Este artigo foi escrito por Rosana de Oliveira Gomes, Lead Machine Learning Engineer na Omdena, e Joseph Itopa A, Junior Machine Learning Engineer na Omdena.
Mudar de carreira pode parecer embarcar em um avião que já está decolando. A profissão de ciência de dados é relativamente nova, o que significa que muitos cientistas de dados e engenheiros de machine learning não começaram suas carreiras nessa área. Eles migraram de outros campos, como a gente — e talvez como você que está lendo isto. Então vamos falar sobre as ferramentas e habilidades de que você precisa para fazer essa transição para ciência de dados — vamos destacar os possíveis desafios e dar conselhos práticos para superá-los.
Como superar os desafios técnicos ao migrar para ciência de dados
1. Reforce matemática e programação
Ciência de dados não exige matemática avançada além do que se pede em qualquer curso de ciências. Mas todo algoritmo de inteligência artificial se baseia em alguma estrutura matemática que você vai precisar entender. Isso geralmente envolve álgebra linear e alguns conceitos de cálculo. Para interpretar resultados, você vai fazer análises estatísticas, o que também requer probabilidade e estatística.
Enquanto a matemática traz os conceitos, as linguagens de programação são as ferramentas para torná-los concretos. Isso significa que você precisa escolher uma linguagem de programação para aprender — neste campo, geralmente Python ou R, possivelmente combinados com SQL e Bash. Uma pesquisa do KDnuggets sobre softwares usados por cientistas de dados mostra que Python superou R como a ferramenta preferida.
Mas a escolha da linguagem, no fim, depende da tarefa e do seu estilo. Python é fácil para quem já tem alguma experiência com programação e é amplamente usado em diversas indústrias e especialidades como ciência de dados e machine learning. R também é uma ótima opção se você tem base em estatística e vai trabalhar mais com análise. Ele ainda conta com ferramentas e bibliotecas nativas para comunicar resultados em relatórios. Nosso conselho é: escolha uma linguagem e comece a construir algo assim que terminar o básico.
Pela nossa experiência, aprendemos que, para adquirir as habilidades necessárias em ciência de dados, é melhor escolher um único provedor de aprendizagem por vez e manter o foco. O pior que você pode fazer é ficar revendo as mesmas coisas repetidamente.
2. Torne-se um resolvedor de problemas
Você pode encarar a ciência de dados como a capacidade de resolver problemas com raciocínio criativo e lógico. Isso pede conhecimento de programação e entendimento de algoritmos, conquistados na prática.
Depois de adquirir noções básicas de programação, comece a resolver problemas do mundo real praticando em cursos ou plataformas. A GeeksforGeeks oferece projetos mão na massa para programação competitiva, Python, JAVA e SQL. Resolver desafios de competições no Kaggle também turbina sua habilidade de resolver problemas, já que você pratica com dados reais e conta com muito apoio da comunidade. Os projetos sem guia da DataCamp são uma ótima forma de encontrar suas próprias soluções para projetos em aberto.
É importante que você sinta prazer nessas conquistas para seguir uma carreira em ciência de dados. Em um webinar recente da Omdena, o influenciador de ciência de dados Eric Weber disse: “Não otimize só por renda, mas pelo que te traz alegria; caso contrário, o burnout vem rápido.”
3. Participe de projetos colaborativos
Depois de trabalhar com alguns algoritmos e praticar em alguns projetos, você estará pronto para desafios mais avançados. É aí que entram as plataformas colaborativas. Programas colaborativos de ciência de dados contam com comunidades para desenvolver projetos de forma diversa e produtiva. A rusticidade e a diversão do street coding aparecem com força nesses projetos. Você vai aprender com os outros enquanto eles aprendem com você. Vai fazer amigos enfrentando dados bagunçados e não estruturados — não tem nada igual.
Iniciativas colaborativas inspiradoras incluem a Data Kind, o Science to data science e o Data Science for Social Good. Essas opções costumam ser específicas por localidade e podem ser caras ou competitivas por conta da disponibilidade limitada e de um processo seletivo extenso.
Uma alternativa de projetos colaborativos é a Omdena, que lança vários projetos por mês e adota o princípio do voluntariado para resolver problemas reais via colaboração online. Alunos trabalham com especialistas de domínio que ajudam a manter a motivação com webinars, cursos, livros e posts.
