Data Science онлайн: все, что вам нужно знать. Часть 2.

Шаг #2: построение портфолио Data Science

Построение портфолио Data Science важно по двум основным причинам:

• Нет никакой реальной выгоды, если мы не «пачкаем руки» и не практикуемся. Поэтому, получив необходимые знания, необходимо хорошо применять их в реальных жизненных ситуациях.
• Это лучший способ показать вашим потенциальным работодателям, что вы одновременно увлечены и способны работать.

Для этого важно выполнить следующие процедуры:

Найдите интересную проблему / тему

Этот начальный процесс имеет решающее значение , поскольку люди больше заботятся о том, что может сделать Data Science, а не о теориях и алгоритмах. Они хотят, чтобы научные проекты в области данных были интересными и полезными . Любые инструменты/модели обработки данных, которые мы используем, должны окружать проблему, которую мы пытаемся решить.

Помните, что наука о данных может быть применена во многих различных областях, поэтому:

• если у вас есть какая-либо индустрия мечты, сосредоточение внимания на связанных с ней проблемах может помочь вам получить работу мечты.
• если нет, попробуйте начать с некоторых проблем в повседневной жизни, которые вас интересуют.

Чтобы дать некоторые идеи,

• мы занимаемся просмотром спортивных игр, поэтому мы находим, что использование Data Science в этой сфере в полне реально, чтобы сделать дополнительные деньги. https://www.justintodata.com/improve-sports-betting-odds-guide-in-python/
• нам интересно узнать больше о нашем любимом фитнес-канале YouTube , поэтому мы погружаемся в его данные. https://www.justintodata.com/get-more-youtube-views-with-machine-learning/
• мы хотим узнать больше о коронавирусе, болезни, которая в значительной степени повлияла на нашу жизнь. Поэтому мы также углубились в его данные. https://www.justintodata.com/coronavirus-death-rate-with-hyperparameter-tuning/

Просмотрите открытые наборы данных и статьи, связанные с этими темами

Получив представление о проблеме, мы можем начать поиск наборов данных для анализа.

Некоторые данные легко доступны через общедоступные источники данных, такие как:

• Kaggle
• Наш мир в данных
• Инструмент Google для поиска наборов данных

Применение знаний к наборам данных

Как только у нас есть набор данных, пришло время погрузиться в него. Нам нужно ... :

• исследовать данные
• очистить данные

• найти хорошее решение, чтобы решить эту проблему
• применить алгоритмы / модели к данным

Напишите, чтобы показать свою работу

В конце концов, мы должны дать миру знать о нашей работе:

• опубликуйте свой код на GitHub . Ознакомьтесь с руководством Hello World GitHub, чтобы изучить основы.Не забудьте создать файл ReadMe и комментарии. Ваш код может даже помочь кому-то другому в этой же теме.
• пишите статьи, чтобы подвести итоги работы.
• и публикуйте статьи на таких платформах, как:
  – LinkedIn
  – Medium
  – Twitter
  – Facebook
• или передать статьи в другие издания , такие как KDnuggets, Dataquest .

Шаг #3: Подключение к миру Data Science

Теперь, когда у нас есть портфолио, чтобы продемонстрировать наши навыки. Важно установить контакт с реальным миром Data Science.

Как уже упоминалось в предыдущем разделе, существуют различные социальные сети с помощью которых вы сможете влиться в мир Data Science

• Facebook
• Twitter
• ВК
• habr.com

• medium.com

Надеемся вам было интересно!
?
Не забывайте регистрироваться на Хакатон и попробовать себя в Machine Learning
https://leader-id.ru/event/45900/?_pjax=#pjax-container?

https://towardsdatascience.com/

https://proglib.io/p/ai-and-datascience/

https://www.justintodata.com/in-demand-skills-for-data-scientists/

https://www.justintodata.com/

Источник: m.vk.com

Комментарии: