如何从数据分析师过渡到数据科学家
如何从数据分析师过渡到数据科学家
原文：
towardsdatascience.com/how-to-transition-from-data-analyst-to-data-scientist/
为什么先成为数据分析师？
我经常建议先成为数据分析师，然后再过渡到数据科学家。
现在，为什么我这样做，尽管我从未担任过数据分析师？嗯，原因如下。
-
成为数据分析师比成为数据科学家更容易。
-
你真正学习和理解数据可以带来的商业影响——初学者数据科学家往往专注于构建复杂的模型，而不是解决商业问题。
-
在某些公司，你可能甚至做着与数据科学家相同的工作，尽管职位名称不同。
-
时间在节奏中。所以，我认为在行业内总是更好的。
成为数据分析师的全面路线图超出了本文的范围，但如果这对你来说很有趣，我很乐意为你创建一个。
数据分析师和科学家的区别是什么？
尽管在某些公司中数据分析师和科学家可能相似，但在大多数情况下，这两个职位还是有区别的。
通常，数据分析师更专注于商业决策，并会使用以下工具：
数据科学家几乎可以做数据分析师能做的所有事情，并且将在以下方面拥有更高级的能力：
你可以把它看作数据分析师更关注于观察已经发生的事情，而数据科学家更关注于预测未来，例如预测未来。
你不必从数据分析过渡到数据科学；我知道很多人是出色的分析师，并且对他们的当前角色感到满意，得到了很多满足感，并且得到了很好的报酬。
然而，我也认识很多人，他们想转向数据科学，并正在利用数据分析师职位作为垫脚石。
没有对错之分；这仅仅取决于你的目标。如果你在阅读这篇文章，那么你很可能会跳槽，那么让我们来看看为什么先成为数据分析师根本不是一件坏事。
需要发展的技能以实现过渡
要从数据分析师过渡到数据科学家，你需要学习以下内容。
数学
如果你是一名数据分析师，你很可能已经具备不错的统计学技能，因此你需要主要关注的领域是线性代数和微积分。
-
微分和标准函数的导数。
-
偏导数和多变量微积分。
-
链式法则和乘积法则。
-
矩阵及其运算，包括迹、行列式和转置等特性。
编程
作为数据分析师，你的 SQL 技能可能已经非常出色，所以你需要主要提高的是 Python 和通用软件工程。
-
高级 Python 概念，如单元测试、类和面向对象编程。
-
数据结构和算法以及系统设计。
-
机器学习库，如scikit-learn、XGBoost、TensorFlow和PyTorch。
机器学习
你不需要成为机器学习专家，但你应该很好地理解基础知识。
如何学习？
自学
最直接和直观的方法是在业余时间学习，无论是下班后还是周末。
有些人可能不喜欢这种方式，但如果你想改变职业，你需要投入时间和精力；这是残酷的现实。很多人想成为数据科学家，所以这并非易事。
有许多资源可以学习上述主题，我已撰写了多篇博客，介绍了你应该使用的确切书籍和课程。
我将在下面留下链接，并强烈推荐你查看它们！
自学的好处是：
-
非常经济实惠，甚至可以完全免费。
-
按照自己的时间表学习。
-
定制学习路径。
以及缺点：
-
没有明确的结构，所以很容易出错。
-
没有正式的资格证书。
-
需要高度的纪律性和动力。
学位
你总是可以回到学校，攻读数据科学或机器学习的正式学位。
这种方法的优点是：
-
侧重于数学、统计学、计算机科学和算法理解。
-
学位（尤其是来自顶尖大学的学位）在某些雇主那里更有分量。
-
访问教师、校友网络、研究项目和实习机会。
缺点是：
-
可能过于理论化，缺乏现实世界的项目和数据。
-
需要 2-4 年（学士学位）或 1-2 年（硕士学位）。
-
可能会花费较多。
-
需要强大的学术记录，可能包括 GRE 成绩、推荐信或先决课程。
基础训练营
