Puis-je Obtenir Un Emploi En Tant Que Data Scientist, étant Un Jeune Diplômé ?

Posted on by Leo Bougie

Oui.

La science des données consiste à collecter des données pour trouver des solutions aux problèmes de l’entreprise

Si vous avez les bonnes compétences, vous pouvez démarrer votre carrière en science des données sans aucune expérience préalable.

Mais avant de vous lancer, posez-vous les questions suivantes,

  • Pourquoi une entreprise vous embaucherait-elle en tant que Fresher ?
  • Que savez-vous et que devez-vous savoir de plus sur le domaine de la science des données ?
  • Comment pouvez-vous vous rendre unique parmi la foule ?

L’étape suivante consiste à acquérir les compétences nécessaires à un data scientist,

Jetez un œil à la vidéo ci-dessous pour savoir comment démarrer une carrière dans la science des données,

Continuer la lecture

Oui.

La science des données consiste à collecter des données pour trouver des solutions aux problèmes de l’entreprise

Si vous avez les bonnes compétences, vous pouvez démarrer votre carrière en science des données sans aucune expérience préalable.

Mais avant de vous lancer, posez-vous les questions suivantes,

  • Pourquoi une entreprise vous embaucherait-elle en tant que Fresher ?
  • Que savez-vous et que devez-vous savoir de plus sur le domaine de la science des données ?
  • Comment pouvez-vous vous rendre unique parmi la foule ?

L’étape suivante consiste à acquérir les compétences nécessaires à un data scientist,

Jetez un œil à la vidéo ci-dessous pour savoir comment démarrer une carrière dans la science des données,

  • Maîtriser les mathématiques est très important dans le domaine de la science des données. Familiarisez-vous également avec les statistiques et la théorie des probabilités
  • Apprenez Python et R car ce sont les deux langages de programmation cruciaux qui vous seront utiles pour démarrer votre carrière dans ce domaine
  • Vous devez avoir des compétences exceptionnelles en communication et en présentation.
  • Souci du détail et compétences en résolution de problèmes
  • Entraînez-vous avec un énoncé de problème en temps réel. Plus vous pratiquez, plus vous gagnez en expérience et en confiance. Participez à des hackathons pour savoir où vous en êtes dans ce domaine concurrentiel
  • Connectez-vous avec certains des principaux leaders de l’industrie

En plus d’acquérir les compétences ci-dessus, vous devez connaître les tendances récentes dans ce domaine pour vous démarquer de la foule.

Tous mes vœux!!!

Oui, mais les chances d’obtenir un emploi sont d’environ 10 % d’après mes recherches sur plus de 100 offres d’emploi.

Tout d’abord, comprenez les compétences requises pour un data scientist. J’ai résumé cela dans une image ci-dessous.

Si un nouveau venu possède ces compétences et a démontré ces compétences dans son portefeuille de projets, il aura de bien meilleures chances.

D’un autre côté, si un plus frais a ces qualifications, il est plus probable qu’il s’en sortira encore plus facilement.

  • Contexte statistique / Contexte quantitatif / Ingénierie – Informatique et domaines connexes comme la recherche opérationnelle
  • Sont issus d’instituts de premier plan comme moi

Continuer la lecture

Oui, mais les chances d’obtenir un emploi sont d’environ 10 % d’après mes recherches sur plus de 100 offres d’emploi.

Tout d’abord, comprenez les compétences requises pour un data scientist. J’ai résumé cela dans une image ci-dessous.

Si un nouveau venu possède ces compétences et a démontré ces compétences dans son portefeuille de projets, il aura de bien meilleures chances.

D’un autre côté, si un plus frais a ces qualifications, il est plus probable qu’il s’en sortira encore plus facilement.

  • Contexte statistique / Contexte quantitatif / Ingénierie – Informatique et domaines connexes comme la recherche opérationnelle
  • Sont issus d’instituts de premier plan comme IIT/IIM/NIT (Indian Top Institutes)

Si vous êtes plus frais, je vous suggérerais d’entrer dans le travail de Data Scientist par deux voies

  • tout d’abord, rejoignez-nous en tant qu’analyste de données, obtenez 2 à 3 ans d’expérience. puis passez au poste de scientifique des données après avoir obtenu les compétences ci-dessus
  • rejoignez en tant qu’ingénieur de données, obtenez 2 à 3 ans d’expérience, puis accédez au poste de scientifique des données.

