Cách chuyển sang sự nghiệp Khoa học Dữ liệu

Bài viết này do Rosana de Oliveira Gomes, Kỹ sư Trưởng Máy học tại Omdena, và Joseph Itopa A, Kỹ sư Máy học Cấp junior tại Omdena viết.

Chuyển sang một nghề mới có thể giống như lên một chiếc máy bay đang cất cánh. Nghề khoa học dữ liệu còn khá mới, đồng nghĩa nhiều nhà khoa học dữ liệu và kỹ sư máy học không bắt đầu sự nghiệp theo con đường này. Họ đã chuyển từ lĩnh vực khác như chúng tôi, và có lẽ như nhiều bạn đang đọc bài viết này. Vậy hãy cùng nói về những công cụ và kỹ năng bạn cần để chuyển hướng sang khoa học dữ liệu—chúng tôi sẽ nêu bật những thách thức có thể gặp và đưa ra lời khuyên thực tế để bạn vượt qua.

Cách vượt qua các thách thức kỹ thuật khi chuyển sang khoa học dữ liệu

1. Ôn vững toán và lập trình

Khoa học dữ liệu không đòi hỏi kiến thức toán cao cấp vượt quá những gì cần cho bằng cấp khoa học nói chung. Nhưng mọi thuật toán trí tuệ nhân tạo đều dựa trên một cấu trúc toán học mà bạn cần hiểu. Thường bao gồm đại số tuyến tính và một số khái niệm giải tích. Để diễn giải kết quả, bạn sẽ cần thực hiện phân tích thống kê, đòi hỏi kiến thức về xác suất và thống kê.

Nếu toán cung cấp khái niệm, thì ngôn ngữ lập trình là công cụ biến khái niệm thành hiện thực. Điều đó có nghĩa bạn phải chọn một ngôn ngữ lập trình để học—trong lĩnh vực này thường là Python hoặc R, có thể kết hợp với SQL và Bash. Khảo sát của KDnuggets về phần mềm lập trình mà các nhà khoa học dữ liệu dùng cho thấy Python đã vượt R để trở thành lựa chọn ưu tiên.

Nhưng việc chọn ngôn ngữ rốt cuộc phụ thuộc vào bài toán và sở thích phong cách. Python dễ tiếp cận với người đã có kinh nghiệm lập trình, và được dùng rộng rãi trong nhiều ngành, kể cả khoa học dữ liệu và máy học. R cũng là lựa chọn tốt nếu bạn có nền tảng thống kê và chủ yếu làm phân tích. R còn có sẵn công cụ và thư viện để truyền đạt kết quả qua báo cáo. Lời khuyên của chúng tôi: gắn bó với một ngôn ngữ và bắt tay xây dựng sản phẩm sau khi nắm vững căn bản.

Từ kinh nghiệm, chúng tôi rút ra rằng để có được các kỹ năng cần thiết trong khoa học dữ liệu, bạn nên chọn chỉ một nhà cung cấp nội dung học tập tại một thời điểm và kiên trì với nó. Điều tệ nhất là cứ học đi học lại những thứ giống nhau.

2. Trở thành người giải quyết vấn đề

Bạn có thể xem “khoa học” trong khoa học dữ liệu là khả năng giải quyết vấn đề bằng tư duy sáng tạo và logic. Điều này đòi hỏi kiến thức lập trình và hiểu biết về thuật toán được tích lũy qua thực hành.

Sau khi nắm một số kiến thức lập trình cơ bản, bạn có thể bắt đầu giải quyết vấn đề thực tế bằng cách luyện tập qua khóa học hoặc nền tảng. GeeksforGeeks cung cấp dự án thực hành cho lập trình thi đấu, Python, JAVA và SQL. Giải một số bài trong các cuộc thi Kaggle cũng giúp nâng cao kỹ năng giải quyết vấn đề, vì bạn dễ dàng tận dụng dữ liệu thực tế để luyện tập và tìm được nhiều trợ giúp từ cộng đồng. Các dự án không định hướng của DataCamp là cách tuyệt vời để bạn tự tìm lời giải cho những dự án mở.

