En datavitenskapsportefølje som gir deg jobben
Å få en datavitenskapsjobb er ingen enkel prestasjon, spesielt under COVID-19-pandemien. Denne artikkelen gir ambisiøse dataforskere råd om å bygge en datavitenskapsportefølje som skiller seg ut.
Photo by Bram Naus on Unsplash.
Da jeg fikk mitt første internship i datavitenskap, var jeg ikke uteksaminert ennå. Jeg tok en informatikkgrad, men klarte å få jobben selv før jeg viste noen av karakterene mine eller akademiske karakterutskrifter til arbeidsgiveren. Jeg fikk denne rollen bare rundt fire måneder etter å lære meg selv datavitenskap.
Jeg har nå gått over til en fulltidsrolle i samme bedrift.
Den eneste måten jeg klarte å få denne jobben på var ved hjelp av datavitenskapsporteføljen min.
Bare det siste året har jeg mottatt flere jobbtilbud innen datavitenskap fra organisasjoner over hele verden.
Jeg tar for øyeblikket på meg noen frilansjobber samtidig som jeg jobber fulltid og ville aldri hatt disse mulighetene uten porteføljen jeg har bygget opp for meg selv.
Da jeg først begynte å lære meg datavitenskap, eksperimenterte jeg med datasett på Kaggle —enkle, som Boston House Pricing Dataset og Titanic Dataset.
Over tid begynte kjedsomheten å komme. Disse prosjektene hadde en veldig lik struktur, og temaene begeistret meg egentlig ikke.
Jeg ønsket å jobbe med noe jeg syntes var interessant, så jeg gikk på nettet og prøvde å se etter datasett om emner som begeistret meg.
Etter en tid kom jeg på en idé om et datavitenskapelig prosjekt. Jeg var imidlertid ikke i stand til å finne eksisterende datasett som hadde all informasjonen jeg trengte for å begynne å bygge prosjektet.
Jeg måtte samle inn data på egen hånd ved hjelp av APIer og web-skrapeverktøy, rense dataene og deretter bygge en dataramme derfra. Hele denne prosessen hjalp meg å forstå de forskjellige datainnsamlingsteknikkene jeg kunne bruke for å samle inn data fra nettet.
Prosjektet viste seg å være mye vanskeligere enn jeg trodde, men jeg lærte mye underveis. Jeg begynte å få et bedre grep om Python og dets biblioteker.
Når jeg var ferdig med et par prosjekter, tenkte jeg å dele dem på GitHub-depotet mitt.
Jeg var imidlertid ikke fornøyd med bare å dele kildekoden til prosjektet mitt. Jeg ønsket å dele funnene mine og teknikken jeg brukte for å samle inn dataene. Jeg ville fortelle en historie om alt arbeidet jeg gjorde.
Jeg begynte å skrive artikler som forklarte trinnene som ble tatt for å lage prosjektet mitt. Jeg sendte disse artiklene til en datavitenskapelig publikasjon.
Etter å ha laget rundt 3–4 prosjekter, bygde jeg et porteføljenettsted. Denne nettsiden inkluderte en grunnleggende beskrivelse av prosjektet, sammen med den tilhørende kildekoden og artikkelen jeg skrev om det.
Dette var en måte for meg å vise frem alt arbeidet mitt på ett sted, slik at alle som hadde en lenke til nettstedet mitt kunne se alt jeg hadde jobbet med.
Portfolionettstedet mitt var den eneste grunnen til at jeg fikk et internship i løpet av de første månedene jeg lærte datavitenskap.
Photo by Firmbee.com on Unsplash.
Jeg hadde litt fritid under praksisperioden. Jeg brukte denne tiden på å lære ferdigheter utenfor jobben, bygge prosjekter og skrive artikler om dem.
Etter hvert som jeg begynte å nå et større publikum gjennom skrivingen min, har jeg hatt rekrutterere, og dataforskere kontakter meg basert på prosjekter jeg har skrevet om. Jeg begynte å frilanse og bygge datavitenskapelige prosjekter for kunder på kontraktsbasis.
Dette var en fin måte for meg å oppgradere og få kunnskap utenfor rammen av min daglige jobb.
Jeg fikk også flere tekniske skrivemuligheter, og jeg skriver av og til for publikasjoner på frilansbasis.
Porteføljen min består av prosjekter jeg har jobbet med, bloggen min, vitnesbyrd og kunder jeg har jobbet med. De fleste av disse mulighetene har kommet meg fordi jeg har hatt muligheten til å dele arbeidet mitt med verden gjennom å skrive.
Hvis du er en nybegynner i datavitenskapsindustrien, foreslår jeg at du lærer nye ting og skriver om dem. Skriv veiledninger om konsepter du nettopp har lært.
Hvis du har en idé om et datavitenskapelig prosjekt, gjør prosjektet til live. Det kan ta dager, uker eller til og med måneder å gjøre dette.
Når du har bygd prosjektet, del det med resten av verden. Bryt det ned i lekmann og forklar alt du gjorde.
Dette vil vekke interessen til rekrutterere når du søker på en datavitenskapsjobb. Det vil også skille deg fra andre søkere som bare har online sertifikater oppført på CV-en.
Å lage prosjekter er også en fin måte å lære og forbedre dine datavitenskapelige ferdigheter. Hvis du har tatt et datavitenskap-kurs eller to, er det på tide å bruke ferdighetene dine til programmering og maskinlæring ved å bygge noe du brenner for.
Relatert:
Topphistorier siste 30 dager | |||||
---|---|---|---|---|---|
|
|
Kilde: https://www.kdnuggets.com/2021/09/data-science-portfolio-job.html
- "
- 9
- råd
- Alle
- APIer
- rundt
- Artikkel
- artikler
- publikum
- Blogg
- boston
- bygge
- Bygning
- sertifikater
- klienter
- kode
- Felles
- Selskapet
- informatikk
- kontrakt
- Par
- Covid-19
- COVID-19-pandemi
- Opprette
- dato
- datavitenskap
- dataforsker
- dag
- gJORDE
- Excel
- Først
- freelance
- fullt
- GitHub
- flott
- veilede
- hus
- Hvordan
- Hvordan
- HTTPS
- Tanken
- industri
- informasjon
- interesse
- Intervju
- intervjuer
- IT
- Jobb
- Jobb
- kunnskap
- LÆRE
- lært
- læring
- LINK
- maskinlæring
- Microsoft
- ML
- måneder
- Tilbud
- på nett
- Muligheter
- Opportunity
- Annen
- pandemi
- portefølje
- innlegg
- prising
- Programmering
- prosjekt
- prosjekter
- publikasjoner
- Python
- REST
- Vitenskap
- forskere
- skraping
- Del
- Enkelt
- ferdigheter
- So
- Begynn
- startet
- Stories
- innsendt
- Undervisning
- Teknisk
- Testing
- Kilden
- tid
- topp
- temaer
- tutorials
- web
- nettskraping
- Nettsted
- HVEM
- innenfor
- Arbeid
- verden
- skriving
- X
- år