Como superar os desafios não técnicos ao migrar para ciência de dados
1. Organização e gestão do tempo
Mudar de carreira é um projeto. Exige um plano estratégico, um cronograma e marcos específicos (e realistas). Faça a si mesmo estas perguntas:
- Por que quero ser cientista de dados e sobre quais temas tenho paixão?
- Vou sair do meu trabalho para ter tempo de aprender o que preciso ou vou fazer a transição em paralelo com o que faço hoje?
- No que sou bom? Quais são meus pontos a desenvolver?
- Quanto tempo e dinheiro estou disposto a investir nessa mudança de carreira?
- Quais novas habilidades e qualificações preciso adquirir para essa nova trajetória?
- Qual é meu estilo de aprendizagem?
Depois de responder com sinceridade, você precisa de um plano. No fim, vale o que funciona para você. Aqui vão algumas ações práticas:
- Imprima um plano semanal e cole na parede.
- Organize sua rotina diária em um Google Calendar.
- Identifique o que está funcionando e o que precisa ser ajustado. Talvez você tenha subestimado o tempo necessário para um curso ou o recurso escolhido não é bem o que imaginava.
- Não tenha medo de mudar a estratégia. Vá a fóruns online e busque um recurso melhor. Ou leia artigos sobre gestão do tempo e sobre como definir metas SMART.
- Vá marcando as tarefas concluídas. Esse ritmo vai te tirar daquela fase inicial de frustração de aprender algo novo.
2. Aprimore sua comunicação
Outra habilidade essencial em ciência de dados é a comunicação. Um cientista de dados traduz toneladas de dados em insights acionáveis para tomadores de decisão e stakeholders. Porém, nem todo mundo com quem você vai se comunicar é cientista de dados ou tem formação em STEM. Se você é introvertido, talvez não se anime com fala em público ou comunicação constante. Em ciência de dados, comunicar não é só falar bem — é também construir estes hábitos e competências:
- Explicar bem conceitos complexos para não especialistas.
- Documentar código e análises para que outros membros do time aprendam com o seu trabalho no futuro (e até você mesmo no futuro!).
- Tornar-se um bom redator criando o hábito de escrever sobre tudo o que você faz na sua trajetória.
Documentação é poder, então escreva e continue escrevendo. Em breve, você vai precisar demonstrar as habilidades que colocou no currículo, e pode comprovar com repositórios de código bem documentados (por exemplo, no GitHub), posts no blog e webinars ou palestras sobre seu trabalho. Quanto antes começar, mais rápido vai evoluir.
3. Prepare-se para enfrentar a síndrome do impostor
Um desafio comum para quem muda de carreira é a síndrome do impostor. Não é fácil ter uma carreira consolidada e, de repente, virar iniciante. Aqui, tudo passa pela mentalidade: mantenha-se motivado e animado com tudo o que você vai aprender! A Omdena já fez um webinar sobre como superar a síndrome do impostor em ciência de dados, que inclui entender os gaps de competência que você precisa preencher e reconhecer as habilidades que já trouxe da carreira anterior.
4. Construa sua rede
Fazer networking na busca por emprego não precisa ser algo constrangedor. Na verdade, estatisticamente, a maioria das oportunidades surge da rede de contatos, não de candidaturas formais (confira as referências aqui e aqui). Ao fazer networking, você simplesmente se conecta com pessoas que têm interesses parecidos, ouve suas visões sobre temas de ciência de dados, dá uma espiada em suas carreiras. Essas pessoas podem ser seus futuros colegas. O pior que pode acontecer é você não receber resposta — o que você tem a perder?
Uma das maneiras mais fáceis de fazer networking é por meio de projetos colaborativos, onde você tem a chance de compartilhar conhecimento, trabalhar com profissionais experientes, aprender com pessoas em diferentes funções e ainda encontrar leads de vagas.
Outra boa forma de ampliar a rede é seguir referências em ciência de dados, como:
Entre em contato com pessoas interessantes que você encontrar — um palestrante de um podcast de que você gostou, um professor de um curso online, ou um blogueiro cujos posts você curte. A regra de ouro é: apareça e faça perguntas. É a melhor forma de receber feedback.
Joseph está migrando de Engenharia para ciência de dados, e Rosana de Astrofísica. Fale com eles e continue essa conversa no LinkedIn: Joseph e Rosana.
