“我在转行数据科学职业过程中犯的5个错误”
Mistakes I made while transitioning to a career in data science
我从技术管理转向数据科学，是因为我对我之前职业中的分析方面感兴趣。将物联网（IoT）融入业务并利用各种分析技术来收集和分析数据在过去非常有价值。我已经开始学习编程、统计学和多种数据术语，以追求数据科学。
在这篇博客中，我将分享五个让我付出了时间和精力的错误。此外，我还将提供解决方案，以避免将来犯这些错误。
1. 学习随机课程
我试图通过在YouTube或Coursera上观看随机免费课程来学习数据科学，但这只让我感到更加困惑。即使我认为我理解了我所学的内容，我也无法独立解决问题。
经过三个月的尝试后，我意识到我需要更有结构性的方法。这就是为什么我决定选择DataCamp的职业发展课程。该课程包括了理解数据科学基础所需的所有必要课程。职业发展课程还包括引导式项目、互动练习和评估测试，这些都帮助我增强了自己在分析能力方面的信心。
解决方案：考虑报名参加付费的职业发展课程，该课程提供各种互动课程，涵盖基础和高级概念。许多有声望的教育平台都提供这个选择。
2. 我没有认真对待数学和统计学
为了保持职业声誉，你必须理解模型背后的数学基础。由于这个原因，我在面试、会议和撰写文档时都经历了尴尬。我依然记得有一次面试，一个专家问我关于梯度下降方程的问题，而我却无法给出答案。那时我意识到我需要重新回顾并加强我对统计学基础的理解。
解决方案：建议参加一门统计学和概率论课程，并理解机器学习模型在数学上是如何工作的。
3. 没有记录我的工作
尽管我已经参与了几个项目和Kaggle竞赛，但我没有记录我的进展和成就。我花了一年的时间才意识到记录自己的项目和经历的重要性，这可以帮助我获得更好的工作机会并建立一个更强大的作品集。事后来看，我应该从一开始就在LinkedIn和VoAGI上分享我的经历。这样做可以让我结识新的人脉，扩大我的影响力，增强我的专业作品集，并促进合作。
解决方案：要展示你的项目，最好将项目元素和代码分享到GitHub上。你还可以在VoAGI上写一篇关于项目的博客文章，并与LinkedIn数据科学小组分享。这将帮助你获得更多曝光。
4. 我申请了错误的工作
过去，我申请了所有的数据科学家、数据分析师或商业智能工作，而没有研究公司在寻找什么样的人才。我认为我可以轻松转行到数据科学领域。然而，我低估了这个领域所需的广泛知识和技能。要取得成功，保持谦虚，认识到自己的知识差距，并致力于持续学习是至关重要的。
要在这个行业取得成功，重要的是熟悉标准实践并获取相关技能。如果你缺乏经验，考虑寻找实习机会或为有声望的开源项目做贡献。
解决方案：完成基础课程后，专注于建立一个强大的数据科学作品集。花时间研究工作的期望和要求，并不断学习新的工具和技能，以增强你的简历。不要立即申请工作，而是努力充分了解潜在雇主在候选人中寻找什么。
5. 参加太多的竞赛
在了解了一些关于机器学习的技巧后，我开始参加Kaggle上的竞赛。我变得上瘾，甚至在没有对题目有任何了解的情况下参加比赛。我让自己相信我是从他人那里学到了新的技术，但实际上，我只是在浪费时间。
作为一个倡导通过竞赛学习机器学习的支持者，我必须警告新手们，获胜是困难的。虽然我曾经接近并经常获得前1%的名次，但这并没有给我的职业生涯增加任何重要价值。相反，我应该专注于实际项目或通过实习或工作来寻求经验。
解决方案：不要欺骗自己。始终牢记你的目标。不要参与太多的比赛，而是考虑专注于一个复杂的开源项目，在VoAGI上撰写文章，构建你的作品集并参与社区活动。
最后的思考
我犯了很多错误，它们教会了我很多关于自己和我的立场。唯一让我在困难时期坚持下去的是奉献精神和明确的目标。也许我需要比其他人更长的时间，但我不会放弃。
如果你感到沮丧，认为手头的任务太困难，我建议你探索适合你的其他选择。不要让任何人打击你的信心。继续努力，最终你会找到适合自己并帮助你实现梦想工作的方法。此外，从一开始就在Kaggle、GitHub、DagsHub和Deepnote等平台上努力构建你的数据科学作品集是至关重要的。Abid Ali Awan（@1abidaliawan）是一位持有认证的数据科学家，热衷于构建机器学习模型。目前，他专注于内容创作，并在机器学习和数据科学技术方面撰写技术博客。Abid拥有技术管理硕士学位和电信工程学士学位。他的愿景是利用图神经网络为患有心理疾病的学生构建一个AI产品。