J’ai des amis qui ont pris ces deux routes.

Un raccourci peut être de devenir bon aux hackathons et de gagner un hackathon. Je connais une personne qui a gagné un hackathon et qui est maintenant employée en tant que Data Scientist dans une entreprise d’électronique.

J’espère que cette réponse vous aidera!

Oui . Vous pouvez. Mais c’est assez difficile. Réalisez de bons projets en science des données, participez à des hackathons et continuez à apprendre d’Edx, Coursera.

Maintenant , question la plus importante .. Avez – vous besoin de rejoindre un institut de formation ?

Je pense que tu ne devrais pas. Si vous avez beaucoup d’argent, vous pouvez choisir et voir les résultats. Mais croyez-moi, les meilleurs professeurs du monde vous enseignent dans des cours en ligne, des cours edx. Ne vous laissez pas berner par ces instituts de formation. La plupart d’entre eux ne font que profiter du battage médiatique de la science des données.

Si vous voulez savoir ce que j’ai fait…
Lisez cet article

Comment faire carrière dans la science des données

Nous avons vu des plus récents obtenir de bons packages après avoir appris différentes technologies dans les domaines de la science des données, du Big Data et de l’analyse commerciale. Parfois, ils ont obtenu de meilleurs packages que des candidats qui avaient appris les technologies et avaient une expérience de 4 à 7 ans en programmation, gestion de bases de données, etc.

Ainsi, l’apprentissage des technologies telles que l’apprentissage automatique, le traitement du langage naturel, R, Python, Hadoop, Apache Spark, les outils de BI vous aidera à lancer votre carrière dans la science des données.

L’obtention d’un emploi dépend du travail acharné et du dévouement que vous consacrez à l’apprentissage de ces technologies.

Tout le meilleur!

Salutations

Pilule Manish

Continuer la lecture

Nous avons vu des plus récents obtenir de bons packages après avoir appris différentes technologies dans les domaines de la science des données, du Big Data et de l’analyse commerciale. Parfois, ils ont obtenu de meilleurs packages que des candidats qui avaient appris les technologies et avaient une expérience de 4 à 7 ans en programmation, gestion de bases de données, etc.

Ainsi, l’apprentissage des technologies telles que l’apprentissage automatique, le traitement du langage naturel, R, Python, Hadoop, Apache Spark, les outils de BI vous aidera à lancer votre carrière dans la science des données.

L’obtention d’un emploi dépend du travail acharné et du dévouement que vous consacrez à l’apprentissage de ces technologies.

Tout le meilleur!

Salutations

Manish Pillai

8422970034

Oui, vous pouvez. Participez aux hackathons organisés dans Analytics Vidhya, hackerearth pour les opportunités d’emploi.

Continuez également à postuler pour diverses entreprises via le groupe Analytics Opportunities sur Facebook

La bonne voie est de s’auto-apprendre en faisant des choses vous-même. N’oubliez pas que c’est un chemin difficile et que vous avez parfois l’impression d’abandonner une fois que cela devient plus difficile et que tout semble si difficile.

Mais oui il y a un chemin. Je donne les liens. Ce n’est pas trop mathématique mais plutôt ce dont vous avez besoin principalement dans l’industrie.

Note : j’ai suivi un chemin peu différent mais chacun doit choisir ce qui lui convient.

Lisez d’abord mon article sur ce qu’est l’apprentissage automatique et si vous pouvez comprendre ce que j’ai expliqué. Cela clarifiera les choses avant de fixer votre objectif. Si vous ne comprenez pas ce que j’ai expliqué là, je doute que

Continuer la lecture

La bonne voie est de s’auto-apprendre en faisant des choses vous-même. N’oubliez pas que c’est un chemin difficile et que vous avez parfois l’impression d’abandonner une fois que cela devient plus difficile et que tout semble si difficile.

Mais oui il y a un chemin. Je donne les liens. Ce n’est pas trop mathématique mais plutôt ce dont vous avez besoin principalement dans l’industrie.

Note : j’ai suivi un chemin peu différent mais chacun doit choisir ce qui lui convient.

Lisez d’abord mon article sur ce qu’est l’apprentissage automatique et si vous pouvez comprendre ce que j’ai expliqué. Cela clarifiera les choses avant de fixer votre objectif. Si vous ne comprenez pas ce que j’ai expliqué là, je doute que vous puissiez le faire jusqu’à la fin.

