Questo articolo è stato scritto da Rosana de Oliveira Gomes, Lead Machine Learning Engineer presso Omdena, e Joseph Itopa A, Junior Machine Learning Engineer presso Omdena.
Passare a una nuova carriera può sembrare come salire su un aereo che è già in decollo. La professione della data science è relativamente nuova, il che significa che molti data scientist e machine learning engineer non hanno iniziato la loro carriera su questa strada. Sono passati da altri settori, come abbiamo fatto noi, e forse come molti di voi che stanno leggendo. Quindi parliamo degli strumenti e delle competenze di cui hai bisogno per passare alla data science: evidenzieremo le possibili sfide e ti daremo consigli pratici su come superarle.
Come superare le sfide tecniche del passaggio alla data science
1. Ripassa matematica e programmazione
La data science non richiede una conoscenza avanzata di matematica oltre a quella necessaria per qualsiasi laurea scientifica. Ma ogni algoritmo di intelligenza artificiale si basa su una struttura matematica che dovrai comprendere. Questo di solito implica algebra lineare e alcuni concetti di analisi matematica. Per interpretare i risultati, dovrai condurre analisi statistiche, che richiedono anche conoscenze di probabilità e statistica.
Se la matematica fornisce i concetti, i linguaggi di programmazione sono gli strumenti per renderli tangibili. Questo significa che devi scegliere un linguaggio di programmazione da imparare, che in questo campo è di solito Python o R, probabilmente in combinazione con SQL e Bash. Un sondaggio di KDnuggets sul software di programmazione usato dai data scientist rivela che Python ha superato R come strumento preferito.
Ma la scelta di un linguaggio di programmazione in sostanza si riduce al compito da svolgere e alle preferenze di stile. Python è facile da apprendere per chi ha esperienza di programmazione, ed è ampiamente usato in settori e specializzazioni come data science e machine learning. R è una buona scelta se hai un background in statistica e lavorerai principalmente sull’analisi. Ha anche strumenti e librerie integrate per comunicare i risultati tramite report. Il nostro consiglio è di restare su un solo linguaggio e iniziare a costruire qualcosa dopo aver concluso le basi.
Per esperienza, abbiamo imparato che per acquisire le competenze necessarie in data science dovresti scegliere un solo provider formativo alla volta e mantenerlo. La cosa peggiore che puoi fare è continuare a imparare le stesse cose più e più volte.
2. Diventa un risolutore di problemi
Puoi vedere la scienza della data science come la capacità di risolvere problemi con pensiero creativo e logico. Questo richiede conoscenze di programmazione e una comprensione degli algoritmi acquisita con la pratica.
Dopo aver acquisito alcune basi di programmazione, puoi iniziare a risolvere problemi reali esercitandoti tramite corsi o piattaforme. GeeksforGeeks offre progetti pratici per coding competitivo, Python, JAVA e SQL. Risolvere alcuni problemi delle competizioni su Kaggle può anche potenziare le tue capacità di problem solving, perché puoi facilmente sfruttare dati reali su cui fare pratica e trovare molto aiuto nella community. Gli unguided projects di DataCamp sono un ottimo modo per trovare soluzioni personali a progetti aperti.
È importante che tu trovi piacere in questi traguardi per perseguire una carriera nella data science. In un recente webinar di Omdena, l’influencer della data science Eric Weber ha detto: «Non ottimizzare solo per il reddito ma per ciò che ti dà gioia; altrimenti, rischi di bruciarti in fretta.»
3. Partecipa a progetti collaborativi
Dopo aver lavorato con alcuni algoritmi e aver fatto pratica su qualche progetto, sarai pronto per progetti più avanzati. È qui che entrano in gioco le piattaforme collaborative. I programmi di data science collaborativa si basano su community per sviluppare progetti in modo vario e produttivo. La rudezza e il divertimento dello street coding si trovano al meglio nei progetti collaborativi. Imparerai dagli altri mentre gli altri imparano da te. Farai amicizia mentre lotti con dati non strutturati e disordinati: non c’è niente di simile.
Iniziative collaborative ispiratrici includono Data Kind, Science to data science e Data Science for Social Good. Queste opzioni sono spesso specifiche per località e possono essere costose o competitive a causa della disponibilità limitata e di un lungo processo di candidatura.
Un’alternativa ai progetti collaborativi è Omdena, che lancia diversi progetti al mese e applica un principio di volontariato per risolvere problemi reali attraverso la collaborazione online. Chi apprende lavora con esperti di dominio che li aiuteranno a restare motivati con webinar, corsi, libri e post sul blog.
