👨‍🎓️📈Как выбрать специализацию и начать обучение Data Science

Рассказываем об этапах обучения, которые необходимо пройти новичку для начала карьеры в Data Science. Путь от выбора специализации до выработки практических навыков будет непростым.

О необходимых специалисту по анализу данных ресурсах мы писали в статьях «Data Science с нуля: обзор книг и видеокурсов для начинающих» и «10 навыков, необходимых в профессии Data Scientist». Сегодня подробнее расскажем о необходимых для овладения профессией Data Scientist этапах.

Выберите специализацию

В Data Science существует множество ролей: специалист по визуализации данных, специалист по машинному обучению, специалист по обработке данных, инженер по обработке данных и т. д. Делайте выбор в зависимости от вашего образования, опыта и личного интереса. Поговорите с людьми, которые работают в отрасли, чтобы выяснить, какие обязанности придется выполнять и каких навыков потребует желаемая должность.

При выборе специализации не спешите сразу к ней переходить. Изучите смежные с вашей нынешней профессией сферы, это поможет вам легче сменить род занятий. Например, разработчику программного обеспечения не составит труда перейти к разработке данных.

Об основных специализациях и обязанностях Data Scientist мы подробно рассказали в статье «Data Science и Big Data: сходства и различия».

Выберите инструменты и язык программирования

Судя по описаниям вакансий, наиболее фундаментальными навыками и инструментами науки о данных являются следующие:

• Программирование на Python или R (выбору языка посвящена статья «От "R против Python" к "R и Python"»);
• Владение популярными инструментами для задач Data science. Если вы выбрали Python, придется изучить такие библиотеки, как Pandas, NumPy, Matplotlib или Plotly и scikit-learn;
• Очистка и предобработка (data engineering), анализ и визуализация данных;
• Написание SQL-запросов;
• Основы статистики и прикладной математики;
• Навыки машинного обучения и моделирования;
• Тонкости рабочего процесса и навыки совместной работы (Git, командная строка/bash и т. д.).

Пройдите курсы

Нужные знания можно получить самостоятельно, но проще пройти специализированные курсы. Систематизированная программа позволит более полно освоить ключевые навыки Data Scientist: основы прикладной математики и статистики, программирование, предобработку данных и работу с алгоритмами. Стоит также обратить внимание на курсы по выбранной вами специализации, например по обработке естественного языка, по анализу временных рядов, по обучению с подкреплением и т. д.

Статистика и математика:

• Основы статистики
• Intro to Descriptive Statistics (англ.)
• Bayesian Statistics: From Concept to Data Analysis (англ.)
• Введение в математический анализ
• Практикум по математике и Python
• Data Science Math Skills (англ.)
• Mathematics for Data Science (англ.)

Курсы Python:

• Программирование на Python
• Питон Тьютор
• Основы программирования на Python
• DataCamp (англ.)
• Google’s Python Class (англ.)

Курсы R:

• DataCamp (англ.)
• Основы программирования на R
• Анализ данных в R, часть 2

SQL

• Введение в базы данных
• Introduction to Structured Query Language (SQL) (англ.)
• SQL for Data Science (англ.)

Предобработка данных

• Data Science Methodology. Data Preparation (англ.)
• Exploratory Data Analysis (англ.)

Алгоритмы:

• Алгоритмы: теория и практика. Методы
• Machine Learning Algorithms: Supervised Learning Tip to Tail (англ.)

Применяйте знания на практике

Во время прохождения курсов и тренингов сосредоточьте усилия на практическом применении изученного. Даже если вы изначально не понимаете лежащих в основе метода сложных математических концепций, начните со способов интерпретации результатов. Вы всегда сможете развить глубокое понимание на более позднем этапе обучения.

Другой способ закрепить полученные знания – участие в конкурсах, соревнованиях (например, Kaggle) и хакатонах по Data Science. Освоение технологий машинного обучения, нейронных сетей, распознавания образов и других передовых методов имеет значение, но большая часть работы над проектом заключается в очистке и подготовке данных к анализу. Участие в соревнованиях позволит закрепить навыки работы с различными типами данных и подготовиться к реальным проектам.

Присоединитесь к сообществу Data Science

Когда вы освоили необходимые навыки и попробовали применить их на практике, следующий важный шаг – присоединение к сообществу Data Science. Освоение новой области может показаться немного пугающим, когда вы делаете это в одиночку, но единомышленники ответят на ваши вопросы и помогут решить возникающие проблемы.

