Sempre più persone ogni giorno entrano nel mondo della data science. Le ragioni di questa tendenza sono diverse. Primo, la domanda è in forte crescita: secondo il rapporto LinkedIn 2020 sui lavori emergenti, la data science resta tra le professioni in più rapida crescita sul mercato, nonostante il rallentamento del settore dovuto alla pandemia di COVID-19.
Poi, le aspettative salariali: le statistiche di Glassdoor 2020 mostrano che lo stipendio di un data scientist junior si aggira intorno a 89.000 dollari USA. E infine, una popolarità notevole: la Harvard Business Review dichiarò in un memorabile articolo del 2012 che il data scientist era il lavoro più sexy del XXI secolo.
Se stai pensando di intraprendere una nuova avventura nel campo della data science, non esitare: buttati. Per aiutarti a riuscire nel tuo percorso, abbiamo preparato un elenco di 10 lezioni e consigli pratici che ti aiuteranno a orientarti e a trovare il tuo posto nel meraviglioso mondo della data science.
- Demistificare la data science
- Che cos'è un linguaggio di programmazione?
- All'inizio farà male. Ma abbi pazienza.
- Non sei solo: risorse per la data science
- L'arte del coding
- Da dove comincio a imparare?
- Continua a imparare
- La data science è un mezzo, non un fine
- Da grandi poteri derivano grandi responsabilità
- Conclusione: (Diventerai) data, amico mio
Demystifying data science
La data science viene spesso citata insieme ad altre parole di moda come big data, intelligenza artificiale e machine learning, il che rende difficile capire con chiarezza che cosa sia davvero.
In poche parole, la data science è un campo interdisciplinare che combina metodi scientifici, programmazione, algoritmi e statistica per estrarre conoscenza dai dati. Comprende un insieme di strumenti e metodologie potenti per lavorare con i dati, applicabili in quasi ogni settore. Le possibilità sono ampie: dall'analisi esplorativa di base e le tecniche di raccolta dati come il web scraping, fino ad alcune delle applicazioni più preziose, come i motori di raccomandazione, la computer vision, le auto a guida autonoma e il natural language processing, ambiti in cui machine learning e deep learning giocano un ruolo critico.
Sebbene la data science sia una scelta naturale per chi ha un background IT o di programmazione, il campo sta evolvendo rapidamente e oggi si può dire con certezza che tutti sono i benvenuti, indipendentemente dalla propria provenienza. Il motivo? Man mano che la data science entra in nuove discipline, conoscere gli aspetti essenziali di un determinato ambito o campo di indagine è fondamentale. Oltre alle competenze tecniche e di coding, i data scientist dovrebbero sempre possedere un certo grado di conoscenza del dominio di business per capire cosa stanno facendo. Questo include valutare i dati in ingresso, stimare il valore e la validità degli insight e distinguere ciò che ha senso da ciò che non ne ha.
What is a programming language?
Imparare a programmare è un passaggio necessario per diventare data scientist. Non ci sono alternative, nonostante la recente ondata di piattaforme di data science e IA “no-code”. Sebbene queste soluzioni permettano agli utenti business non tecnici di creare applicazioni e software (nel tentativo di colmare la carenza di sviluppatori), le competenze, le risorse e il mindset che un data scientist porta con sé sono difficilmente sostituibili, almeno per ora.
La programmazione è una parte centrale della vita quotidiana di un data scientist. Ma che cos'è, in fin dei conti, la programmazione? E che cos'è un linguaggio di programmazione?
La programmazione è la tecnica che consente l'esecuzione di attività automatizzate da parte di un sistema informatico. Per comunicare con un computer usiamo i linguaggi di programmazione. Un linguaggio di programmazione è un insieme di regole semantiche e sintattiche che i programmatori utilizzano per scrivere le istruzioni—noto anche come algoritmi—che permettono a un computer di svolgere un compito specifico.
Esistono centinaia di linguaggi di programmazione. Nella data science, i due linguaggi più popolari sono Python e R. Entrambi sono ottimi per qualunque attività di data science ti venga in mente. Spesso vengono rappresentati come rivali, ma un approccio più intelligente è considerarli linguaggi complementari; alleati che si possono combinare per sfruttarne appieno il potenziale e i rispettivi vantaggi. Per fortuna, DataCamp ha un ampio catalogo di corsi in cui puoi imparare sia Python sia R.
All'inizio farà male. Ma abbi pazienza.
Diciamolo: imparare a programmare è difficile. Vale per chiunque, a prescindere dal background. È ora di smetterla di pensare che chi ha studiato informatica o matematica sia più adatto alla data science rispetto a un laureato in discipline umanistiche. L'unica vera differenza è che il primo probabilmente ha iniziato a programmare all'università e il secondo no. Ma sappi che anche il primo ha avuto difficoltà con il coding, soprattutto all'inizio.
