帮助数据科学家成长的技能
即使您在数据科学学习的早期阶段，您可能已经对您需要踏入门槛的核心技能有了清晰的了解：一些统计知识，熟悉一种或两种编程语言，并且具备处理、分析和可视化数据的合理掌握能力，这只是其中几个明显的技能。
那么，对于长期发展和在职业生涯中取得成功的技能呢？这往往是比较模糊的地方，也是本周的亮点所在。我们选择了几篇由数据专业人士撰写的文章，他们基于自己的经验和非线性职业道路分享了可行的见解。尽管他们可能侧重于特定领域和角色，但他们提供的经验教训同样适用于许多其他真实世界的情况。让我们深入探讨。
- 可以对以硬技能与软技能二分法来看待技能的观点进行有力的辩驳，但不可否认的是，我们通常将被归类为“软技能”的技能是在数据职业中取得成功的最重要的技能之一。Eirik Berge最近关注了五个关键技能，包括协作和辅导，并为这些概念提供了令人耳目一新的具体建议。
- 从软件工程师的角度出发，Naomi Kriger在求职面试的背景下，为展示项目提供了一份有用的路线图。然而，在下次季度计划会议、ML流程分析会议或其他任何需要清晰和引人注目的故事的场合，您将发现这里的教训同样适用。
- 初次贡献者Fiona Victoria最近完成了申请人工智能博士项目的艰辛过程，并写了一篇关于需要考虑和采取的（许多）不同因素的文章。即使研究生院不在您的计划中，Fiona的深思熟虑的方法可能会帮助您应对未知压力，这是许多其他与职业相关的决策中都具备的特点。
- “如果您是一个有抱负的数据科学家，您可能会惊讶地听到，这种疲劳的风险从未真正消失，”Matt Chapman警告说，这对于从不同角色转入该领域的人尤其如此。Matt在关注长期可持续性的职业发展方面的建议侧重于更好的优先级和休息，这对我们大多数人来说都有益处，无论我们处于职业生涯的哪个阶段。
如果您已经读到这里，恭喜您：您优秀的时间管理技能显然使您能够继续阅读，我们希望您能继续阅读，因为我们其他每周的亮点都太好以至于不容错过：
- Conor O’Sullivan对AI工具对跨性别群体成员造成的风险进行了介绍，这是一个紧迫而及时的问题，并呼吁所有数据科学和机器学习从业者提高意识和采取行动。
- 您如何解释数据中的异常情况？Mariya Mansurova关于根本原因分析的易懂新指南详细回答了这个问题。
- 通过Federico Peccia对此越来越重要的领域中最新工作的有益概述，了解推动绿色人工智能的新技术。
- 要获取关于成功留住用户的推荐系统的新视角，请阅读Christabelle Pabalan对新颖性和机缘巧合概念的详细解释。
- Elena Samuylova为漂移检测提供了初学者友好型的介绍，提出了五种测量机器学习嵌入中漂移的方法。
- 新的音乐生成模型MusicGen可以根据参考旋律创建新主题。Max Hilsdorf测试了该模型的能力，并思考了它对音乐人创作过程的潜在影响。
感谢您对我们作者的支持！如果您喜欢在TDS上阅读的文章，请考虑成为小猪AI会员 – 这将解锁我们的整个存档（以及小猪AI上的所有其他文章）。
在下一个Variable之前，
TDS编辑
