Afbeelding door auteur
 

Wil je overstappen naar een data science-carrière? Dan is de kans groot dat je je al hebt aangemeld voor een online cursus, een bootcamp of iets dergelijks. Misschien hebt u een routekaart voor zelfstudie op het gebied van datawetenschap in uw bladwijzer gezet die u van plan bent uit te werken. Dus hoe zal nog een andere gids – deze gids – u helpen?

Als je hebt besloten een carrière in de datawetenschap na te streven, moet je daar naartoe werken. Er is geen andere manier. Bovendien is het binnenhalen van een baan in de datawetenschap veel meer dan alleen het leren van datawetenschapsconcepten. En zelfs tijdens het leerproces kunnen de concepten, hulpmiddelen, technieken en bibliotheken die u moet leren overweldigend zijn.

Dit artikel is geen clickbait; dus geen grote beloftes om u binnen X dagen te helpen uw data science-baan binnen te halen. In plaats daarvan bieden we een holistische benadering van het data science-werkzoekproces. Inclusief:

• Datawetenschapsconcepten leren 
• Werken aan projecten om jouw technische expertise onder de aandacht te brengen 
• Marketing jezelf als professional
• Strategisch voorbereiden op interviews 

We hopen dat deze gids je op weg helpt!

Om in te breken in data science, moet je eerst een solide basis ontwikkelen in programmeren en probleemoplossing. Ik stel voor om Python als je eerste taal te leren. 

Dankzij de eenvoudig te volgen syntaxis en verschillende geweldige leermiddelen kun je binnen een paar uur aan de slag met Python. Je kunt je dan een paar weken concentreren op de volgende programmeerfundamenten met Python:

• Ingebouwde datastructuren
• Passanten 
• Functies 
• Klassen en objecten 
• Basisprincipes van functioneel programmeren
• Pythonische kenmerken: begrip en generatoren

Als je een snelstartgids voor Python wilt, doe dat dan deze Python-lezing in de CS50-cursus van Harvard. Voor meer meeslepend leren, ga naar Inleiding tot programmeren met Python, ook een gratis cursus van Harvard. 

Ter oefening kun je de projecten in de bovenstaande Python-cursus doorlopen en ook oefenen met het oplossen van een paar problemen Hackerrank. 

Ook in dit stadium moet u zich op uw gemak voelen werken op de commandoregel. Het is ook nuttig om te leren hoe u kunt maken en ermee kunt werken virtuele omgevingen in Python.

Ongeacht op welke datarol u solliciteert, het leren en verwerven van vaardigheid in SQL is super belangrijk. Je kunt beginnen met de volgende onderwerpen:

• Eenvoudige SQL-query's 
• Voorwaardelijk filteren 
• Sluit zich aan bij 
• Subquery's 
• SQL-tekenreeksfuncties 

Net als bij Python vereist SQL ook toegewijde oefening en er zijn er verschillende die nuttig zijn platforms om SQL te oefenen. Als je liever een tutorial hebt om door te werken, ga dan naar SQL-tutorial van Mode Analytics.

Je hebt nu de basis voor Python, dus je kunt daarop voortbouwen door webscrapen te leren met Python. Want als dataprofessional moet je vertrouwd zijn met het verzamelen van data. Met name het programmatisch scrapen van het web en het parseren van JSON-reacties van API's.

Nadat u vertrouwd bent geraakt met de basis-HTTP-methoden, kunt u voortbouwen op uw Python-vaardigheden door het volgende te leren:

• HTTP-verzoeken met de Bibliotheek aanvragen
• Webscrapen met de Mooie soep Python-bibliotheek; Scrapy leren zal ook nuttig zijn
• Parseren van JSON-reacties van API's met behulp van functionaliteit van de ingebouwde json-module

Op dit punt kunt u proberen een eenvoudig webscraping-project te coderen. Houd het simpel en toch herkenbaar, zodat je geïnteresseerd bent. Stel dat u uw winkelgegevens van Amazon wilt schrappen, zodat u deze later kunt analyseren. Dit is slechts een voorbeeld; je kunt werken aan een project dat je interesseert.