Voici ce lien-la réponse de Rahul Akhouri à Quelles sont les conditions préalables pour commencer à apprendre l’apprentissage automatique ?

Maintenant je vais vous donner quelques liens :

Statistiques:

Parfois, nous l’ignorons, mais c’est un must pour bien comprendre vos fondamentaux et élargir votre vision de l’analyse des données.

Introduction aux statistiques par Udacity

Probabilités et statistiques par CMU

Modélisation statistique-

Les statisticiens disent que c’est la modélisation statistique et l’apprentissage automatique des ingénieurs informaticiens. Mais les deux sont presque identiques, sauf que lorsque vous étudiez la modélisation statistique, vous vous concentrez davantage sur des termes statistiques tels que les tests d’hypothèses et l’incertitude. Alors que l’apprentissage automatique se concentre uniquement sur le problème à résoudre.

Les ISLR écrits par des professeurs de Stanford sont les meilleurs pour commencer. Vous avez également une VERSION YOUTUBE du livre. Pour un apprentissage plus avancé et en utilisant l’étude de traitement mathématique ESLR (vous devez être un expert en calcul pour cela)

Pour les gars de PHD, vous devez déjà connaître ces livres. ISLR est bon pour ceux qui ne sont pas des statistiques.

Je recommande fortement de tout parcourir.

Apprentissage automatique :

Les informaticiens résolvent un problème à l’aide d’« algorithmes » et les spécialistes des statistiques à l’aide de « techniques ». Vous trouverez le même contenu dans l’apprentissage automatique et la modélisation statistique, mais l’approche est différente.

Géogia TECH

Google

Apprentissage approfondi par Google

C’est à peu près ça. Vous auriez besoin de langages de programmation tels que R ou Python. Choisissez-en un seul. Si vous êtes ingénieur, choisissez Python, sinon choisissez R.

Programmation R

Introduction à la programmation Python

Introduction à l’analyse de données en Python

Donc, comme vous pouvez le voir, vous ne pouvez pas tout maîtriser. Mais apprenez jusqu’à l’apprentissage automatique, puis choisissez ‘Data Analyst’ ou ‘NLP’ ou ‘AI’. C’est par ordre croissant de complexité.

Analyste de données/Visualisation :

Cela vous oblige à explorer les modèles de données en parcourant les données manuellement. Tracer des graphiques, etc. Ceci est également très demandé. Ceux-ci vous permettront également d’obtenir d’excellents emplois, sinon aussi bons que l’apprentissage automatique/la modélisation statistique.

SQL

Tableau

Visualisation des données par Georgia Tech

Traitement du langage naturel :

Cela nécessite de bonnes compétences en programmation (Python), en nettoyage de données (expressions régulières) et en techniques de PNL avec des connaissances en apprentissage automatique/apprentissage en profondeur (obligatoire). Il y a beaucoup de demande pour l’ingénieur PNL.

Traitement d’image:

Vous devez maîtriser l’apprentissage en profondeur pour effectuer un traitement d’image efficace tel que la détection d’objets/la reconnaissance faciale, etc.

Apprentissage approfondi par Google

Ingénieur IA :

L’intelligence artificielle est parfois confondue avec l’apprentissage/la programmation machine. Le truc, c’est que les grands statisticiens ne sont pas enclins à résoudre des problèmes informatiques. Nous avons donc besoin d’un informaticien capable d’écrire des algorithmes intelligents et d’appliquer l’apprentissage automatique.

IA par Georgia Tech

Introduction à l’IA

IA pour la robotique

J’espère que ça aide.

La science des données est sans aucun doute en train de devenir l’une des compétences les plus demandées dans un secteur en évolution rapide. Dans tous les principaux secteurs, les recruteurs sont à la recherche de professionnels axés sur les données et capables d’analyser les données pour générer des informations exploitables pour l’entreprise. La demande croissante semble être sans fin, le monde devant faire face à une pénurie d’au moins un demi-million de scientifiques des données d’ici 2025. Par conséquent, l’apprentissage de la science des données pourrait être votre chance pour une carrière prometteuse.

