TDS编辑器
·
跟随
发表于
迈向数据科学
·
以某种方式发送
时事通讯
·
阅读4分钟
·
2天前
—
你觉得有灵感写你的第一篇TDS帖子吗？我们始终对新作者的贡献持开放态度。数据科学成功的路线图提供了许多不同的路径，但其中大多数都包括对数学和编程技能的强烈关注（例如：Saankhya Mondal本周早些时候发布的这本面向有抱负的数据专业人士的优秀指南）。
然而，一旦你的基地覆盖了这些地区，下一步是什么？数据科学家需要在哪些方面积累专业知识，才能在拥挤的就业市场中脱颖而出？我们的每周亮点放大了您在未来几周和几个月内可能想要探索的一些领域，并提供了来自各行各业和学术角色的作者的可操作建议。从掌握数据基础设施的来龙去脉到扩展讲故事的技能，让我们仔细看看其中一些外围但仍然至关重要的潜在增长领域。超越技能：
释放数据科学家的全部潜力“数据科学家拥有独特的视角，使他们能够提出自己的创新商业想法——这些想法是新颖的、战略性的或差异化的，除了数据科学家之外，不太可能来自任何人。”Eric Colson阐述了一个发人深省的前提，即公司过度关注数据科学家的技术技能，而牺牲了他们的创造力和跳出思维定势，从而低估了他们的利用率。
我从一次与人工智能无关的数据会议中学到的三个关键数据教训——近年来，人工智能在对话中占据了主导地位，听到数据科学家保持其领域前沿的其他方法，感觉很新鲜。Nithhyaa Ramamoorthy回顾了她最近在一次会议上的经历，以及这段经历如何激励她更加关注那些可能看起来不如最新法学硕士那么光鲜亮丽，但可以增加你作为数据从业者的价值的问题——从成本控制和数据翻译到信息设计。
数据科学领导者的终极生产力系统对于数据科学管理道路上的任何人来说，无论是在早期阶段还是在职业生涯的更深入阶段，有时都会觉得领导技能有望随着时间的推移而有机增长。虽然这在某些方面可能是真的，但Rebecca Vickery的最新贡献阐明了你可以采取的一些具体步骤，以确保你在角色要求增加的情况下保持专注和高效。掌握信封后面的数学会让你成为一名更好的数据科学家我们知道，我们知道：我们承诺不使用数学。
但Torsten Walbaum的新文章表明，数据专业人员可能不太担心复杂的公式和建模，并让自己更习惯于生成粗略但可靠的估计。从AI画布到MLOps堆栈画布：它们是必不可少的吗？随着工具和数据栈的复杂性增加，产品利益相关者很容易忘记所有移动部件应该如何协同工作。
Chayma Zatout在这里提供帮助，亲自介绍如何构建和使用画布，“一个视觉框架，帮助个人和团队以结构化的方式绘制和分析给定项目的各个方面[…]。”《我希望我拥有的AWS基岩教程：为AWS基础设施准备机器所需的一切》“如何在笔记本电脑中使用一个漂亮的小机器学习原型，并将其开发成一个强大的全栈web应用程序？”
Minda Myers从数据分析的细节中退了几步，鼓励数据专业人员考虑他们的技术设置，并对其进行优化，以实现流畅有效的工作流程。从洞察力到影响力：每个数据科学家都需要的演讲技巧强有力的故事讲述是许多（如果不是大多数）数据科学角色的核心，这并不是什么新闻；然而，在许多项目中，它仍然是一个覆盖面不足的领域，人们只期望你自己神奇地改进它。
于东在她的最新帖子中探讨了成功演讲的一些核心方面，并包括了设计成功幻灯片的具体建议。如何在数据科学工作申请中创造机会并取得成功正如Robson Tigre所说，成为一名出色的求职者并确定正确机会的过程需要自己的一套技能——其中大部分与数据或算法关系不大，而是围绕自我展示（和营销）、网络和沟通展开。感谢您对我们作者工作的支持！
正如我们上面提到的，我们喜欢发表新作者的文章，所以如果你最近写了一篇关于我们任何核心主题的有趣的项目演练、教程或理论反思，请随时与我们分享。直到下一个变量，
TDS团队