Εάν είστε προγραμματιστής που πραγματοποιεί μετάβαση στην επιστήμη δεδομένων, ακολουθούν οι καλύτεροι πόροι σας

Φαίνεται ότι όλοι θέλουν να γίνουν επιστήμονες δεδομένων αυτές τις μέρες - από φοιτητές διδακτορικού έως αναλυτές δεδομένων έως τον παλιό συμμαθητή σας στο κολέγιο που κρατά τον Linkedin να σας στέλνει μηνύματα για να "πιείτε καφέ".

Ίσως είχατε το ίδιο μελάνι που θα έπρεπε τουλάχιστον να εξερευνήσετε ορισμένες θέσεις επιστήμης δεδομένων και να δείτε τι είναι η διαφημιστική εκστρατεία. Ίσως έχετε δει άρθρα όπως η Επιστήμη Δεδομένων του Vicki Boykis είναι διαφορετική τώρα που αναφέρει:

Αυτό που γίνεται ξεκάθαρο είναι ότι, στο τέλος του κύκλου διαφημιστικής εκστρατείας, η επιστήμη δεδομένων πλησιάζει ασυμπτωτικά πιο κοντά στη μηχανική και οι δεξιότητες που χρειάζονται οι επιστήμονες δεδομένων για να προχωρήσουν είναι λιγότερο οπτικοποιημένες και βασισμένες σε στατιστικά στοιχεία και περισσότερο συμβατές με την παραδοσιακή επιστήμη υπολογιστών …: Έννοιες όπως η δοκιμή μονάδων και η συνεχής ολοκλήρωση βρήκαν γρήγορα το δρόμο τους στη γλώσσα και στο σύνολο εργαλείων που χρησιμοποιούνται συνήθως από επιστήμονες δεδομένων και αριθμητικούς επιστήμονες που εργάζονται στη μηχανική ML.

ή tweets όπως το Tim Hopper's:

Αυτό που δεν είναι σαφές είναι πώς μπορείτε να αξιοποιήσετε την εμπειρία σας ως μηχανικός λογισμικού σε μια θέση επιστήμης δεδομένων. Μερικές άλλες ερωτήσεις που μπορεί να έχετε είναι:

Τι πρέπει να δώσω προτεραιότητα στη μάθηση;

Υπάρχουν βέλτιστες πρακτικές ή εργαλεία που είναι διαφορετικά για τους επιστήμονες δεδομένων;

Το τρέχον σύνολο δεξιοτήτων μου θα μεταφερθεί σε ρόλο επιστήμης δεδομένων;

Αυτό το άρθρο θα παρέχει ένα υπόβαθρο σχετικά με τον ρόλο των επιστημόνων δεδομένων και γιατί το υπόβαθρό σας μπορεί να είναι κατάλληλο για την επιστήμη των δεδομένων, καθώς και απτές σταδιακές ενέργειες που μπορείτε, ως προγραμματιστής, να κάνετε για να βελτιώσετε την επιστήμη των δεδομένων.

Θέλετε να δείτε τους τελευταίους ρόλους της επιστήμης δεδομένων; Εγγραφείτε στο διμηνιαίο ενημερωτικό δελτίο ML Jobs για νέα ανοίγματα θέσεων εργασίας στα εισερχόμενά σας.

Επιστήμονας δεδομένων έναντι Μηχανικός δεδομένων

Πρώτα πράγματα πρώτα, πρέπει να διακρίνουμε μεταξύ δύο συμπληρωματικών ρόλων: Data Scientist έναντι Data Engineer. Ενώ και οι δύο αυτοί ρόλοι χειρίζονται μοντέλα μηχανικής μάθησης, η αλληλεπίδρασή τους με αυτά τα μοντέλα, καθώς και οι απαιτήσεις και η φύση της εργασίας για τους Επιστήμονες Δεδομένων και τους Μηχανικούς Δεδομένων ποικίλλουν σε μεγάλο βαθμό.

Σημείωση: Ο ρόλος του Μηχανικού δεδομένων που είναι εξειδικευμένος για τη μηχανική μάθηση μπορεί επίσης να εκδηλωθεί σε περιγραφές θέσεων εργασίας ως «Μηχανικός λογισμικού, Μηχανική εκμάθηση» ή «Μηχανικοί μηχανικής μάθησης»

Ως μέρος μιας ροής εργασίας μηχανικής μάθησης, ο επιστήμονας δεδομένων θα πραγματοποιήσει τη στατιστική ανάλυση που απαιτείται για να προσδιορίσει ποια προσέγγιση μηχανικής μάθησης να χρησιμοποιήσει και στη συνέχεια να αρχίσει να δημιουργεί πρότυπα και να αναπτύσσει αυτά τα μοντέλα.