Programmare è come andare in palestra. I primi giorni fa male. I muscoli sono indolenziti e rigidi. Non sei abituato a quel dolore e, mentre sei sdraiato sul divano, potresti essere tentato di mollare. Ma se non ti arrendi e continui ad allenarti, le cose miglioreranno gradualmente. Dopo qualche settimana, ti ritroverai a superare traguardi di fitness che poco tempo prima sembravano irraggiungibili. Alla fine, andare in palestra diventerà parte della tua routine e un giorno ti accorgerai che ti piace allenarti.
Per la maggior parte dei bambini, servono tra i nove e i quattordici mesi per iniziare a parlare. Per fortuna, un linguaggio di programmazione è molto più semplice e rudimentale di una lingua umana. Se sei determinato, dovresti riuscire a scrivere script di base nel giro di pochi mesi. Proprio come in palestra, quando impari un linguaggio di programmazione devi armarti di pazienza.
Non sei solo: risorse per la data science
La tua avventura nella data science sarà piena di ostacoli. Potresti bloccarti mentre scrivi il codice, a volte non capirai perché il tuo script non gira correttamente e ci saranno momenti in cui semplicemente non avrai idea di come iniziare un certo compito di data science.
Nessun motivo di stress: non sei solo. Una delle cose più belle della data science—e, più in generale, dell'ecosistema della programmazione—è che internet è piena di risorse e informazioni che possono aiutarti a superare le sfide che potresti incontrare. Devi solo fare le domande giuste per ottenere le risposte giuste.
Ecco un elenco di risorse che verranno in tuo aiuto lungo il percorso:
-
Stack Overflow: l'Oracolo di Delfi per i programmatori. Con più di 16 milioni di utenti, Stack Overflow è una piattaforma pubblica di domande e risposte per programmatori. Se hai un problema con il tuo script Python o R, probabilmente finirai a cercare soluzioni su Stack Overflow.
-
Tutorial: hai problemi con l'analisi di regressione? Non sai da dove iniziare con il web scraping? Leggere un tutorial sull'argomento può essere un ottimo punto di partenza. Puoi trovare tutorial completi su un'ampia gamma di temi su piattaforme affermate come DataCamp e persino su YouTube.
-
Corsi online: se vuoi diventare esperto di un argomento, affinare le tue abilità di coding o semplicemente ampliare i tuoi orizzonti nella data science, probabilmente un corso è ciò che cerchi. Sul mercato ci sono molte opzioni, incluso DataCamp. Non perdere l'opportunità di esplorare la nostra ampia lista di corsi.
-
Libri di data science: i libri resteranno sempre una grande fonte di informazione. Negli ultimi anni sono stati pubblicati un numero crescente di libri sulla data science e molti si trovano online gratuitamente. Un consiglio: i libri O'Reilly.
-
Documentazione: ultimo ma non per importanza, va citata la documentazione dei pacchetti. La documentazione è uno degli aspetti più importanti di un buon pacchetto o libreria. È la fonte primaria per capire lo scopo di un pacchetto e come funziona. Anche se potrebbe non essere la lettura più entusiasmante, in molti casi la soluzione al tuo problema sarà una funzione o un parametro che non conoscevi finché non hai letto la documentazione.
L'arte del coding
Dopo alcuni mesi di allenamento con il codice, ti sentirai più sicuro delle tue abilità. In questo periodo avrai interiorizzato molti processi, sintassi e comandi. Senza accorgertene, appariranno automatismi di coding che renderanno più fluida la tua scrittura di script.
Col tempo inizierai a vedere il quadro d'insieme: scoprirai che programmare è un'arte. Per esempio, capirai che esistono molti modi per risolvere un problema di programmazione, ma alcuni sono più efficienti di altri. In effetti, la ricerca dell'efficienza guiderà il tuo lavoro, sia nella scrittura sia nell'esecuzione del codice. Questo ti porterà a imparare nuove strategie di programmazione.
Un altro aspetto importante che inizierai ad affrontare è la leggibilità. Ricorda che la leggibilità non è importante solo per altri programmatori che potrebbero dover mettere mano ai tuoi script, ma anche per il tuo “te stesso del futuro”. Apportando piccole modifiche ad alcuni elementi, come la struttura della sintassi, la denominazione di variabili e funzioni, e spaziatura e indentazione, il tuo codice può apparire migliore ed essere più comprensibile. Inoltre, commentare il codice e documentare le funzioni renderà la vita molto più facile a te e ad altri lettori.
Da dove comincio a imparare?
Prima abbiamo definito la data science come un campo interdisciplinare che combina metodi scientifici, programmazione, algoritmi e statistica per estrarre conoscenza dai dati. Sì, è tanta roba da cui partire. La data science è un campo molto impegnativo e per i nuovi arrivati è facile sentirsi sopraffatti. Se può consolarti, sappi che chiunque entri nella data science, a prescindere dal background, deve affrontare un certo percorso di apprendimento: è semplicemente impossibile sapere tutto subito.
