Yazara göre resim
 

Veri bilimi kariyerine geçmek mi istiyorsunuz? Eğer öyleyse, muhtemelen zaten bir çevrimiçi kursa, bir eğitim kampına veya benzerine kaydolmuşsunuzdur. Belki de üzerinde çalışmayı planladığınız kendi kendine çalışma veri bilimi yol haritasına yer işareti koymuşsunuzdur. Peki başka bir rehber, yani bu rehber size nasıl yardımcı olacak?

Veri bilimi kariyerine devam etmeye karar verdiyseniz, bunun için çalışmalısınız. Başka yol yok. Ayrıca, bir veri bilimi işine girmek, veri bilimi kavramlarını öğrenmekten çok daha fazlasıdır. Ve öğrenme sürecinde bile öğrenmeniz gereken kavramlar, araçlar, teknikler ve kütüphaneler bunaltıcı olabilir.

Bu makale bir tıklama tuzağı değildir; yani veri bilimi işinizi X gün içinde tamamlamanıza yardımcı olacak uzun vaatler yok. Bunun yerine veri bilimi iş arama sürecine bütünsel bir yaklaşım sunuyoruz. İçerir:

• Veri bilimi kavramlarını öğrenme 
• Teknik uzmanlığınızı sergileyecek projeler üzerinde çalışmak 
• Kendinizi bir profesyonel olarak pazarlayın
• Mülakatlara stratejik olarak hazırlanmak 

Bu kılavuzun size yol boyunca yardımcı olacağını umuyoruz!

Veri bilimine girmek için öncelikle programlama ve problem çözme konusunda sağlam bir temel geliştirmelisiniz. Ana diliniz olarak Python'u öğrenmenizi öneririm. 

Takip edilmesi kolay sözdizimi ve birçok harika öğrenme kaynağıyla Python'u birkaç saat içinde kullanmaya başlayabilirsiniz. Daha sonra birkaç haftanızı Python ile aşağıdaki programlama temellerine odaklanarak geçirebilirsiniz:

• Yerleşik veri yapıları
• Döngüler 
• fonksiyonlar 
• Sınıflar ve nesneler 
• Fonksiyonel programlamanın temelleri
• Pythonic özellikler: kavramalar ve oluşturucular

Python'a hızlı bir başlangıç ​​kılavuzu istiyorsanız, bu Python dersi Harvard'ın CS50 kursunda. Daha kapsamlı öğrenme için şuraya göz atın: Python ile Programlamaya GirişAyrıca Harvard'dan ücretsiz bir kurs. 

Pratik yapmak için yukarıdaki Python kursundaki projeler üzerinde çalışabilir ve aynı zamanda birkaç problem çözme pratiği yapabilirsiniz. Hackerrank. 

Ayrıca bu aşamada rahat olmalısınız. komut satırında çalışmak. Ayrıca nasıl oluşturulacağını ve çalışılacağını öğrenmek de faydalıdır. Python'da sanal ortamlar.

Hangi veri rolüne başvurduğunuza bakılmaksızın, SQL'de öğrenmek ve yeterlilik kazanmak son derece önemlidir. Aşağıdaki konularla başlayabilirsiniz:

• Temel SQL sorguları 
• koşullu filtreleme 
• Katıldı 
• subqueries 
• SQL dize işlevleri 

Python'da olduğu gibi SQL de özel pratik gerektirir ve birkaç yararlı bilgi vardır. SQL pratik yapma platformları. Üzerinde çalışmak için bir öğreticiyi tercih ediyorsanız, göz atın Mode Analytics'ten SQL eğitimi.

Artık Python temellerinizi tamamladınız, böylece Python ile web kazımayı öğrenerek bunun üzerine inşa edebilirsiniz. Çünkü bir veri uzmanı olarak veri toplama konusunda rahat olmalısınız. Özellikle, web'i programlı olarak kazımak ve API'lerden gelen JSON yanıtlarını ayrıştırmak.

Temel HTTP yöntemlerine aşina olduktan sonra aşağıdakileri öğrenerek Python becerilerinizi geliştirebilirsiniz:

• HTTP istekleri ile İstek kitaplığı
• Web kazıma ile Güzel çorba Python kütüphanesi; Scrapy'yi öğrenmek de faydalı olacaktır
• Yerleşik işlevselliği kullanarak API'lerden JSON yanıtlarını ayrıştırma json modülü

Bu noktada basit bir web scraping projesini kodlamayı deneyebilirsiniz. İlginizi çekebilmesi için konuyu basit ama ilişkilendirilebilir tutun. Diyelim ki daha sonra analiz edebilmek için alışveriş verilerinizi Amazon'dan çıkarmak istiyorsunuz. Bu sadece bir örnek; ilginizi çeken bir proje üzerinde çalışabilirsiniz.

