چطور در عرض 6 ماه متخصص داده کاوی شدم؟!

چطور توانستم در عرض 6 ماه متخصص داده کاوی شوم.

برای 8 سال از فضای درس و تلاش سخت دور بودم، بدون اینکه هیچ برنامه‌ای برای زندگی‌ام داشته باشم. ممکن است تعجب کنید چطور کسی می‌تواند یک زندگی این چنینی داشته باشد. در محل کار، رئیس‌م مرا می‌آزرد و من می‌دانستم که باید تغییری در زندگی‌ام ایجاد کنم.

دوست پسرم پیشنهاد کرد که میتوانم یک تحلیلگر داده شوم! به او گفتم مگر دیوانه ای! من حتی پایه ترین مطالب را در مورد برنامه‌نویسی نمی دانم! قطعا او در مورد توانایی من اغراق می کرد!

دو هفته پس از آن، دوستم آنا، دقیقا همین پیشنهاد را به من کرد و این باعث شد من در مورد پیشنهاد آن‌ها بیشتر فکر کنم. چرا که نه؟ تصمیم گرفتم از اول شروع کنم، خودم را از نو بسازم و یک تحلیلگر داده شوم.

تصمیم گرفتم خودم یاد بگیرم، بنابراین با دوره‌های آنلاین شروع کردم. بعد متوجه شدم که با موقعیت دکترا علوم اعصاب، می‌توانم از یک آموزش رسمی برای کسب شغل تحلیل داده برخوردار شوم. من نیاز به مهارت عملی داشتم.

در این داستان در مورد دوره‌های مختلفی که گذاراندم صحبت خواهم کرد و این که چطور توانستم یک موقعیت شغلی تحلیل داده در استارت‌آپ سلامتی در سیلیکون والی بدست آورم.

در آن زمان، بسیاری از کلاس‌های آنلاینی که دیدم رایگان بودند. بنابراین این چالش را برای خودم ایجاد کردم که هر چه را لازم دارم رایگان بیاموزم. من کمی خسیس هستم😊.

نویسنده: پریسا ایلون

مهارت‌های پایه

زمانی که مقطع پست داک را رها کردم، هیچ مهارتی در برنامه‌نویسی نداشتم. برای پژوهش هایم از آمار استفاده کرده بودم، اما روی تعداد داده‌های کم. تمام داده‌هایی که تا آن زمان تحلیل کرده بودم را خودم در آزمایشگاه به دست آورده بودم. بنابراین تعداد مشاهداتم کم بودند. اما باید یاد می‌گرفتم چطور داده‌ها را در مقیاس بزرگتری آنالیز کنم.

شروع برنامه‌نویسی

وقتی تصمیم گرفتم متخصص تحلیل داده شوم، اولین چیزی که می‌خواستم یاد بگیرم کدنویسی بود. تا آن زمان کد نزده بودم وکاملا با این مقوله ناآشنا بودم. اگر واقعا از کدنویسی بیزار بودم آنگاه تحلیل داده برایم شغل مناسبی نبود. بنابراین به نظر از جای خوبی شروع کرده بودم.

از شانس خوب، پارتنر من در مراکز تکنولوژی بسیاری کار کرده بود و می‌توانست مرا به مسیر درست هدایت کند. او به من گفت زبان برنامه نویسی پایتون برای من مناسب است. پایتون برای تحلیل داده عالی است و با داده‌های بزرگ به خوبی کار می‌کند. به همین دلیل با یاد گرفتن پایتون شروع کردم.

 یادگیری کدنویسی

1- Codecademy

برای یاد گرفتن کدنویسی از Codecademy استفاده کردم. اول با دوره معرفی پایتون شروع کردم. اما مطمئن نیستم آیا دوره‌ای که من گذراندم هنوز وجود دارد یا نه؟ اگر اکنون می‌خواستم با Codecademy یادگیری پایتون را شروع کنم، این بار احتمالا دوره Analyze Data with Python را انتخاب می‌کردم.

برای من Codecademy شروع بسیار خوبی بود. بزرگترین مزیت آن برای من این بود که می‌توانستم در فضای کامپیوتر خودم کد بنویسم. هنوز هم پاشنه آشیل من توانایی نصب درست فضاهای برنامه نویسی روی کامپیوتر است. حس خوبی داشت که مطمئن باشم وقتی کد من خطا می‌دهد مشکل در سینتکس است نه مشکلی در نصب نادرست محیط نرم افزار.

زمانی که من دوره‌ها را تمام کردم تنها تعدادی دوره در Codecademy وجود داشت و رایگان بودند. کیفیت این دوره‌ها مرا متحیر می‌کرد.

وقتی دوره مبتدی تمام شد، باید مهارت‌هایم را ارتقا می‌دادم و داده‌های بزرگ را تحلیل می‌کردم.