近年来，由于对数据和机器学习角色的需求不断增长，这些训练营无处不在。
通常，它们提供了比学位更便宜的替代方案，有更多的动手项目和实用课程。
优点是：
-
大多数训练营时长为 3-6 个月，专注于数据科学技能。
-
重点关注现实世界的项目、编码和工具（Python、SQL、机器学习库）。
-
许多提供职业指导、简历审查、模拟面试和就业支持。
-
比学位便宜。
以及缺点：
-
理论深度较浅。
-
可能会过于快节奏。
-
质量可能参差不齐，所以在参与之前一定要做好研究。
-
对雇主来说信誉有限。
在你的当前工作中
这是我最喜欢的，也是最有效和值得的。
如果你参与正确的项目，并且向你的经理表达你想要发展和学习的技能和工具的兴趣，你可以在当前的工作中学习到所有东西。
当直接下属表现出主动性并对其工作表现出热情时，管理者会很喜欢，因为这也会给他们带来副产品。
优点是：
-
被支付来学习，真是一大胜利！
-
访问现实世界的数据和商业问题。
-
为你的简历增加真实的数据科学经验。
-
这甚至可能让你全职转向数据科学。
缺点是：
-
这可能会导致工作量增加。
-
职位期望可能固定，内部流动性可能很小或没有。
创建你的作品集
在学习和学习之后，你需要创建一些证据来证明你作为一个数据科学家可以做什么，基本上就是制作一个作品集。
我计划很快发布一个更深入的视频，介绍一个强大的数据科学作品集应该包括什么。但到目前为止，这里有一个简短的版本：
-
Kaggle 竞赛— 参加一到两个。这不仅仅关乎排名高低；重要的是展示你能够使用真实数据集并坚持下去。
-
4-5 个简单项目— 这些项目应该是你可以在一天或两天内完成的快速构建。上传到 GitHub。更好的是，写简短的博客文章来解释你的过程和决策。
-
博客文章— 目标大约五篇。它们可以涵盖任何与数据科学相关的内容：教程、见解、经验教训— 只是展示你在批判性思考和有效沟通方面。
-
一个坚实的个人项目——这是你的核心。一个月内，每天投入一两个小时，做一些更深入的工作。它应该展示端到端思考，并且是你真正感兴趣的事情。
就这样。
人们过于复杂化这一步骤。只需开始构建——并且持续出现。
获得工作
如我上面所说，最简单的方式就是内部过渡。
如果这不是一个选择，那么你需要忙碌地申请！
你需要将你的简历/个人资料、LinkedIn 个人资料和 GitHub 账户与数据科学家的工作角色保持一致。确保你开始称自己为数据科学家，而不是“有抱负的”。
我在大学学习物理学，但我从未因实践物理学而获得报酬；我仍然是一名物理学家。数据科学也是如此。
在你能用的所有地方利用你的作品集来展示你的能力。你的 GitHub 个人资料应该链接到你的 LinkedIn 个人资料，然后你的 LinkedIn 个人资料应该链接到你的博客文章和其他相关内容。建立一个能够让人“停留”更长时间的生态系统。
在一切准备就绪之后，开始申请更多以数据科学为标题的分析学相关职位。当然，你也可以申请更多机器学习相关的职位，但它们会更难获得。
也要利用你的网络进行推荐。如果你在数据领域工作了一段时间，你认识的人中至少有一个人可以把你推荐到数据科学的工作岗位。
从数据分析师过渡到数据科学家的美在于你可以慢慢来，因为你已经在该领域赚钱，这减轻了压力。只是确保你坚持下去，并保持持续进步！
另一件事！
我提供一对一的辅导电话，我们可以讨论你需要的一切——无论是项目、职业建议，还是只是确定你的下一步。我在这里帮助你前进！
[1:1 Mentoring Call with Egor Howell]
职业指导、工作建议、项目帮助、简历审查topmate.io](https://topmate.io/egorhowell/1203300)
浙公网安备 33010602011771号