Maintenant, il existe de nombreuses façons d’apprendre la science des données – vous pouvez vous inscrire dans une université, opter pour un Boo

Continuer la lecture

La science des données est sans aucun doute en train de devenir l’une des compétences les plus demandées dans un secteur en évolution rapide. Dans tous les principaux secteurs, les recruteurs sont à la recherche de professionnels axés sur les données et capables d’analyser les données pour générer des informations exploitables pour l’entreprise. La demande croissante semble être sans fin, le monde devant faire face à une pénurie d’au moins un demi-million de scientifiques des données d’ici 2025. Par conséquent, l’apprentissage de la science des données pourrait être votre chance pour une carrière prometteuse.

Il existe désormais de nombreuses façons d’apprendre la science des données – vous pouvez vous inscrire dans une université, opter pour un programme Bootcamp ou même vous essayer à des cours en ligne de courte durée proposés par des organisations et des plateformes indépendantes. Cependant, avant de passer à la partie où vous commencez à comparer les cours et à prendre un appel, laissez-nous d’abord comprendre quelles sont toutes les compétences que vous devez acquérir.

Comprendre les compétences à acquérir

Devenir un professionnel de la science des données est plus facile à dire qu’à faire. Il y a beaucoup de compétences que vous auriez besoin d’ajouter à votre sac afin de vous qualifier en tant que data scientist. Mais pour commencer, il y a trois compétences techniques absolument nécessaires que vous devez apprendre –

  1. Un langage de programmation comme Python ou R pour utiliser les ensembles de données (je recommande Python). S’il s’agit de votre première expérience avec un langage de programmation, je vous recommande fortement de commencer par Python.
  2. Pour le traitement et la manipulation des données, SQL
  3. Un peu de machine learning et les fondamentaux des statistiques. Afin de bien comprendre et de comprendre le fonctionnement de l’écosystème de données, je vous recommande de réviser vos bases de statistiques et d’apprendre un peu d’apprentissage automatique (pas nécessaire si vous vous inscrivez à un cours universitaire ou à un Bootcamp à part entière).

Opter pour le bon cours

La recherche du bon cours vous embrouillera encore plus – surtout si vous êtes débutant et n’avez aucune idée de ce qui vous convient. Comme je l’ai mentionné plus tôt, vous trouverez peut-être des centaines de plateformes proposant des Bootcamp et des cours de courte durée. Mon conseil – allez vous inscrire à un cours offert par une université. Apprendre dans un environnement de classe et travailler avec des pairs va sûrement susciter en vous un passionné de données.

Cependant, si vous n’êtes pas à l’aise avec les programmes à temps plein, vous pouvez sûrement opter pour des cours en ligne à temps partiel proposés par les universités, offrant des résultats de carrière similaires.

Étant donné que j’ai vu plusieurs étudiants devenir des professionnels des données à succès avec ces programmes spécialisés, je recommande fortement les programmes de diplôme et de diplôme accrédités par l’université de LEARNXT dans le domaine des sciences des données. Actuellement, la plateforme propose trois cours –

  1. MBA en science des données
  2. MSc en science des données appliquées
  3. Diplôme PG en science des données appliquées

L’un des principaux avantages de choisir LEARNXT est son offre d’apprentissage hybride – vous pouvez choisir le programme d’apprentissage à temps partiel du week-end si vous n’êtes pas à l’aise avec le programme à temps plein. En dehors de cela, voici quelques autres avantages –

  • Vous êtes enseigné par les meilleurs professeurs des IIT et des universités mondiales réputées
  • Plus de 50% du temps est consacré à des projets et des missions
  • Accès à vie au didacticiel sur la plate-forme basée sur l’IA StudyNxt
  • Accès aux services du portail carrière CareerNxt

Développer les compétences essentielles (non techniques)

L’acquisition de compétences techniques est cruciale pour devenir un data scientist à l’avenir. Cependant, vous devez accorder autant d’importance à l’affinement de votre esprit critique, à vos capacités de résolution de problèmes qu’à l’attention portée aux détails. Jouant avec des ensembles de données où même une seule position décimale pourrait avoir des impacts énormes, vous devez être attentif, rapide et rationnel dans votre approche. Je ne vous demande pas d’actionner un interrupteur car ces compétences prennent du temps, mais commencez à les travailler pendant que vous ajoutez des compétences techniques à votre sac.