Οι μηχανικοί της μηχανικής μάθησης συχνά συνεργάζονται με επιστήμονες δεδομένων πριν και μετά από αυτήν τη διαδικασία μοντελοποίησης: (1) κατασκευή αγωγών δεδομένων για τροφοδοσία δεδομένων σε αυτά τα μοντέλα και (2) σχεδίαση ενός μηχανικού συστήματος που θα εξυπηρετεί αυτά τα μοντέλα για τη διασφάλιση της συνεχούς υγείας των μοντέλων.

Το παρακάτω διάγραμμα είναι ένας τρόπος για να δείτε αυτό το σύνολο δεξιοτήτων:

Υπάρχει πληθώρα διαδικτυακών πόρων σχετικά με τη διαφορά μεταξύ των επιστημόνων δεδομένων και των μηχανικών δεδομένων - φροντίστε να δείτε:

  • Panoply: Ποια είναι η διαφορά μεταξύ ενός μηχανικού δεδομένων και ενός επιστήμονα δεδομένων;
  • Springboard: Μηχανικός μηχανικής μάθησης εναντίον Επιστήμονας δεδομένων
  • O'Reilly: Μηχανικοί δεδομένων εναντίον επιστημόνων δεδομένων

Ως αποποίηση ευθυνών, αυτό το άρθρο καλύπτει πρωτίστως τον ρόλο του Επιστήμονα δεδομένων με κάποιο νεύμα προς την πλευρά της Μηχανικής Μάθησης Μηχανικής (ειδικά σχετική αν ψάχνετε για θέση σε μια μικρότερη εταιρεία όπου ίσως χρειαστεί να υπηρετήσετε και τα δύο). Αν σας ενδιαφέρει να δείτε πώς μπορείτε να μεταβείτε σε Μηχανικός Δεδομένων ή Μηχανικός Μηχανικής Μάθησης, ενημερώστε μας στα παρακάτω σχόλια!

Το πλεονέκτημά σας ως προγραμματιστής

Σε βάρος όλων, τα μαθήματα γύρω από τη μηχανική μάθηση όπως «Εισαγωγή στην Επιστήμη των Δεδομένων στο Python» ή το μάθημα Coursera του Andrew Ng δεν καλύπτουν έννοιες και βέλτιστες πρακτικές από τη μηχανική λογισμικού, όπως η δοκιμή μονάδων, η σύνταξη αρθρωτού επαναχρησιμοποιήσιμου κώδικα, CI / CD ή ελέγχου έκδοσης. Ακόμη και μερικές από τις πιο προηγμένες ομάδες μηχανικής μάθησης εξακολουθούν να μην χρησιμοποιούν αυτές τις πρακτικές για τον κώδικα μηχανικής εκμάθησης, οδηγώντας σε μια ανησυχητική τάση…

Ο Pete Warden περιέγραψε αυτήν την τάση ως «Κρίση Αναπαραγωγιμότητας της Μηχανικής Μάθησης»:

είμαστε ακόμα πίσω στα σκοτεινά χρόνια, όσον αφορά την παρακολούθηση αλλαγών και την ανακατασκευή μοντέλων από το μηδέν. Είναι τόσο άσχημο που μερικές φορές αισθάνεται σαν να επιστρέψουμε στο χρόνο όταν κωδικοποιήσαμε χωρίς έλεγχο πηγής.

Παρόλο που ενδέχεται να μην βλέπετε αυτές τις δεξιότητες «μηχανικής λογισμικού» που αναφέρονται ρητά στις περιγραφές εργασίας των επιστημόνων δεδομένων, η καλή κατανόηση αυτών των δεξιοτήτων ως μέρος του ιστορικού σας ήδη θα βοηθήσει το 10x έργο σας ως επιστήμονας δεδομένων. Επιπλέον, θα τεθούν σε χρήση όταν ήρθε η ώρα να απαντήσουν σε αυτές τις ερωτήσεις προγραμματισμού κατά τη διάρκεια της συνέντευξής σας στην επιστήμη δεδομένων.