یادگیری آنالیز دیتا

2- Coursera Data Science Specialisation  از  Johns Hopkins

 در قدم بعد من دوره‌ی کورسرا با عنوان Data Science Specialisation  از Johns Hopkins را گذراندم. در آن زمان، امکان گذراندن رایگان دوره‌ها بود و افراد تنها زمانی که گواهی معتبر دوره را نیاز داشتند هزینه آن را پرداخت می‌کردند.

برای من گواهی دوره مهم نبود. در عوض، لازم داشتم که مهارت‌های یاد گرفته را در مصاحبه‌ ارائه دهم . بنابراین ورژن رایگان دوره‌ها را انتخاب کردم.

یکی از مشکلات من این بود که این دوره‌ها با زبان R. R تدریس می‌شد در حالی که من باید پایتون را می‌آموختم. به نظر من پایتون در استارت‌آپ‌ها، که محل کار مورد نظر من بود، کاربردی‌تر است.

دوره‌هایی که زبان پایتون باشند کم بودند و در زمینه مورد نظر من اطلاعات کمی را فراهم می‌کردند. در حالی که بسیاری از دوره‌ها برای مهندسین نرم افزار طراحی شده بود این دوره از سطح بسیار مبتدی آموزش می‌داد. در جلسه اول، قدم به قدم مراحل نصب R. R آموزش داده می‌شد. بنابراین، با خیال آسوده و اطمینان از این که هیچ مشکل تکنیکالی وجود ندارد، می‌توانستم دوره‌های بعدی را بگذرانم.

این دوره‌ها مرا به خوبی آماده کرد و یک فهم کلی از جنبه‌های اصلی تحلیل داده به من آموخت. من از اینکه کد بنویسم و داده‌ها را تحلیل کنم لذت می‌بردم و همین مرا تشویق می‌کرد ادامه دهم.

مصاحبه

در این مرحله از افراد پیرامونم می‌خواستم در صورت امکان مرا به دیگر کسانی در سان فرانسیسکو از حوزه آکادمیک وارد تحلیل داده شده بودند معرفی کنند. تلاش کردم با این افراد که تعداد کمی بودند صحبت کنم و تا جای ممکن به اطلاعاتم اضافه کنم.

یکی از دوستانم مرا به کسی معرفی کرد که مسیر مشابهی را رفته بود. او متخصص علوم اعصاب بود و صحبت‌های او بسیار کمک کننده بود.

پیشنهاد اول او به من این بود که SQL را یاد بگیرم.

3- DB5 SQL Stanford Online

SQL  در دوره data science specialisation  پوشش داده نشده بود. او گفت بیشتر کار روزانه او استخراج آماری است. او باید ایده‌هایی را برای ارتقا تجارت و تیم‌های بازاری محیا می‌کرد. تنها زمان کمی از کار او صرف یادگیری ماشین و آنالیز آماری می‌شد.

من پیشنهاد او را قبول کردم و دوره SQL دانشگاه استنفورد را انتخاب کردم. دوره‌های تحلیل داده‌ای که من دیده‌ام، نحوه استخراج داده از یک دیتابیس با کمک SQL را آموزش نمی‌دهند.  بسیاری از دوره ها یک CSV آماده را به دانشجو می‌دهند اما این در مشاغل تحلیل داده خیلی کم اتفاق می‌افتد.

بعد از این دوره من اقدام به یافتن یک موقعیت شغلی تحلیل داده کردم. در این مرحله، من در استرالیا بودم و با استارت‌آپ‌های سان فرانسیسکو اسکایپ کردم.  هم زمان با مصاحبه، سعی داشتم توانایی‌هایم را افزایش دهم.

بنیاد تحلیل داده edX

بعد از آن دوره Foundations of data analysis را گذراندم که برای مرور مجدد مفاهیمی که تا آن زمان یاد گرفته بودم بسیار کمک کننده بود.

 من اعتقاد دارم یاد گرفتن مفاهیم از منابع مختلف می‌تواند ایده‌های تازه ایجاد کند. این بار دنبال کردن یادگیری ماشین و آمار برای بار دوم راحت‌تر بود. انگار درک عمیق‌تری در این دوره کسب کردم.

همین زمان در یکی از مصاحبه‌ها پذیرفته شدم و با ویزای کاری مجددا به آمریکا رفتم.

اگر شما هم مسیر مشابهی را دنبال می‌کنید، پیشنهاد میکنم این کار را انجام دهید. برای من انتخاب کاملا درستی بود. آدم‌های مختلف با روش‌های مختلف یاد می‌گیرند، اما اگر تمایل دارید خودتان یاد بگیرید این کار با دوره‌های آنلاین شدنی است. اگر این هدف شما است، برایتان آرزوی موفقیت می‌کنم و خوشحال خواهم بود اگر به سوالات شما در حد توانم پاسخ دهم.

منبع