Несколько примеров посвященных Data Science комьюнити, в которые стоит вступить:

• Open Data Science
• Data Science Central комьюнити на LinkedIn
• Kaggle forum
• StackExchange
• Quora
• Dataquest learning community (Slack chat)
• Machine learning subreddit
• Open Data Community

Развивайте коммуникативные навыки

Умение донести идею – один из самых важных soft skills в профессии Data Scientist. Чтобы эффективно делиться идеями с коллегами или доказывать свою точку зрения на собраниях, вы должны знать, как донести сложные концепции до широкой аудитории. Это особенно важно в бизнес-сфере, где заказчики проекта могут не владеть техническими навыками и терминологией. Для презентации результатов потребуется умение донести идею простым языком.

Если вам сложно передавать сложные концепции, стоит сделать следующее:

• Попытайтесь научить менее технически подкованных друзей базовым концепциям науки о данных. Обучая других, вы будете учиться сами;
• Участвуя в хакатонах и митапах по Data Science, тренируйтесь задавать правильные вопросы и презентовать результаты проектов;
• Используйте GitHub для размещения проектов и обмена идеями;
• Будьте активны в сообществах Data Science, задавайте вопросы и оставляйте комментарии.

Не переставайте учиться

Работа в Data Science требует постоянного изучения новых технологий и методов работы с данными. Наиболее полезными источниками актуальной информации являются блоги и посты в социальных сетях (обратите внимание на лидеров комьюнити Data Science в LinkedIn), которые ведут влиятельные специалисты. Они постоянно публикуют посты о последних веяниях в этой области, своем опыте, достижениях и ошибках на карьерном пути. Уделяйте время прочтению новостей каждый день.

Найдите наставника

Один из заключительных пунктов, который, возможно, является одним из самых важных: найдите хорошего наставника, готового ответить на ваши вопросы о необходимых в профессии навыках и тонкостях работы в команде Data Science. Наука о данных, машинное обучение и инженерия данных – относительно новые области знания. Новичку может потребоваться поддержка и советы опытного специалиста.

Составьте резюме и подготовьтесь к собеседованию

Качественное резюме – первый шаг на пути к работе мечты. При его составлении необходимо выполнить ряд требований:

• Указать освоенные навыки в соответствии с желаемой вакансией и ролью;
• Написать про участие в проектах и соревнованиях (это важнее формальных сертификатов);
• Указать языки программирования, а также пакеты и инструменты, которыми вы владеете;
• Указать профили на GitHub и Kaggle;
• Проверить общее качество резюме: убедитесь, что шрифты и формат являются стандартными, стремитесь классическому деловому стилю;
• Убрать лишнее. По мнению большинства рекрутеров, небольшое по объему, но емкое по содержанию резюме повышает шансы соискателя получить приглашение на собеседование.

Вы можете создать свое уникальное резюме с нуля, но проще использовать стандартные шаблоны. Несколько примеров c бесплатным доступом: Creddle, VisualCV, CVMKR и SlashCV.

После поиска вакансий и отправки резюме, основательно подготовьтесь к собеседованию. В статьях «Профессия Data Scientist и 20 вопросов на собеседовании» и «Собеседование для Data Scientists: вопросы и ответы» мы рассказали, какие подводные камни будут ждать вас на этом этапе.

Хочу подтянуть знания по математике, но не знаю, с чего начать. Что делать?

Если базовые концепции языка программирования можно достаточно быстро освоить самостоятельно, то с математикой могут возникнуть сложности. Чтобы помочь освоить математический инструментарий, «Библиотека программиста» совместно с преподавателями ВМК МГУ разработала курс по математике для Data Science, на котором вы:

• подготовитесь к сдаче вступительных экзаменов в Школу анализа данных Яндекса;
• углубитесь в математический анализ, линейную алгебру, комбинаторику, теорию вероятностей и математическую статистику;
• узнаете роль чисел, формул и функций в разработке алгоритмов машинного обучения.
• освоите специальную терминологию и сможете читать статьи по Data Science без постоянных обращений к поисковику.

Курс подойдет как начинающим специалистам, так и действующим программистам и аналитикам, которые хотят повысить свой уровень или перейти в новую область.