Op dit punt in uw data science-leertraject zou u vertrouwd moeten zijn met zowel Python als SQL. Met deze fundamentele vaardigheden kunt u nu doorgaan met het analyseren en visualiseren van gegevens om deze beter te begrijpen:

• Voor data-analyse met Python kun je de pandabibliotheek leren gebruiken. Als je op zoek bent naar een stapsgewijze leergids voor panda's, kijk dan eens hier 7 stappen om gegevensbeheer onder de knie te krijgen met Panda's en Python.
• Voor datavisualisatie kunt u leren werken met de matplotlib- en seaborn-bibliotheken.

Dit gratis Gegevensanalyse met Python De certificeringscursus van freeCodeCamp behandelt alle essentiële Python-datawetenschapsbibliotheken die u moet kennen. Je zult ook enkele eenvoudige projecten kunnen coderen.

Ook hier heb je de mogelijkheid om een ​​project op te bouwen: probeer gegevens te verzamelen met behulp van webscraping; analyseer het met panda's; leer een bibliotheek zoals Gestroomlijnd om een ​​interactief dashboard te creëren om de resultaten van uw analyse te presenteren.

Met programmeren en data-analyse kun je interessante projecten bouwen. Maar het is ook nuttig om de basisbeginselen van machine learning te leren.

Zelfs als u geen tijd heeft om de werking van de algoritmen gedetailleerder te leren, concentreer u dan op:

• het verkrijgen van een overzicht op hoog niveau hoe het algoritme werkt en 
• modellen bouwen met behulp van scikit-learn

Deze scikit-learn spoedcursus helpt u op de hoogte te blijven van het bouwen van machine learning-modellen met scikit-learn. Zodra u leert hoe u een basismodel kunt bouwen met scikit-learn, moet u zich ook op het volgende concentreren om u te helpen betere modellen te bouwen:

• Data voorverwerking 
• Functie-engineering 
• Hyperparameterafstemming 

Nu is het weer tijd om projecten te bouwen. U kunt beginnen met iets eenvoudigs, zoals een project voor het voorspellen van de wanbetaling van leningen, en geleidelijk overstappen op het voorspellen van het personeelsverloop, het analyseren van de marktmandjes en meer.

In de voorgaande stappen hebben we gesproken over bouwprojecten om het leren te versterken. De meeste aspirant-dataprofessionals hebben echter de neiging zich meer te concentreren op de leren en deze stap over het hoofd zien van het opbouwen van een portfolio van interessante projecten – de het toepassen van deel.

Hoeveel u ook leert (en weet), als u geen projecten heeft die uw vaardigheden onder de aandacht brengen, is het niet mogelijk om recruiters van uw expertise te overtuigen.

Vanwege de hoeveelheid front-end-codering die nodig is om een ​​eenvoudige pagina te maken om projecten te presenteren, bouwen de meeste leerlingen geen portfolio op. U gebruikt waarschijnlijk de GitHub-repository (met een informatief README-bestand) om wijzigingen in de code van uw project bij te houden. Als u echter een data science-portfolio wilt opbouwen waarin uw projecten worden gepresenteerd, kunt u andere bekijken gratis platforms zoals Kaggle en DataSciencePortfol.io.

Kies uw projecten afhankelijk van het domein waarin u een data science-rol wilt vervullen: gezondheidszorg, FinTech, supply chain en nog veel meer. Zodat u zowel uw interesse als vaardigheid kunt aantonen. Als alternatief kunt u proberen een paar projecten uit te bouwen om uw interessegebied te bepalen.

Online gevonden worden en uw ervaring laten zien, zijn beide nuttig bij het zoeken naar een baan, vooral in de vroege stadia van uw carrière. Daarom is het opbouwen van een sterke online aanwezigheid onze volgende stap.

Hiertoe kunt u het beste uw eigen persoonlijke website bouwen met:

• Een informatieve ‘Over’-pagina en contactgegevens
• Een blog met artikelen en tutorials die u schrijft 
• Een projectpagina met details van projecten waaraan u hebt gewerkt  

Het hebben van een persoonlijke website heeft altijd de voorkeur. Maar je moet op zijn minst een LinkedIn-profiel en Twitter (nu X) hebben als je bezig bent met het zoeken naar een baan. 

