Часть 1: Почему непрерывное обучение важно для специалистов по данным и что изучать
Делиться
Как вы думаете, возможно ли полностью освоить каждую тему в науке о данных?
Учитывая, что наука о данных охватывает такой широкий спектр областей — статистика, программирование, оптимизация, экспериментальное проектирование, повествование данных, генеративный ИИ и это лишь некоторые из них, — я лично так не думаю.
А теперь более узкий вопрос. Можно ли полностью освоить одну тему в науке о данных? Конечно, можно стать экспертом в некоторых областях, но можно ли достичь точки, когда учиться будет уже нечему? Опять же, я так не думаю.
Каждому специалисту по анализу данных есть чему поучиться, даже тем, у кого богатый опыт. Цель моей статьи — поделиться опытом, накопленным мной в процессе обучения, который, надеюсь, поможет вам в вашем.
Это первая часть из двух. В этой статье я расскажу:
- Почему вам, как специалисту по анализу данных, следует постоянно учиться
- Как придумать темы для изучения
Давайте начнем!
1. Зачем специалисту по анализу данных постоянно учиться?
Постоянные учащиеся выделяются
В юности я изучал испанский язык в группе. Что-то интересное произошло, когда группа стала общаться. Многие студенты прекратили занятия, оставшись довольными своим уровнем владения языком. Другие же продолжили ежедневно заниматься и практиковаться.
Поначалу между двумя группами не было большой разницы. Но со временем те, кто продолжил обучение, вырвались вперёд. Их беглость речи, словарный запас и уверенность в себе росли, в то время как у остальных показатели оставались на прежнем уровне.
К сожалению, то же самое может произойти и с аналитиками данных. Некоторые прекращают обучение, достигнув достаточных навыков для успешного выполнения своей работы. Как и в случае с испанской группой, в начале карьеры специалисты по непрерывному обучению и специалисты по контент-анализу данных будут выглядеть одинаково. Но со временем те, кто продолжает учиться, начинают выделяться. Их знания накапливаются, их суждения совершенствуются, а способность решать сложные задачи углубляется.
Специалисты, постоянно обучающиеся, и специалисты по контент-данным на ранних этапах карьеры будут выглядеть одинаково. Но со временем те, кто постоянно учится, начнут выделяться.
Те, кто постоянно учится, преуспевают, потому что могут использовать свои знания для поиска более разумных решений. Они приобретут более зрелое понимание инструментов науки о данных и научатся правильно их применять в своей работе.
Обучение приносит удовлетворение (большинству)
Это немного сумбурно, поэтому я буду краток. Но мне действительно нравится учиться. Я получаю огромное удовлетворение и удовлетворение, уделяя время себе и изучению новых тем. Если вам нравится идея непрерывного обучения, вы, вероятно, тоже получите от этого огромное удовлетворение!
2. Как придумать темы для изучения
В предыдущем разделе мы обосновали ценность обучения на протяжении всей карьеры, теперь давайте поговорим о том, как придумать, что изучать.
Самое лучшее в самостоятельном обучении — это то, что никто не говорит тебе, что изучать. Самое худшее в самостоятельном обучении — это то, что никто не говорит тебе, что изучать .
Вы больше не учитесь, и это здорово. Никаких дедлайнов, экзаменов и, пожалуй, самое главное, никаких репетиций. Но вы также потеряете тщательно подобранный список тем для изучения с соответствующими материалами, текстами и лекциями. Теперь это ваша задача — создать его! Гибкость разработки собственного учебного плана поразительна. Но неопределённость и отсутствие чёткой структуры могут пугать.
За эти годы я разработал три подхода к выбору предметов, которые мне действительно подходят. Моя цель — сделать их хорошей отправной точкой для вас и помочь выработать собственный подход. В конечном счёте, вам придётся найти то, что подходит именно вам.
Давайте рассмотрим три подхода.
Темы из проектов на работе
Если вы работаете специалистом по анализу данных, ваши проекты предоставят вам богатый запас тем для углубленного изучения. Этот подход довольно прост: изучайте методы/темы, имеющие отношение к вашей работе. Уделяйте особое внимание областям, в которых вы разбираетесь слабее всего.
Например, если вы планируете эксперимент, изучите экспериментальное проектирование. Если вы решаете задачу оптимизации, изучите оптимизацию.
Одно из главных преимуществ такого подхода заключается в том, что он сразу же повышает вашу эффективность в работе. Вы глубже поймете проблемы, с которыми сталкиваетесь, и сможете сразу же применить это понимание на практике.
Следуя «сети» тем
Наука о данных — настолько богатая область исследований, что всегда можно углубиться в любую тему, и многие темы взаимосвязаны.
Во время обучения вы обнаружите множество «сопутствующих» тем, связанных с изучаемой темой. Я часто записываю эти темы и возвращаюсь к ним позже. Я называю это «сеткой тем». Это отличный метод, потому что вы постепенно выстраиваете сеть понимания вокруг групп или связанных тем. Это даёт глубокие знания, которые выделят вас среди других.
Вот пример небольшой сети тем, связанных с логистической регрессией. Я включил лишь несколько тем для иллюстрации — уверен, вы могли бы придумать гораздо больше. Каждая из тем в сети имеет свою собственную сеть, что создаёт мегасеть связанных учебных тем.
Я мог бы продолжать, но вы поняли. У любой темы будет огромная сеть связанных тем. Заведите где-нибудь список таких тем, и когда вы закончите с текущей темой, у вас всегда будет задел на изучение!
Примечание: вашей сети тем нужно с чего-то начать. Если вам сложно начать, рекомендую прочитать «Элементы статистического обучения» или «Введение в статистическое обучение» Хасти, Тибширани и Фридмана. Это основополагающие книги, которые помогут вам освоить отличную сеть тем для изучения.
Каналы Discovery
Рабочие проекты и тематические сети — два отличных подхода к составлению списка учебных предметов. Однако у этих двух подходов есть существенный недостаток. Если вы будете использовать только эти методы, вы не столкнётесь с темами, которые не встречаются на работе или в вашем обычном учебном процессе. Скорее всего, действительно важные темы останутся незатронутыми.
Я использую «каналы открытий», чтобы находить важные темы, которые не всплывают естественным образом. Канал открытий — это любой источник контента, который знакомит меня с темами, не связанными с другими моими исследованиями. Мои основные каналы открытий — это Towards Data Science, подкасты и каналы на YouTube.
При выборе канала для изучения важно выбрать источник, охватывающий широкий круг тем. Например, если бы я слушал подкаст, посвящённый экспериментальному дизайну, я бы, вероятно, не стал изучать в нём широкий спектр тем. Это может быть отличным источником информации для изучения DOE, но вряд ли он станет хорошим каналом для изучения.
Я трачу сравнительно небольшую часть своего общего учебного времени на каналы открытий, но они играют очень важную роль в моей учебе.
Подводя итоги
Надеюсь, эта статья вдохновит вас начать самостоятельное обучение, если вы ещё этого не делаете, или даст вам дополнительную мотивацию продолжать, если вы уже занимаетесь. Надеюсь, я также подкинула вам несколько свежих идей о том, как придумать, что изучать.
Через несколько недель я опубликую вторую часть этой статьи, в которой расскажу, как (1) избежать выгорания, (2) выбрать стратегии обучения и (3) использовать одиночество для закрепления и углубления своих знаний — следите за новостями!
Источник: towardsdatascience.com