Điều quan trọng là bạn tìm thấy niềm vui trong các thành tựu này để theo đuổi sự nghiệp khoa học dữ liệu. Trong một webinar gần đây của Omdena, người có ảnh hưởng trong lĩnh vực khoa học dữ liệu Eric Weber nói: “Đừng chỉ tối ưu cho thu nhập mà hãy tối ưu cho điều mang lại niềm vui; nếu không, bạn có thể kiệt sức rất nhanh.”

3. Tham gia các dự án cộng tác

Sau khi làm việc với một số thuật toán và thực hành vài dự án, bạn sẽ sẵn sàng cho các dự án nâng cao hơn. Đây là lúc các nền tảng cộng tác phát huy tác dụng. Các chương trình khoa học dữ liệu cộng tác dựa vào cộng đồng để phát triển dự án một cách đa dạng và hiệu quả. Tinh thần “street coding” gai góc và thú vị thể hiện rõ nhất ở các dự án cộng tác. Bạn sẽ học từ người khác khi họ cũng học từ bạn. Bạn sẽ kết bạn trong lúc vật lộn với dữ liệu lộn xộn và thiếu cấu trúc—không gì sánh bằng.

Những sáng kiến cộng tác truyền cảm hứng gồm Data Kind, Science to data science, và Data Science for Social Good. Các lựa chọn này thường phụ thuộc địa điểm và có thể tốn kém hoặc cạnh tranh do số lượng hạn chế và quy trình tuyển chọn gắt gao.

Một lựa chọn thay thế cho các dự án cộng tác là Omdena, đơn vị khởi động nhiều dự án mỗi tháng và áp dụng nguyên tắc tình nguyện để giải quyết vấn đề thực tế thông qua hợp tác trực tuyến. Người học làm việc với chuyên gia lĩnh vực, những người sẽ giúp họ duy trì động lực bằng webinar, khóa học, sách và bài blog.

Cách vượt qua các thách thức phi kỹ thuật khi chuyển sang sự nghiệp khoa học dữ liệu

1. Kỹ năng tổ chức và quản lý thời gian

Đổi nghề là một dự án. Nó cần kế hoạch chiến lược, mốc thời gian, và các cột mốc cụ thể (và thực tế). Hãy tự hỏi:

• Tại sao tôi muốn trở thành nhà khoa học dữ liệu và tôi đam mê chủ đề nào?
• Tôi sẽ nghỉ việc để dành thời gian học kỹ năng cần thiết hay sẽ chuyển đổi song song với công việc hiện tại?
• Tôi giỏi điều gì? Điểm yếu của tôi là gì?
• Tôi sẵn sàng dành bao nhiêu thời gian và tiền bạc cho việc đổi nghề?
• Những kỹ năng và chứng chỉ mới nào tôi cần có cho lộ trình nghề nghiệp mới?
• Phong cách học tập của tôi là gì?

Khi trả lời trung thực, bạn cần một kế hoạch. Cuối cùng, bạn phải tìm ra điều phù hợp với mình. Dưới đây là vài việc bạn có thể làm:

• In kế hoạch tuần và dán lên tường.
• Sắp xếp lịch hằng ngày trên Google Calendar.
• Xác định điều gì hiệu quả và điều gì cần điều chỉnh trong kế hoạch. Có thể bạn đã đánh giá thấp thời gian cần cho một khóa học hoặc tài nguyên học bạn chọn không như kỳ vọng.
• Đừng ngại thay đổi chiến lược. Hãy vào các diễn đàn trực tuyến để tìm tài nguyên tốt hơn. Hoặc đọc một số bài viết về quản lý thời gian và tìm hiểu cách đặt mục tiêu SMART.
• Tiếp tục đánh dấu hoàn thành các việc trong danh sách. Đà tiến này sẽ giúp bạn vượt qua giai đoạn bối rối ban đầu khi học điều mới.