Voeg op Twitter een relevante kop toe en ga op zinvolle wijze in op gedeeld technisch en carrièreadvies. Zorg ervoor dat uw profiel op LinkedIn zo volledig mogelijk en accuraat is:

• Update uw kop om uw professionele expertise weer te geven
• Vul de secties Ervaring en Opleiding in 
• Voeg in het gedeelte “Projecten” uw projecten toe met een korte beschrijving. Ook link naar de projecten
• Voeg uw gepubliceerde artikelen toe aan uw profiel

Wees proactief bij het netwerken op deze platforms. Deel ook regelmatig uw kennis. Als je nog niet wilt beginnen met schrijven op je eigen blog, probeer dan op socials te schrijven om aan je schrijfvaardigheid te werken. 

U kunt een LinkedIn-post of een artikel schrijven over een data science-concept dat u zojuist hebt geleerd of over een project waaraan u werkt. Of tweet over wat je leert en over de fouten die je onderweg maakt, en wat je ervan hebt geleerd. 

Merk op dat deze stap niet volledig gescheiden is van het opbouwen van uw projectportfolio. Naast het werken aan je technische vaardigheden en het bouwen van projecten (ja, je portfolio), wil je ook je online aanwezigheid opbouwen. Zodat recruiters u kunnen vinden en relevante vacatures kunnen bereiken wanneer ze op zoek zijn naar kandidaten.

Om datawetenschapsinterviews te kraken, moet je werken aan zowel codeerrondes die je probleemoplossende vaardigheden testen als aan kerntechnische interviews waarin je je kennis van datawetenschap zou moeten kunnen laten zien.

Ik raad aan om in ieder geval een introductiecursus over datastructuren en algoritmen te volgen en daarna problemen op te lossen Hackerrank en Leetcode. Als u weinig tijd heeft, kunt u een reeks problemen oplossen, zoals Blinde 75. Deze problemenset bevat vragen over alle belangrijke concepten, zoals arrays, dynamisch programmeren, tekenreeksen, grafieken en meer.

Bij alle data science-interviews heb je op zijn minst een SQL-ronde. Je kunt ook SQL oefenen op Hackerrank en Leetcode. Bovendien kunt u eerder gestelde interviewvragen oplossen op platforms zoals StrataScratch en GegevensLemur.

Zodra je deze codeerinterviews hebt gekraakt en doorgaat naar de volgende rondes, zou je je vaardigheid op het gebied van datawetenschap moeten kunnen aantonen. U moet uw projecten tot in detail kennen. Bij het uitleggen van projecten waaraan je hebt gewerkt, moet je ook het volgende kunnen uitleggen:

• Het zakelijke probleem dat u hebt geprobeerd op te lossen
• Waarom je het aanpakte zoals je het deed
• Hoe en waarom de aanpak goed is

Focus niet alleen op de voorbereiding vanuit het perspectief van algoritmen en concepten, maar ook vanuit het begrijpen van bedrijfsdoelstellingen en het oplossen van zakelijke problemen.

Klaar is kees. In deze handleiding hebben we de verschillende stappen besproken om uw eerste data science-rol binnen te halen. 

We hebben ook besproken hoe belangrijk het is om jezelf als professionele en potentiële kandidaat op de markt te brengen, naast het leren van datawetenschapsconcepten. Voor stappen waarbij het leren van datawetenschapsconcepten betrokken was, hebben we ook naar nuttige bronnen gekeken.

Veel succes met uw datawetenschapsreis!
 
 

Bala Priya C is een ontwikkelaar en technisch schrijver uit India. Ze werkt graag op het snijvlak van wiskunde, programmeren, datawetenschap en contentcreatie. Haar interessegebieden en expertise omvatten DevOps, data science en natuurlijke taalverwerking. Ze houdt van lezen, schrijven, coderen en koffie drinken! Momenteel werkt ze aan het leren en delen van haar kennis met de gemeenschap van ontwikkelaars door het schrijven van zelfstudies, handleidingen, opiniestukken en meer.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: 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