Bien pratiquer et s’engager

Dernier point mais non le moindre, PRATIQUE. Pratiquez autant que vous le pouvez, car la science des données n’est pas une compétence que vous pouvez tirer des livres – elle ne peut être acquise et améliorée qu’avec le temps lorsque vous pratiquez. Le cours que vous choisissez vous exposera sûrement à des défis de données du monde réel, mais de temps en temps, vous pouvez vous rendre sur des plateformes comme Kaggle et consulter leurs forums pour travailler sur les derniers problèmes et perfectionner vos compétences en matière de gestion des données.

Tout le meilleur pour votre parcours d’apprentissage et votre avenir en tant que data scientist !

Les gens disent souvent des choses comme « vous devriez aimer résoudre des problèmes » ou « voudriez voir l’analyse des données appliquée au monde réel ». Ces déclarations ne sont guère propres à la science des données et ne capturent pas une journée dans la vie de ce métier.

Savoir si quelque chose vous convient ou non dépend de votre comportement et de vos préférences dans d’autres domaines de la vie. Voici une liste de questions liées à la façon dont les gens pensent lorsqu’ils sont confrontés à des défis en science des données. Réfléchissez à la façon dont vous agiriez dans ces situations.

Croyez-vous qu’il existe un meilleur algorithme pour résoudre un problème spécifique

Continuer la lecture

Les gens disent souvent des choses comme « vous devriez aimer résoudre des problèmes » ou « voudriez voir l’analyse des données appliquée au monde réel ». Ces déclarations ne sont guère propres à la science des données et ne capturent pas une journée dans la vie de ce métier.

Savoir si quelque chose vous convient ou non dépend de votre comportement et de vos préférences dans d’autres domaines de la vie. Voici une liste de questions liées à la façon dont les gens pensent lorsqu’ils sont confrontés à des défis en science des données. Réfléchissez à la façon dont vous agiriez dans ces situations.

Croyez-vous qu’il existe un meilleur algorithme pour résoudre un problème spécifique ?

Il n’y a pas de problème dans ce monde qu’un seul algorithme résoudra mieux que d’autres. Pourquoi? Parce que les problèmes ne sont pas résolus avec des algorithmes, ils sont résolus avec des produits, dont l’algorithme ne joue qu’un rôle parmi tant d’autres. Les produits n’arrivent à quelque chose de valable que lorsqu’ils répondent aux exigences du monde réel, éclairées par l’utilisation et l’échec. Il n’y a pas de place dans la science des données pour la conception initiale d’un algorithme qui ne fonctionne bien que dans le vide. La validité statistique seule ne peut pas vous dire si le modèle est correct. Le meilleur modèle est celui qui produit le bon type de sortie et peut être interrogé de manière à prendre en charge les fonctionnalités de produit nécessaires. Un modèle précis à 99% est 100% inutile s’il ne joue pas son rôle dans la création holistique d’un produit qui compte. En tant que Data Scientist, vous devrez apporter votre amour de l’analyse dans le monde créatif du développement de produits et tenir votre analyse responsable de ce processus. Le produit choisira votre algorithme, pas vous.

Vous préférez les formules aux images ?

Les maths c’est super. Les mathématiques sont essentielles. Il y a de fortes chances que vous appréciez au moins sa puissance sinon adorez totalement son élégance. Mais les mathématiques ne sont pas le langage universel, les concepts le sont. Les concepts sont les analogies sans jargon que nous utilisons pour expliquer les objets et les processus d’une manière que tout le monde peut comprendre. Utiliser les mathématiques à des fins d’utilité pure est un exercice académique, pas un exercice du monde réel. Écrire des formules au tableau ne fera rien pour expliquer aux autres quelle est l’approche ou pourquoi elle est importante. Les gens qui comprennent les mathématiques n’écrivent pas d’équations, ils dessinent des images. Ils montrent comment les concepts mathématiques ont un impact sur les objectifs, les objets et les cibles du monde réel, et racontent une histoire qui a du sens pour les parties prenantes techniques et non techniques.

Préféreriez-vous écrire votre propre bibliothèque plutôt que d’utiliser ce qui est disponible ?