Da dove si comincia, allora? Non c'è una sola risposta, ma non andrai lontano senza una base di programmazione, statistica e matematica. Per quanto riguarda la programmazione, oltre a Python o R, conoscere SQL è sicuramente indispensabile. Per matematica e statistica, non spaventarti. Potrebbe volerci più tempo, ma imparerai cos'è un p-value o una rete neurale artificiale con i tuoi tempi.
Nel frattempo, puoi fare altre cose per aumentare la tua visibilità e le possibilità di essere assunto. Un'ottima idea è creare un portfolio. A questo proposito, ti consigliamo vivamente di provare il nostro DataCamp Workspace, un ambiente online per scrivere codice, mettere in pratica le tue competenze analizzando dataset interessanti e costruire il tuo portfolio di data science. Inoltre, potresti scrivere articoli sul campo, partecipare a competizioni di data science o conseguire certificazioni in data science.
Continua a imparare
Se pensi che trovare il tuo primo lavoro nella data science sia la fine dell'avventura, ti sbagli. La data science è un campo dinamico e in rapida evoluzione. Ciò che oggi è popolare domani può essere obsoleto. Per farti un'idea dello stato del panorama della data science, guarda questa immagine.
Fonte: FirstMark
Da questa immagine possiamo trarre due conclusioni. Primo, la data science è un processo di apprendimento che dura tutta la vita. Devi continuare a imparare, altrimenti rischi di diventare obsoleto.
Secondo, è impossibile conoscere tutti i linguaggi di programmazione e le tecnologie là fuori. Quindi scegli cosa imparare in base alle esigenze del tuo lavoro e a ciò che ti appassiona di più.
La data science è un mezzo, non un fine
Qual è il valore del tuo lavoro come data scientist se non riesci a comunicare la rilevanza dei progetti su cui stai lavorando? Che senso ha fare un'analisi dei dati profonda e accurata se nessuno capisce cosa stai facendo?
L'obiettivo della data science è estrarre insight dai dati e applicarli per creare valore. In altre parole, la data science non è un fine in sé, ma un mezzo per creare valore. Competenze come una buona comunicazione, lo storytelling e il pensiero creativo sono fondamentali per trasformare gli insight in valore. In questo senso, come accennato sopra, il settore può beneficiare di skill non tecniche.
Da grandi poteri derivano grandi responsabilità
Questa è probabilmente la lezione più importante. La data science è alla base di alcune delle applicazioni e invenzioni più preziose delle nostre vite. Le nostre società stanno cambiando rapidamente, spinte dalla forza dirompente della data science e dell'intelligenza artificiale, tra altre tecnologie.
In questo contesto di incertezza e cambiamenti profondi, è importante restare critici e cauti. Il nostro lavoro quotidiano come data scientist comporta la gestione di grandi quantità di dati, la costruzione di modelli e la traduzione degli insight in valore, ma dovremmo sempre cercare di andare oltre i nostri computer e interrogarci sugli impatti sociali del nostro operato.
Essere critici e responsabili è il primo passo per prevenire abusi nel settore e garantire un futuro equo.
Conclusione: (Diventerai) data, amico mio
Per concludere questo post, vogliamo condividere con te un'ultima lezione: la data science non sta solo cambiando la società, ma cambierà per sempre anche la tua vita.
Il mondo in cui viviamo è complesso. Affrontiamo costantemente processi e sistemi che vanno oltre la nostra comprensione. Per gestire tale complessità, lavoriamo con i modelli, che possono essere definiti come una descrizione semplificata della realtà. In questo senso, la data science offre un buon numero di modelli che possono aiutarci a capire il nostro mondo. Per esempio, il modello relazionale per la gestione dei database può essere molto utile per strutturare le informazioni e descrivere fenomeni complessi. I modelli di social network possono aiutarci a capire come l'informazione scorre da persona a persona o a sfruttare il potenziale delle reti di cui facciamo parte. Ancora più affascinante, i modelli matematici che alimentano le applicazioni di machine learning non sono solo cruciali perché i computer imparino, ma offrono anche nuove prospettive per guardare all'intelligenza umana e, quindi, per comprendere più a fondo noi stessi.
Infine, c'è un altro motivo per cui la data science ti cambierà. Viviamo nell'era dei Big Data. Ogni giorno vengono creati e raccolti enormi volumi di dati. I dati non sono altro che informazione di molti tipi e fonti. La lettura ci permette di imparare da libri e altri testi, e la data literacy ci permette di imparare dai dati. È qualcosa di notevole, perché i dati offrono modalità senza precedenti per affrontare lo studio di qualsiasi ambito tu possa immaginare, dalla medicina, psicologia e arte, ai cambiamenti climatici, l'astronomia e la storia.
La data science ti fornisce gli strumenti per analizzare i dati—cosa farne dipende solo dalla tua immaginazione e curiosità. Quindi continuiamo l'avventura: là fuori c'è un intero mondo che aspetta di essere (ri)scoperto da te. Inizia sviluppando online le tue competenze sui dati.
