Dit artikel is geschreven door Rosana de Oliveira Gomes, Lead Machine Learning Engineer bij Omdena, en Joseph Itopa A, Junior Machine Learning Engineer bij Omdena.
Overstappen naar een nieuwe carrière kan voelen alsof je in een vliegtuig stapt dat al aan het opstijgen is. Het beroep van data scientist is relatief nieuw, wat betekent dat veel data scientists en machine learning engineers hun loopbaan niet op dit pad zijn begonnen. Ze zijn net als wij vanuit andere vakgebieden overgestapt, en misschien geldt dat ook voor veel van jullie die dit lezen. Laten we daarom bespreken welke tools en vaardigheden je nodig hebt om over te stappen naar data science—we benoemen mogelijke uitdagingen en geven je praktische tips om die te overwinnen.
Hoe je technische uitdagingen bij de overstap naar data science overwint
1. Fris je wiskunde en programmeren op
Voor data science heb je geen wiskundekennis nodig die verder gaat dan wat voor een willekeurige bètastudie vereist is. Maar elk algoritme voor kunstmatige intelligentie is gebaseerd op een wiskundige structuur die je moet begrijpen. Meestal gaat het om lineaire algebra en enkele concepten uit de differentiaal- en integraalrekening. Om resultaten te interpreteren, moet je statistische analyses uitvoeren, wat ook kennis van kansrekening en statistiek vereist.
Wiskunde levert de concepten, programmeertalen zijn de tools om die concepten tastbaar te maken. Dat betekent dat je een programmeertaal moet kiezen om te leren, in dit vakgebied meestal Python of R, vaak in combinatie met SQL en Bash. Een peiling van KDnuggets naar software die data scientists gebruiken, laat zien dat Python R heeft ingehaald als de voorkeursoptie.
De keuze voor een programmeertaal komt uiteindelijk neer op de taak en je stijlvoorkeuren. Python is makkelijk op te pakken als je al programmeerervaring hebt, en wordt breed gebruikt in sectoren en specialismen zoals data science en machine learning. R is ook een goede keuze als je een statistische achtergrond hebt en vooral met analyses bezig zult zijn. Het heeft bovendien ingebouwde tools en bibliotheken om resultaten via rapporten te communiceren. Ons advies: kies één taal en ga iets bouwen zodra je de basis beheerst.
Uit eigen ervaring hebben we geleerd dat je, om de benodigde vaardigheden in data science op te doen, het beste één leerplatform tegelijk kiest en daarbij blijft. Het slechtste wat je kunt doen is steeds opnieuw hetzelfde blijven leren.
2. Word een probleemoplosser
Je kunt de kern van data science zien als het vermogen om problemen op te lossen met creatieve en logische denkwijzen. Dat vereist programmeerkennis en begrip van algoritmen, opgedaan door oefening.
Nadat je basiskennis programmeren hebt opgedaan, kun je echte problemen gaan oplossen door te oefenen via cursussen of platforms. GeeksforGeeks biedt hands-on projecten voor competitief coderen, Python, JAVA en SQL. Het oplossen van enkele Kaggle-competitieproblemen kan je probleemoplossend vermogen ook versterken, omdat je makkelijk met real-world data kunt oefenen en veel hulp in de community vindt. DataCamp’s ongestuurde projecten zijn een geweldige manier om je eigen oplossingen te vinden voor open projecten.
Het is belangrijk dat je plezier haalt uit deze successen als je een carrière in data science wilt nastreven. In een recent Omdena-webinar zei data science-influencer Eric Weber: “Optimaliseer niet alleen voor inkomen, maar voor wat je plezier geeft; anders loop je snel op.”
3. Doe mee aan samenwerkingsprojecten
Nadat je met enkele algoritmen hebt gewerkt en een paar projecten hebt geoefend, ben je klaar voor meer gevorderde projecten. Daar komen samenwerkingsplatforms om de hoek kijken. Samenwerkende data science-programma’s leunen op communities om projecten divers en productief te ontwikkelen. De weerbarstigheid en het plezier van street coding vind je het best in samenwerkingsprojecten. Je leert van anderen terwijl zij van jou leren. Je sluit vriendschappen terwijl je worstelt met ongestructureerde en rommelige data—er is niets vergelijkbaars.
Inspirerende samenwerkingsinitiatieven zijn onder andere Data Kind, Science to data science en Data Science for Social Good. Deze opties zijn vaak locatiegebonden en kunnen kostbaar of competitief zijn vanwege beperkte beschikbaarheid en een uitgebreid aannameproces.
Een alternatief voor samenwerkingsprojecten is Omdena, dat meerdere projecten per maand start en het principe van vrijwilligerswerk toepast om echte problemen op te lossen via online samenwerking. Leerlingen werken met domeinexperts die hen gemotiveerd houden met webinars, cursussen, boeken en blogposts.