Il existe littéralement des milliers de bibliothèques entre R et Python pour travailler avec des données, créer des modèles avancés et valider leur capacité à apprendre des données. Votre responsabilité en tant que data scientist est d’être très “conscient des packages” et de savoir utiliser les outils de ce métier pour mettre rapidement des solutions en produit et pivoter en réponse à ce qui est nécessaire. Il n’y a rien de mal à écrire vos propres bibliothèques, et bien sûr notre profession ne dépend pas de cette activité. Mais si vous préférez écrire le vôtre plutôt que d’exploiter ce qui est disponible, vous convenez probablement plus à un rôle de développeur qu’à un Data Scientist actif. J’ai vu trop de gens se perdre dans les mauvaises herbes en écrivant une bibliothèque ésotérique qui n’a finalement rien fait de mieux que ce qui était déjà disponible. La science des données n’est pas un exercice académique où vous êtes payé pour jouer et voir ce que vous pouvez trouver. Vous devez apporter votre compréhension de l’analyse avancée au développement de produits pour aider à créer des choses qui comptent.

Êtes-vous prêt à intégrer tôt un modèle faible dans un produit ?

Il y a quelque chose de vraiment bon que les data scientists font tout le temps. Ils introduisent de mauvais modèles dans le logiciel dès le premier jour. Pourquoi ? Parce que les très bons scientifiques des données comprennent que c’est le type de sortie de modèle qui compte, et que la seule façon d’améliorer un modèle est de le faire vivre dans un logiciel et d’être testé. Les grands scientifiques des données ont une compréhension conceptuelle approfondie des types de sorties produites par différents modèles et savent comment ces modèles peuvent être interrogés pour prendre en charge les fonctionnalités de production. Ils savent qu’en intégrant rapidement un modèle avec le bon type de sortie dans le produit, quelle que soit sa puissance prédictive actuelle, leur modèle sera correctement validé. Au fur et à mesure que le produit s’habitue, les modèles peuvent être changés, leurs paramètres ajustés et de meilleures données, toutes ces activités restant responsables des exigences du produit. Il y a beaucoup de mystique autour de la science des données où les attentes peuvent être très élevées envers vous pour offrir de la « magie ». Il faut un certain type de personne pour dépasser le battage médiatique, définir correctement les attentes et s’assurer que l’apprentissage automatique est exposé à l’apprentissage validé attendu de tous les composants du produit.

Les questions ci-dessus sont spécifiques à la science des données, mais concernent le type de personne nécessaire pour bien faire ce travail. Il existe de nombreuses options de carrière dans le monde de la technologie, toutes avec des attentes différentes. La science des données est unique en ce sens que vous devez apprivoiser quelque chose d’aussi expérimental et inconnu que la découverte de choses dans les données, et mettre ces découvertes dans un produit qui intéresse les gens. Bien qu’il existe différentes saveurs de scientifiques des données, il faut un certain type de personnalité pour bien le faire.

« Les entreprises embauchent-elles des data scientists indépendants ? »

Oui, mais c’est une route plus difficile.

Le problème : les recruteurs sont généralement jeunes et diplômés, avec souvent un cheminement de carrière assez étroit. Par conséquent, ils n’ont pas l’expérience nécessaire pour comprendre comment qualifier les compétences de quelqu’un qui n’est pas diplômé en science des données ou en mathématiques quantitatives, ou qui a « grandi » dans la science des données à partir d’un autre domaine de l’informatique. Par la suite, ils sont trop dépendants d’indicateurs reflétant leur propre parcours, et plus faibles de l’évaluation des compétences. Elles dépendent aussi davantage des équipes d’entretien, mais naturellement ces équipes sont dotées d’équipes encore plus jeunes et

Continuer la lecture

« Les entreprises embauchent-elles des data scientists indépendants ? »

Oui, mais c’est une route plus difficile.

Le problème : les recruteurs sont généralement jeunes et diplômés, avec souvent un cheminement de carrière assez étroit. Par conséquent, ils n’ont pas l’expérience nécessaire pour comprendre comment qualifier les compétences de quelqu’un qui n’est pas diplômé en science des données ou en mathématiques quantitatives, ou qui a « grandi » dans la science des données à partir d’un autre domaine de l’informatique. Par la suite, ils sont trop dépendants d’indicateurs reflétant leur propre parcours, et plus faibles de l’évaluation des compétences. Ils dépendent également davantage des équipes d’entretien, mais naturellement ces équipes sont composées d’un personnel encore plus jeune et moins « diversifié de carrière » – ce qui signifie qu’il y a encore plus de tendance à embaucher des personnes en fonction de leur culture (c’est-à-dire quelqu’un comme moi, quelqu’un que j’aime immédiatement , quelqu’un qui utilise exactement les mêmes outils et la même terminologie).