Veri bilimi öğrenme yolculuğunuzun bu noktasında hem Python hem de SQL konusunda rahat olmalısınız. Bu temel becerilerle artık verileri daha iyi anlamak için analiz etmeye ve görselleştirmeye devam edebilirsiniz:

• Python ile veri analizi için pandas kütüphanesini kullanmayı öğrenebilirsiniz. Pandalar için adım adım öğrenme kılavuzu arıyorsanız şuraya göz atın: Pandalar ve Python ile Veri Tartışmasında Ustalaşmak için 7 Adım.
• Veri görselleştirmesi için matplotlib ve seaborn kütüphaneleriyle çalışmayı öğrenebilirsiniz.

Bu ücretsiz Python ile Veri Analizi freeCodeCamp sertifika kursu, bilmeniz gereken tüm temel Python veri bilimi kitaplıklarını kapsar. Ayrıca bazı basit projeleri de kodlayabileceksiniz.

Burada yine bir proje oluşturma fırsatınız var: web kazıma kullanarak veri toplamaya çalışın; pandaları kullanarak analiz edin; gibi bir kütüphane öğren Akışlı Analizinizin sonuçlarını sunmak için etkileşimli bir kontrol paneli oluşturmak.

Programlama ve veri analizi ile ilginç projeler oluşturabilirsiniz. Ancak makine öğreniminin temellerini öğrenmek de faydalıdır.

Algoritmaların çalışmasını daha ayrıntılı olarak öğrenecek zamanınız olmasa bile aşağıdakilere odaklanın:

• Algoritmanın nasıl çalıştığına dair üst düzey bir genel bakış elde etmek ve 
• scikit-learn kullanarak modeller oluşturma

Bu scikit-öğrenme hızlandırılmış kursu scikit-learn ile makine öğrenimi modelleri oluşturma konusunda hızlanmanıza yardımcı olacaktır. Scikit-learn ile temel model oluşturmayı öğrendikten sonra, daha iyi modeller oluşturmanıza yardımcı olması için aşağıdakilere de odaklanmalısınız:

• Veri ön işleme 
• Özellik mühendisliği 
• Hiperparametre ayarı 

Şimdi yine proje üretme zamanı. Kredi temerrüdü tahmin projesi gibi basit bir projeyle başlayabilir ve yavaş yavaş çalışan kaybı tahminine, pazar sepeti analizine ve daha fazlasına geçebilirsiniz.

Önceki adımlarda öğrenmeyi pekiştirecek projeler oluşturmaktan bahsetmiştik. Ancak hevesli veri profesyonellerinin çoğu, öğrenme ve ilginç projelerden oluşan bir portföy oluşturmanın bu adımını gözden kaçırın; uygulayarak Bölüm.

Ne kadar öğrenirseniz öğrenin (ve bilin), yeterliliğinizi sergileyen projeleriniz yoksa, işe alım uzmanlarını uzmanlığınıza ikna etmeniz mümkün değildir.

Projeleri sergilemek için basit bir sayfa oluşturmaya yönelik ön uç kodlamanın miktarı nedeniyle çoğu öğrenci bir portföy oluşturmaz. Projenizin kodundaki değişiklikleri izlemek için muhtemelen bilgilendirici bir README dosyasıyla birlikte GitHub deposunu kullanıyorsunuz. Ancak projelerinizi sergileyen bir veri bilimi portföyü oluşturmak için diğerlerine göz atabilirsiniz. Kaggle ve DataSciencePortfol.io gibi ücretsiz platformlar.

Hangi alanda veri bilimi rolü üstlenmek istediğinize bağlı olarak projelerinizi seçin: sağlık hizmetleri, FinTech, tedarik zinciri ve çok daha fazlası. Böylece hem ilginizi hem de uzmanlığınızı gösterebilirsiniz. Alternatif olarak, ilgi alanınızı belirlemek için birkaç proje oluşturmayı deneyebilirsiniz.

Çevrimiçi ortamda bulunmak ve deneyiminizi sergilemek, iş arama sürecinde, özellikle de kariyerinizin ilk aşamalarında faydalıdır. Bu nedenle güçlü bir çevrimiçi varlık oluşturmak bir sonraki adımımızdır.

Bu amaçla en iyi yol aşağıdakilerle kendi kişisel web sitenizi oluşturmaktır:

• Bilgilendirici bir “Hakkında” sayfası ve iletişim bilgileri
• Yazdığınız makaleleri ve eğitimleri içeren bir blog 
• Üzerinde çalıştığınız projelerin ayrıntılarını içeren bir proje sayfası  

Kişisel bir web sitesine sahip olmak her zaman tercih edilir. Ancak en azından iş arama sürecindeyken bir LinkedIn profiliniz ve Twitter (şimdi X) kullanıcı adınızın olması gerekir. 