Για κάποια ενδιαφέρουσα προοπτική από την άλλη πλευρά, ρίξτε μια ματιά στο κομμάτι του Trey Causey σχετικά με τις «δεξιότητες ανάπτυξης λογισμικού για επιστήμονες δεδομένων» σχετικά με τις δεξιότητες που συνιστά στους επιστήμονες δεδομένων να μάθουν να «γράφουν καλύτερο κώδικα, να αλληλεπιδρούν καλύτερα με προγραμματιστές λογισμικού και τελικά να σας εξοικονομούν χρόνο και πονοκεφάλους ».

Αύξηση της επιστήμης των δεδομένων

Είναι υπέροχο που έχετε μια καλή βάση με το υπόβαθρο της μηχανικής λογισμικού σας, αλλά ποιο είναι το επόμενο βήμα για να γίνετε επιστήμονας δεδομένων; Το tweet του Josh Will στο μάγουλο σχετικά με τον ορισμό ενός επιστήμονα δεδομένων είναι εκπληκτικά ακριβές:

Υπονοεί ένα από τα θέματα στα οποία πρέπει να καλύψετε εάν ενδιαφέρεστε να επιδιώξετε έναν ρόλο επιστήμονα δεδομένων ή μια σταδιοδρομία: στατιστικές. Σε αυτήν την επόμενη ενότητα, θα καλύψουμε εξαιρετικούς πόρους για:

  • Δημιουργία ειδικών γνώσεων ML
  • Γνώση της οικοδομικής βιομηχανίας
  • Εργαλεία στη στοίβα ML
  • Δεξιότητες και προσόντα

Δημιουργία ειδικών γνώσεων ML

Είναι πιο αποτελεσματικό να οικοδομήσουμε έναν συνδυασμό γνώσεων που βασίζονται στη θεωρία γύρω από τις πιθανότητες και τα στατιστικά, καθώς και τις εφαρμοσμένες δεξιότητες σε πράγματα όπως διαμάχη δεδομένων ή μοντέλα κατάρτισης σε GPU / κατανεμημένα υπολογιστικά.

Ένας τρόπος για να διαμορφώσετε τη γνώση που αποκτάτε είναι να την αναφέρετε στη ροή εργασίας της μηχανικής μάθησης.

Δείτε αυτήν τη λεπτομερή ροή εργασίας από το Skymind AI

Εδώ παραθέτουμε μερικούς από τους καλύτερους πόρους που μπορείτε να βρείτε σχετικά με τη μηχανική μάθηση. Θα ήταν αδύνατο να έχουμε μια εξαντλητική λίστα και να εξοικονομήσουμε χώρο (και χρόνο ανάγνωσης), δεν αναφέραμε πολύ δημοφιλείς πηγές όπως το μάθημα Coursera του Andrew Ng ή το Kaggle.

ΚΥΚΛΟΣ ΜΑΘΗΜΑΤΩΝ:

  • Fast.ai MOOC (δωρεάν μαθήματα που διδάσκουν πολύ εφαρμοσμένες δεξιότητες σε όλη την πρακτική βαθιά εκμάθηση για κωδικοποιητές, Cutting Edge Deep Learning για κωδικοποιητές, υπολογιστική γραμμική άλγεβρα και εισαγωγή στη μηχανική εκμάθηση για κωδικοποιητές)
  • Ακαδημία Χαν
  • 3Blue1Brown και mathematicalmonk youtube κανάλι
  • Μαθήματα Udacity (συμπεριλαμβανομένης της προεπεξεργασίας για μηχανική εκμάθηση στο Python)
  • Ειδικό κομμάτι Springboard AI / ML

Βιβλία: * προσπάθησα να βρω δωρεάν PDF online για τα περισσότερα από αυτά *

  • Πιθανολογικός προγραμματισμός & μέθοδοι Bayesian για χάκερ
  • Πιθανότητες και τυχαίες διαδικασίες
  • Στοιχεία της Στατιστικής Μάθησης
  • Γραμμική άλγεβρα Έγινε δεξιά
  • Εισαγωγή στη Γραμμική Άλγεβρα
  • Σχεδιασμός αλγορίθμου

Οδηγοί:

  • Οδηγός μηχανικής εκμάθησης Google Developers
  • Οδηγοί Mastery Machine Learning (για ένα καλό σημείο εκκίνησης, δείτε αυτό το μίνι μάθημα για τη Python Machine Learning)
  • Pyimagesearch (για όραση με υπολογιστή)

Συναντήσεις: * κυρίως αυτές που βασίζονται στη Νέα Υόρκη *

  • Έγγραφα που αγαπάμε
  • NYC Artificial Intelligence & Machine Learning
  • DataCouncil.ai
  • Τεχνητή νοημοσύνη της Νέας Υόρκης
Για ένα δροσερό σημείο εκκίνησης, ρίξτε μια ματιά στα «Open-Source Machine Learning Masters» του Will Wolf σχετικά με τον τρόπο με τον οποίο μπορείτε να δομήσετε το χρόνο σας μελετώντας συγκεκριμένα θέματα και να εργαστείτε σε έργα για να δείξετε εξειδίκευση σε μια απομακρυσμένη τοποθεσία χαμηλού κόστους.