La solution (pour le demandeur d’emploi) :

  1. Votre diversité de carrière et votre capacité à apprendre par vous-même sont un gros bonus pour eux. Vends le! Réfléchissez à l’avance à la façon dont votre histoire profitera à ce rôle et cherchez des moyens lors de l’entretien d’utiliser leur langage et leurs objectifs pour les aider à voir cela. Par exemple, mentionnez à quel point vous maîtrisez 4 langages de script différents (même si aucun n’est celui qu’ils recherchent) et comment vous les avez choisis à la demande.
  2. Connectez-vous personnellement – travaillez encore plus dur pour voir les intervieweurs comme des personnes et traitez l’entretien non pas comme un processus administratif, mais comme une conversation riche en informations avec un nouvel ami. Essayez d’apprendre et d’utiliser les compétences habituelles de « comment influencer les gens », comme refléter leur terminologie préférée – et faites-les parler de leur vision personnelle du projet/du lieu de travail/etc.
  3. Démontrer activement ses compétences – Profitez de chaque occasion pour mentionner des outils, des compétences et des projets qui correspondent exactement à ce qu’ils recherchent et répétez cela avec chaque intervieweur (en vous concentrant davantage sur les compétences pertinentes pour les antécédents de l’intervieweur). Si vous n’avez pas utilisé l’outil A, mentionnez que vous avez une bonne expérience du même type de tâches avec l’outil B. Si vous n’avez pas effectué de codage ETL approfondi, mentionnez le temps que vous avez passé à normaliser les exigences en matière de données et à effectuer un nettoyage manuel des données à votre dernier travail, ainsi que le codage de données non ETL que vous avez effectué.
  4. Formation ciblée – Lisez et suivez une formation de base sur les outils et plates-formes couramment référencés avec lesquels vous n’avez pas d’expérience sur le terrain. Choisissez les 2 ou 3 articles les plus demandés, que vous n’avez pas personnellement utilisés et suivez un cours accéléré. Par exemple, AWS fournit un accès gratuit et une formation vidéo pour son ensemble d’outils. Il existe des tonnes de formations en ligne du type « Introduction à Python pour les codeurs expérimentés » et ainsi de suite. Vous devriez pouvoir parler de ces outils, même si vous ne les utilisez pas quotidiennement. Plus précisément, montrez que vous comprenez les concepts et les implications de ces outils sur le travail, et donnez des exemples de vous traitant du même genre de problèmes. Démontrez que vous avez réfléchi aux besoins de leur environnement spécifique.
  5. CV et aide-mémoire personnalisé – Je ne personnalise pas mon CV par demande d’emploi – j’utilise plutôt 3 versions différentes qui mettent l’accent sur différents ensembles de compétences (expérience complète de la pile, MDM et architecture de données, entreposage et expérience du processus de vente à l’analyse). Mais voici deux investissements en temps que je recommande fortement :
    • Si la description de poste mentionne un outil/une compétence spécifique que vous possédez, indiquez-le spécifiquement sur votre CV.
    • Si vous vous rendez à des entretiens sur place, vous disposez désormais de beaucoup d’informations supplémentaires sur le poste provenant des entretiens précédents. Créez un mini-CV contenant des puces très clairsemées et concises des outils et tâches équivalents que vous avez effectués dans des emplois antérieurs qui reflètent directement ce que vous savez maintenant être les véritables exigences du travail. Supprimez toutes les autres expériences, quelle que soit leur importance (ou mettez-les toutes sur une seule ligne à la fin). Utilisez-le comme un rappel de points de discussion pendant la visite sur place. Si vos idées étaient exactes, expliquez de quoi il s’agit et donnez-la à l’intervieweur ou envoyez-la-lui par courrier électronique avant de partir. Il s’agit de votre argumentaire de vente qu’ils doivent examiner lorsqu’ils font leur remaniement post-entretien.

Je suis exactement dans le même bateau. Avec plus de 10 ans d’expérience en Data Science, je ne peux même pas décrocher un entretien après avoir postulé pour 50 emplois. Je suis assis à la maison à ne rien faire depuis deux mois.. lol.

Laisse moi te dire…

Le problème est simple. Tout le monde veut ces emplois, donc les emplois en sciences, ingénierie et technologie (STEM) sont difficiles à obtenir. Ce n’est pas parce que vous avez le diplôme que vous obtiendrez un entretien.