Hoe je niet-technische uitdagingen bij de overstap naar een data science-carrière overwint
1. Organisatie- en timemanagementvaardigheden
Van carrière veranderen is een project. Het vereist een strategisch plan, een tijdlijn en specifieke (en realistische) mijlpalen. Stel jezelf deze vragen:
- Waarom wil ik data scientist worden en voor welke onderwerpen ben ik echt enthousiast?
- Neem ik ontslag om de tijd te nemen de benodigde vaardigheden te leren, of maak ik de overstap naast mijn huidige werk?
- Waar ben ik goed in? Wat zijn mijn zwakke punten?
- Hoeveel tijd en geld ben ik bereid te besteden aan het veranderen van carrière?
- Welke nieuwe vaardigheden en kwalificaties moet ik verwerven voor dit nieuwe carrièrepad?
- Wat is mijn leerstijl?
Als je deze vragen eerlijk beantwoordt, heb je een plan nodig. Uiteindelijk moet je vinden wat voor jou werkt. Dit kun je doen:
- Print een weekplanning uit en hang die aan je muur.
- Organiseer je dagschema in een Google Agenda.
- Breng in kaart wat werkt en wat bijgesteld moet worden in je plan. Misschien heb je onderschat hoeveel tijd je voor een cursus nodig had, of is de leermethode die je koos toch niet wat je dacht.
- Wees niet bang om je strategie te veranderen. Ga naar online forums en zoek een betere bron. Of lees artikelen over timemanagement en hoe je SMART-doelen stelt.
- Blijf taken van je to-dolijst afvinken. Dat momentum helpt je door de eerste frustratie van iets nieuws leren heen.
2. Word een betere communicator
Nog een onmisbare vaardigheid voor data science is communicatie. Een data scientist vertaalt bergen data naar bruikbare inzichten voor besluitvormers en stakeholders. Maar niet iedereen met wie je moet communiceren is data scientist of heeft een bèta-achtergrond. Als je introvert bent, word je misschien niet heel blij van presenteren of voortdurende communicatie. Communicatie in data science gaat niet alleen om goed spreken, maar ook om het ontwikkelen van deze gewoonten en vaardigheden:
- Leg complexe concepten goed uit aan niet-experts.
- Documenteer code en analyses zodat teamleden in de toekomst van je werk kunnen leren (of zelfs jijzelf in de toekomst!).
- Word een betere schrijver door standaard te schrijven over alles wat je doet in je loopbaan.
Documentatie is macht, dus schrijf en blijf schrijven. Binnenkort moet je de vaardigheden aantonen die je op je cv zet, en dat kun je onderbouwen met goed gedocumenteerde code-repository’s (bijvoorbeeld op GitHub), blogposts en webinars of talks over je werk. Hoe eerder je begint, hoe sneller je vooruitgang boekt.
3. Wees voorbereid om het impostersyndroom te bestrijden
Een veelvoorkomende uitdaging voor carrièreswitchers is het impostersyndroom. Het is nooit gemakkelijk om een gevestigde carrière te hebben en ineens weer een beginner te zijn. In dit geval is het een kwestie van mindset: houd jezelf gemotiveerd en enthousiast over alles wat je gaat leren! Omdena heeft een webinar georganiseerd over hoe je als data scientist het impostersyndroom overwint, waaronder weten welke skillgaps je moet dichten en welke vaardigheden je al meeneemt uit je vorige carrière.
4. Bouw je netwerk
Netwerken tijdens je zoektocht naar een baan hoeft niet ongemakkelijk te zijn. Sterker nog, statistisch gezien komt het merendeel van de banen via het netwerk van een persoon, niet via sollicitaties (zie de verwijzingen hier en hier). Als je netwerkt, leg je simpelweg contact met mensen met vergelijkbare interesses, krijg je hun kijk op data science-onderwerpen en een inkijkje in hun loopbaan. Deze mensen kunnen je toekomstige collega’s worden. Het allerergste dat kan gebeuren, is dat je geen reactie krijgt—wat heb je te verliezen?
Een van de makkelijkste manieren om te netwerken is via samenwerkingsprojecten, waar je kennis kunt delen, met ervaren professionals kunt werken, inzichten krijgt van mensen in verschillende rollen en baankansen opdoet.
Een andere goede manier om te netwerken is door autoriteiten in data science te volgen, zoals:
Neem contact op met interessante mensen die je tegenkomt—een spreker uit een podcast die je leuk vond, een docent van een online cursus of een blogger van wie je de posts graag leest. De gouden regel is: Laat van je horen en stel vragen. Dat is de beste manier om feedback te krijgen.
Joseph stapt momenteel over naar data science vanuit de werktuigbouw, en Rosana vanuit de astrofysica. Neem contact met ze op en ga verder met dit gesprek op LinkedIn: Joseph en Rosana.
