 

Bala Priya C ist ein Entwickler und technischer Redakteur aus Indien. Sie arbeitet gerne an der Schnittstelle von Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Zu ihren Interessen- und Fachgebieten gehören DevOps, Datenwissenschaft und Verarbeitung natürlicher Sprache. Sie liebt es zu lesen, zu schreiben, zu programmieren und Kaffee zu trinken! Derzeit arbeitet sie daran, zu lernen und ihr Wissen mit der Entwickler-Community zu teilen, indem sie Tutorials, Anleitungen, Meinungsbeiträge und mehr verfasst.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.kdnuggets.com/7-steps-to-landing-your-first-data-science-job?utm_source=rss&utm_medium=rss&utm_campaign=7-steps-to-landing-your-first-data-science-job