Twitter'da alakalı bir başlık ekleyin ve paylaşılan teknik ve kariyer tavsiyeleriyle anlamlı bir şekilde etkileşime geçin. LinkedIn'de profilinizin mümkün olduğunca eksiksiz ve doğru olduğundan emin olun:

• Başlığınızı mesleki uzmanlığınızı yansıtacak şekilde güncelleyin
• Deneyim ve eğitim bölümlerini doldurun 
• “Projeler” kısmına projelerinizi kısa bir açıklama ile ekleyin. Ayrıca projelere bağlantı
• Yayınlanan makalelerinizi profilinize ekleyin

Bu platformlarda ağ oluştururken proaktif olun. Ayrıca öğrendiklerinizi periyodik olarak paylaşın. Henüz kendi blogunuzda yazmaya başlamak istemiyorsanız, yazma becerileriniz üzerinde çalışmak için sosyal medyada yazmayı deneyin. 

Yeni öğrendiğiniz bir veri bilimi kavramı veya üzerinde çalıştığınız bir proje hakkında bir LinkedIn gönderisi veya makale yazabilirsiniz. Veya öğrendikleriniz, yol boyunca yaptığınız hatalar ve onlardan öğrendikleriniz hakkında tweet atın. 

Bu adımın proje portföyünüzü oluşturmaktan tamamen ayrı olmadığına dikkat edin. Teknik becerileriniz üzerinde çalışmanın ve projeler oluşturmanın (evet, portföyünüz) yanı sıra, çevrimiçi varlığınızı da oluşturmak istiyorsunuz. Böylece işe alım uzmanları sizi bulabilir ve aday ararken ilgili fırsatlarla iletişime geçebilir.

Veri bilimi röportajlarını başarılı kılmak için, hem problem çözme becerilerinizi test eden kodlama turları üzerinde hem de veri bilimi anlayışınızı sergileyebilmeniz gereken temel teknik röportajlar üzerinde çalışmanız gerekir.

En azından veri yapıları ve algoritmalar üzerine bir giriş dersi almanızı ve ardından problemleri çözmenizi öneririm. Hackerrank ve Leet kodu. Zamanınız kısıtlıysa aşağıdaki gibi bir sorun kümesi üzerinde çalışabilirsiniz: kör 75. Bu problem seti diziler, dinamik programlama, diziler, grafikler ve daha fazlası gibi tüm önemli kavramlara ilişkin soruları içerir.

Tüm veri bilimi röportajlarında en azından bir SQL turuna katılacaksınız. Hackerrank ve Leetcode'da da SQL pratiği yapabilirsiniz. Ayrıca daha önce sorulan mülakat sorularını gibi platformlarda çözebilirsiniz. StrataScratch ve VeriLemur.

Bu kodlama görüşmelerini tamamlayıp sonraki turlara geçtikten sonra veri bilimi konusundaki uzmanlığınızı gösterebilmelisiniz. Projelerinizi çok detaylı bir şekilde bilmelisiniz. Üzerinde çalıştığınız projeleri açıklarken şunları da açıklayabilmelisiniz:

• Çözmeye çalıştığınız iş sorunu
• Neden bu şekilde yaklaştın?
• Yaklaşımın nasıl ve neden iyi olduğu

Yalnızca algoritmalar ve kavramlar açısından değil, aynı zamanda iş hedeflerini anlama ve iş sorunlarını çözme açısından da hazırlanmaya odaklanın.

Ve bu bir sarma. Bu kılavuzda, ilk veri bilimi rolünüzü üstlenmenin farklı adımlarını tartıştık. 

Veri bilimi kavramlarını öğrenmenin yanı sıra kendinizi profesyonel ve potansiyel bir aday olarak pazarlamanın önemini de ele aldık. Veri bilimi kavramlarını öğrenmeyi içeren adımlar için yararlı kaynaklara da baktık.

Veri bilimi yolculuğunuzda iyi şanslar!
 
 

Bala Priya C Hindistan'dan bir geliştirici ve teknik yazardır. Matematik, programlama, veri bilimi ve içerik oluşturmanın kesiştiği noktada çalışmayı seviyor. İlgi ve uzmanlık alanları DevOps, veri bilimi ve doğal dil işlemeyi içerir. Okumaktan, yazmaktan, kodlama yapmaktan ve kahve içmekten hoşlanıyor! Şu anda öğreticiler, nasıl yapılır kılavuzları, fikir yazıları ve daha fazlasını yazarak öğrenmek ve bilgisini geliştirici topluluğuyla paylaşmak için çalışıyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: 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