Οικοδομική γνώση ειδικά για τη βιομηχανία

Εάν έχετε μια ιδέα που θα θέλατε να είστε μια συγκεκριμένη βιομηχανία όπως η υγειονομική περίθαλψη, οι χρηματοοικονομικές υπηρεσίες, τα καταναλωτικά αγαθά, το λιανικό εμπόριο κ.λπ.…, είναι πολύτιμο να παρακολουθείτε τα σημεία πόνου και τις εξελίξεις αυτής της βιομηχανίας, καθώς σχετίζεται με δεδομένα και μηχανήματα μάθηση.

Μία επαγγελματική συμβουλή = μπορείτε να σαρώσετε τους ιστότοπους των εκκινήσεων τεχνητής νοημοσύνης για κάθετο και να δείτε πώς τοποθετούν την πρόταση αξίας τους και πού παίζει η μηχανική εκμάθηση. Αυτό θα σας δώσει ιδέες για συγκεκριμένους τομείς της μηχανικής μάθησης για μελέτη και θέματα για έργα για την προβολή της εργασίας σας.

Μπορούμε να δούμε ένα παράδειγμα: ας πούμε ότι ενδιαφέρομαι να εργαστώ στην υγειονομική περίθαλψη.

  1. Μέσα από μια γρήγορη αναζήτηση στο Google για « μηχανική φροντίδα υγειονομικής περίθαλψης», βρήκα αυτήν τη λίστα από το Healthcareweekly.com στο «Καλύτερες εκκινήσεις υγειονομικής περίθαλψης για παρακολούθηση το 2019»
Μπορείτε επίσης να κάνετε γρήγορες αναζητήσεις στο Crunchbase ή στο AngelList με τη λέξη-κλειδί "υγειονομική περίθαλψη"

2. Ας πάρουμε για παράδειγμα μία από τις εταιρείες που περιλαμβάνονται στη λίστα, το BenevolentAI.

3. Ο ιστότοπος της BenevolentAI αναφέρει:

Είμαστε μια εταιρεία τεχνητής νοημοσύνης με ικανότητα από άκρο σε άκρο από την πρώιμη ανακάλυψη φαρμάκων έως την κλινική ανάπτυξη στα τέλη. Το BenevolentAI συνδυάζει τη δύναμη της υπολογιστικής ιατρικής και το προηγμένο AI με τις αρχές των ανοιχτών συστημάτων και του cloud computing για να μεταμορφώσει τον τρόπο σχεδιασμού, ανάπτυξης, δοκιμής και διάθεσης των φαρμάκων στην αγορά. Κατασκευάσαμε την πλατφόρμα Benevolent για να κατανοήσουμε καλύτερα τις ασθένειες και να σχεδιάσουμε νέα και βελτίωση των υφιστάμενων θεραπειών, από τεράστιες ποσότητες βιοϊατρικών πληροφοριών. Πιστεύουμε ότι η τεχνολογία μας δίνει τη δυνατότητα στους επιστήμονες να αναπτύσσουν φάρμακα γρηγορότερα και οικονομικά αποδοτικότερα. Μια νέα ερευνητική εργασία δημοσιεύεται κάθε 30 δευτερόλεπτα, αλλά οι επιστήμονες χρησιμοποιούν επί του παρόντος μόνο ένα μέρος των διαθέσιμων γνώσεων για να κατανοήσουν την αιτία της νόσου και να προτείνουν νέες θεραπείες. Η πλατφόρμα μας απορροφά,«διαβάζει» και συγκρίνει τεράστιες ποσότητες πληροφοριών που προέρχονται από γραπτά έγγραφα, βάσεις δεδομένων και πειραματικά αποτελέσματα. Είναι σε θέση να κάνει απεριόριστα περισσότερες μειώσεις και συμπεράσματα σε αυτές τις διαφορετικές, περίπλοκες πηγές δεδομένων, εντοπίζοντας και δημιουργώντας σχέσεις, τάσεις και μοτίβα, που θα ήταν αδύνατο για έναν άνθρωπο να κάνει μόνος του.