2. Trở thành người giao tiếp tốt hơn

Một kỹ năng bắt buộc khác trong khoa học dữ liệu là giao tiếp. Nhà khoa học dữ liệu chuyển hóa khối lượng dữ liệu khổng lồ thành thông tin hữu ích cho người ra quyết định và các bên liên quan. Tuy nhiên, không phải tất cả những người bạn cần giao tiếp đều là nhà khoa học dữ liệu hay có nền tảng STEM. Nếu bạn là người hướng nội, bạn có thể không hào hứng với việc nói trước đám đông hay giao tiếp liên tục. Giao tiếp trong khoa học dữ liệu không chỉ là nói hay mà còn là xây dựng những thói quen và kỹ năng sau:

• Giải thích tốt các khái niệm phức tạp cho người không chuyên.
• Ghi chép tài liệu cho mã và phân tích để các thành viên khác có thể học từ công việc của bạn trong tương lai (kể cả chính bạn sau này!).
• Trở thành người viết tốt bằng thói quen viết về mọi việc bạn làm trên con đường sự nghiệp.

Ghi chép là sức mạnh, nên hãy viết và tiếp tục viết. Trong tương lai gần, bạn sẽ cần chứng minh các kỹ năng đã ghi trong hồ sơ, và bạn có thể chứng thực bằng kho mã được ghi chép tốt (ví dụ trên GitHub), bài blog, và webinar hay buổi nói chuyện về công việc của bạn. Càng bắt đầu sớm, bạn càng tiến bộ nhanh.

3. Sẵn sàng đối mặt với hội chứng kẻ mạo danh

Một thách thức phổ biến với nhiều người đổi nghề là hội chứng kẻ mạo danh. Không dễ khi đang có sự nghiệp vững vàng rồi bỗng trở thành người mới. Trong trường hợp này, tất cả là vấn đề tư duy: hãy giữ động lực và hào hứng với những điều mới mẻ bạn sắp học! Omdena đã tổ chức một webinar về cách vượt qua hội chứng kẻ mạo danh trong vai trò nhà khoa học dữ liệu, bao gồm việc nhận biết khoảng cách kỹ năng cần bù đắp và xác định những kỹ năng bạn đã tích lũy từ nghề trước.

4. Xây dựng mạng lưới

Kết nối khi tìm việc không nhất thiết phải gượng gạo. Thực tế, theo thống kê, đa số cơ hội việc làm đến từ mạng lưới quan hệ cá nhân chứ không phải từ đơn ứng tuyển (xem tham khảo tại đây và tại đây). Khi kết nối, bạn đơn giản là liên hệ với những người có cùng mối quan tâm, lắng nghe góc nhìn của họ về các chủ đề khoa học dữ liệu và tìm hiểu đôi nét về sự nghiệp của họ. Những người này có thể trở thành đồng nghiệp tương lai của bạn. Điều tệ nhất có thể xảy ra là không nhận được phản hồi—bạn có gì để mất?

Một trong những cách dễ nhất để kết nối là thông qua các dự án cộng tác, nơi bạn có cơ hội chia sẻ kiến thức, làm việc với người thực hành giàu kinh nghiệm, học hỏi từ những người ở vai trò khác nhau và tìm đầu mối việc làm.

Một cách khác để kết nối là theo dõi các tổ chức/nhân vật có ảnh hưởng trong khoa học dữ liệu như:

• Omdena
• Women Who Code
• Women in AI
• Super data science
• Cộng đồng DataCamp trên Slack

Hãy liên hệ với bất kỳ người thú vị nào bạn gặp—một diễn giả trong podcast bạn thích, một giảng viên khóa học trực tuyến, hoặc một blogger có bài viết bạn yêu thích. Quy tắc vàng là: Hãy chủ động xuất hiện và đặt câu hỏi. Đó là cách tốt nhất để nhận phản hồi.

Joseph hiện đang chuyển từ Kỹ thuật sang Khoa học Dữ liệu, còn Rosana từ Vật lý Thiên văn. Hãy liên hệ và tiếp tục cuộc trò chuyện này trên LinkedIn: Joseph và Rosana.