Come superare le sfide non tecniche del passaggio a una carriera nella data science
1. Organizzazione e gestione del tempo
Cambiare carriera è un progetto. Richiede un piano strategico, una timeline e traguardi specifici (e realistici). Poniti queste domande:
- Perché voglio diventare data scientist e quali argomenti mi appassionano?
- Lascerò il lavoro per prendermi il tempo di imparare le competenze di cui ho bisogno o farò la transizione in parallelo al mio lavoro attuale?
- In cosa sono bravo? Quali sono i miei punti deboli?
- Quanto tempo e denaro sono disposto a investire per cambiare carriera?
- Quali sono le nuove competenze e qualifiche che devo acquisire per il nuovo percorso?
- Qual è il mio stile di apprendimento?
Una volta che avrai risposto con sincerità, ti serve un piano. Alla fine, devi trovare ciò che funziona per te. Ecco alcune cose che puoi fare:
- Stampa un piano settimanale e appendilo al muro.
- Organizza la tua agenda quotidiana su un calendario di Google.
- Identifica cosa funziona e cosa va ritarato nel tuo piano. Forse hai sottovalutato quanto tempo ti serviva per un corso o la risorsa che hai scelto non è proprio come immaginavi.
- Non aver paura di cambiare strategia. Vai sui forum online e cerca una risorsa migliore. Oppure leggi qualche articolo sulla gestione del tempo e su come definire obiettivi SMART.
- Continua a spuntare le attività dalla tua to-do list. Questo slancio ti farà superare quel periodo iniziale di frustrazione nell’imparare qualcosa di nuovo.
2. Diventa un comunicatore migliore
Un’altra competenza indispensabile per la data science è la comunicazione. Un data scientist traduce enormi quantità di dati in insight azionabili per decisori e stakeholder. Tuttavia, non tutte le persone con cui dovrai comunicare sono data scientist o hanno un background STEM. Se sei introverso, potresti non essere entusiasta del public speaking o della comunicazione costante. La comunicazione in data science non riguarda solo il saper parlare bene, ma anche costruire queste abitudini e competenze:
- Fornire buone spiegazioni di concetti complessi a non esperti.
- Documentare codice e analisi così che gli altri membri del team possano imparare dal tuo lavoro in futuro (o persino il tuo te futuro!).
- Diventare un buon autore prendendo l’abitudine di scrivere su tutto ciò che fai nel tuo percorso professionale.
La documentazione è potere, quindi scrivi e continua a scrivere. Nel prossimo futuro dovrai dimostrare le competenze che hai inserito nel curriculum, e puoi sostenerle tramite repository di codice ben documentati (ad esempio su GitHub), post sul blog e webinar o talk sul tuo lavoro. Prima inizi, più in fretta migliorerai.
3. Preparati a combattere la sindrome dell’impostore
Una sfida comune vissuta da molti che cambiano carriera è la sindrome dell’impostore. Non è mai facile avere una carriera consolidata e all’improvviso diventare un principiante. In questo caso è tutta una questione di mindset: resta motivato ed entusiasta per tutte le cose nuove che stai per imparare! Omdena ha ospitato un webinar su come superare la sindrome dell’impostore come data scientist, che include conoscere il divario di competenze che devi colmare e identificare le abilità che hai già appreso dalla tua carriera precedente.
4. Costruisci il tuo network
Fare networking durante la ricerca di lavoro non deve essere imbarazzante. Anzi, statisticamente, la maggior parte delle opportunità lavorative arriva dalla rete di conoscenze di una persona, non dalle candidature (controlla i riferimenti qui e qui). Quando fai networking, stai semplicemente entrando in contatto con persone che hanno interessi simili ai tuoi, ascoltando i loro punti di vista su temi di data science e sbirciando nelle loro carriere. Queste persone potrebbero diventare i tuoi futuri colleghi. La cosa peggiore che può capitare è non ricevere risposta: cosa hai da perdere?
Uno dei modi più semplici per fare networking è attraverso progetti collaborativi, dove hai l’opportunità di condividere conoscenza, lavorare con professionisti esperti, ottenere insight da persone in ruoli diversi e trovare contatti per lavori.
Un altro buon modo per fare networking è seguire figure autorevoli nella data science come:
Contatta qualsiasi persona interessante che incontri: un relatore di un podcast che ti è piaciuto, un docente di un corso online o un blogger i cui post apprezzi. La regola d’oro è: Mettiti in gioco e fai domande. È il modo migliore per ottenere feedback.
Joseph sta attualmente passando alla data science dall’Ingegneria, e Rosana dall’Astrofisica. Contattali e continua questa conversazione su LinkedIn: Joseph e Rosana.