4. Αμέσως μπορείτε να δείτε ότι το BenevolentAI χρησιμοποιεί επεξεργασία φυσικής γλώσσας (NLP) και πιθανώς εργάζεται με κάποια γραφήματα γνώσεων εάν εντοπίζει σχέσεις μεταξύ ασθενειών και ερευνητικής θεραπείας

5. Εάν ελέγξετε τη σελίδα καριέρας του BenevolentAI, μπορείτε να δείτε ότι προσλαμβάνουν έναν Ανώτερο Ερευνητή Μηχανικής Μάθησης. Αυτός είναι ένας ανώτερος ρόλος, οπότε δεν είναι ένα τέλειο παράδειγμα, αλλά ρίξτε μια ματιά στις δεξιότητες και τα προσόντα που ζητούν παρακάτω:

Σημείωση:

  • επεξεργασία φυσικής γλώσσας, συμπεράσματα γνώσεων, ενεργητική μάθηση και βιοχημική μοντελοποίηση
  • δομημένες και μη δομημένες πηγές δεδομένων
  • προσεγγίσεις μοντέλου bayesian
  • γνώση σύγχρονων εργαλείων για ML

Αυτό θα σας δώσει μερικά βήματα για το τι πρέπει να προσεγγίσετε στη συνέχεια:

  • εργασία με δομημένα δεδομένα
  • εργασία με μη δομημένα δεδομένα
  • ταξινόμηση σχέσεων σε γραφήματα γνώσης (δείτε έναν καλό πόρο εδώ)
  • μαθαίνοντας bayesian πιθανοτήτων και μοντελοποίησης προσεγγίσεις
  • Εργαστείτε σε ένα έργο NLP (έτσι δεδομένα κειμένου)

Δεν συνιστούμε να κάνετε αίτηση για εταιρείες που βρίσκετε μέσω της αναζήτησής σας, αλλά μάλλον να δείτε πώς περιγράφουν τα σημεία πόνου του πελάτη τους, τις προτάσεις αξίας της εταιρείας τους και τι είδους δεξιότητες απαριθμούν στις περιγραφές εργασίας τους για να καθοδηγήσουν την έρευνά σας.

Εργαλεία στη στοίβα ML

Στην περιγραφή εργασίας του BenevolentAI Senior Machine Learning Researcher, ζητούν «γνώση σύγχρονων εργαλείων για ML, όπως Tensorflow, PyTorch κ.λπ.».

Η εκμάθηση αυτών των σύγχρονων εργαλείων για ML μπορεί να φαίνεται τρομακτική, καθώς ο χώρος αλλάζει πάντα. Για να χωρίσετε τη διαδικασία εκμάθησης σε διαχειρίσιμα κομμάτια, θυμηθείτε να αγκυρώσετε τη σκέψη σας γύρω από τη ροή εργασιών μηχανικής εκμάθησης από ψηλά - "Ποιο εργαλείο μπορεί να με βοηθήσει με αυτό το μέρος της ροής εργασίας;" ;

Για να δείτε ποια εργαλεία συνοδεύουν κάθε βήμα αυτής της ροής εργασιών μηχανικής μάθησης, ανατρέξτε στην ενότητα «Εισαγωγή στη στοίβα μηχανικής εκμάθησης» του Roger Huang που καλύπτει εργαλεία όπως το Docker, το Comet.ml και το dask-ml.

Τακτικά, οι Python και R είναι οι πιο κοινές γλώσσες προγραμματισμού που χρησιμοποιούν οι επιστήμονες και μπορείτε να συναντήσετε πρόσθετα πακέτα που έχουν σχεδιαστεί για εφαρμογές επιστήμης δεδομένων, όπως το NumPy και το SciPy και το matplotlib. Αυτές οι γλώσσες ερμηνεύονται, αντί να καταρτίζονται, αφήνοντας τον επιστήμονα δεδομένων ελεύθερο να επικεντρωθεί στο πρόβλημα παρά στις αποχρώσεις της γλώσσας. Αξίζει να επενδύσετε χρόνο μαθαίνοντας αντικειμενοστρεφή προγραμματισμό για να κατανοήσετε την εφαρμογή δομών δεδομένων ως τάξεις.

Για να παρακολουθήσετε τα πλαίσια ML όπως το Tensorflow, το Keras και το PyTorch, φροντίστε να μεταβείτε στην τεκμηρίωσή τους και να δοκιμάσετε να εφαρμόσετε τα σεμινάριά τους από άκρο σε άκρο.

Στο τέλος της ημέρας, θέλετε να βεβαιωθείτε ότι δημιουργείτε έργα που παρουσιάζουν αυτά τα σύγχρονα εργαλεία για τη συλλογή δεδομένων και τη διαμάχη, τη διαχείριση πειραμάτων μηχανικής μάθησης και τη μοντελοποίηση.

Για κάποια έμπνευση για τα έργα σας, ρίξτε μια ματιά στο κομμάτι του Edouard Harris σχετικά με το «Το πρόβλημα εκκίνησης με κρύο τρόπο: πώς να χτίσετε το χαρτοφυλάκιο μηχανικής μάθησης»

Δεξιότητες και προσόντα

Αφήσαμε αυτήν την ενότητα για τελευταία δεδομένου ότι συγκεντρώνει πολλές από τις πληροφορίες από τις προηγούμενες ενότητες, αλλά προσανατολίζεται συγκεκριμένα στην προετοιμασία συνέντευξης για την επιστήμη δεδομένων. Υπάρχουν έξι βασικά θέματα κατά τη διάρκεια μιας συνέντευξης επιστημόνων δεδομένων:

  1. Κωδικοποίηση
  2. Προϊόν
  3. SQL
  4. Δοκιμή A / B
  5. Μηχανική εκμάθηση
  6. Πιθανότητα (δείτε έναν καλό ορισμό έναντι στατιστικών εδώ)

Θα παρατηρήσετε ότι ένα από αυτά τα θέματα δεν μοιάζει με τα άλλα (Προϊόν). Για τις θέσεις της επιστήμης των δεδομένων, η επικοινωνία σχετικά με τις τεχνικές έννοιες και τα αποτελέσματα, καθώς και τις επιχειρηματικές μετρήσεις και τον αντίκτυπο είναι κρίσιμη.

Μερικές χρήσιμες συγκεντρώσεις ερωτήσεων συνέντευξης για την επιστήμη δεδομένων: ?? https: //github.com/kojino/120-Data-Science-Interview-Questions ?? https: //github.com/iamtodor/data-science-interview-questions-and-answers ???? https://hookedondata.org/red-flags-in-data-science-interviews/ ?? https://medium.com/@XiaohanZeng/i-interviewed-at-five-top-companies-in-silicon-valley-in-five-days-and-luckily-got-five-job-offers-25178cf74e0f

Θα παρατηρήσετε ότι συμπεριλάβαμε το κομμάτι του Hooked on Data στο "Red Flags in Data Science Interviews" - καθώς παίρνετε συνέντευξη για ρόλους, θα συναντήσετε εταιρείες που εξακολουθούν να αναπτύσσουν την υποδομή δεδομένων τους ή μπορεί να μην έχουν καλή αντίληψη για το πώς η ομάδα της επιστήμης δεδομένων τους ταιριάζει στη μεγαλύτερη αξία της εταιρείας.

Αυτές οι εταιρείες μπορεί ακόμα να ανεβαίνουν σε αυτήν την ιεραρχία αναγκών παρακάτω.

Για κάποιες προσδοκίες γύρω από συνεντεύξεις στην επιστήμη δεδομένων, θα συνιστούσα να διαβάσετε το κομμάτι του Tim Hopper με τίτλο «Μερικές σκέψεις για την απόρριψη για πολλές εργασίες επιστήμης δεδομένων»

Ευχαριστώ για την ανάγνωση! Ελπίζουμε ότι αυτός ο οδηγός θα σας βοηθήσει να καταλάβετε εάν η επιστήμη δεδομένων είναι μια καριέρα που πρέπει να σκεφτείτε και πώς να ξεκινήσετε αυτό το ταξίδι!

Θέλετε να δείτε τους τελευταίους ρόλους της επιστήμης δεδομένων; Εγγραφείτε στο διμηνιαίο ενημερωτικό δελτίο ML Jobs για νέα ανοίγματα θέσεων εργασίας στην επιστήμη δεδομένων στα εισερχόμενά σας:

Ενημερωτικό δελτίο ML Jobs - Revue

Εγγραφείτε για να λάβετε αυτήν την εξαμηνιαία επιμελημένη λίστα θέσεων εργασίας για την επιστήμη δεδομένων στις καλύτερες εταιρείες του κλάδου. Ρόλοι… www.getrevue.co