Le problème est le suivant :

  • Il y a beaucoup de gens qui étudient les STEM (c’est-à-dire tous ceux qui ont obtenu leur diplôme avec vous !). Ils doivent tous trouver du travail. En plus de cela, nous avons beaucoup de H1B et

Continuer la lecture

Je suis exactement dans le même bateau. Avec plus de 10 ans d’expérience en Data Science, je ne peux même pas décrocher un entretien après avoir postulé pour 50 emplois. Je suis assis à la maison à ne rien faire depuis deux mois.. lol.

Laisse moi te dire…

Le problème est simple. Tout le monde veut ces emplois, donc les emplois en sciences, ingénierie et technologie (STEM) sont difficiles à obtenir. Ce n’est pas parce que vous avez le diplôme que vous obtiendrez un entretien.

Le problème est le suivant :

  • Il y a beaucoup de gens qui étudient les STEM (c’est-à-dire tous ceux qui ont obtenu leur diplôme avec vous !). Ils doivent tous trouver du travail. En plus de cela, nous avons beaucoup de visas H1B et étudiants qui viennent ici pour étudier aux États-Unis et ils sont tous à la recherche d’un emploi. Environ 500 000 personnes chaque année !
  • Ce n’est pas une industrie de niche où l’employeur ne peut pas trouver de candidats.
  • Une offre d’emploi moyenne reçoit des centaines de candidatures. Probablement environ 600.

Bien que nous nous moquions des gens qui étudient des choses comme la philosophie à l’université parce que nous pensons qu’ils ne peuvent pas trouver d’emploi et que nous disons des choses comme « Que pouvez-vous faire avec un diplôme en philosophie ? », la même chose peut être dite à propos des STEM. En fait, je dis qu’au moins le diplôme en philosophie est plus spécialisé que STEM. Dans STEM, ce que vous avez, c’est que tout le monde le fait. Quand tout le monde le fait, il y a clairement plus de concurrence. Quand il y a plus de concurrence, les enjeux sont plus élevés.

Les entreprises veulent embaucher les meilleurs. Rappelez-vous à l’université qu’il n’y avait qu’une partie des étudiants qui obtenaient tous les A, n’est-ce pas ? C’est généralement comme une main pleine de toute la classe. Une partie importante de la classe est à peu près considérée comme moyenne, n’est-ce pas ? Lorsque j’ai obtenu mon diplôme en génie électrique en me concentrant sur le traitement du signal, la plupart de mes amis ont à peine réussi; c’est-à-dire qu’ils ont obtenu beaucoup de B et C. Il y a donc clairement des étudiants et des ingénieurs de niveau A et il y a un niveau B et un niveau C. Personne ne veut embaucher un ingénieur de niveau C ! C’est ce à quoi vous êtes confronté. Vous devez être au top de votre forme et c’est incroyablement difficile car cela se transforme en compétition. Donc, pour un travail de data scientist, il y a toujours quelqu’un qui est plus intelligent que vous ou qui a une expérience plus précise que vous ou qui a un diplôme supérieur ou qui est allé dans une grande école. Tous les emplois STEM sont comme ça.

Tout ce que c’est, c’est que lorsque vous avez une profession de niche, vous avez de meilleures chances de décrocher le poste. Les emplois comme data scientist, ingénieur électricien, programmeur et analyste de données sont des emplois génériques que des millions de personnes peuvent faire et beaucoup d’entre eux peuvent le faire mieux que vous. Ce à quoi vous êtes confronté, c’est la concurrence de ces étudiants de niveau A. Les gens intelligents sont en fait, une douzaine de centimes !

En fin de compte, à moins que vous ne puissiez démontrer que vous êtes le meilleur des meilleurs, vous n’obtiendrez pas d’emploi dans ces grandes entreprises.

Le conseil fondamental que je donnerais à n’importe qui est. Ne choisissez pas une profession que tout le monde choisit parce que vous serez en compétition avec tous pour obtenir un emploi. Lorsque les employeurs ont une abondance de candidats, ils peuvent toujours trouver quelqu’un d’autre qui est meilleur que vous et cela ne fait qu’empirer à mesure que vous vieillissez, car ils peuvent vous remplacer facilement par quelqu’un de plus jeune qu’ils peuvent payer moins cher.

Pour devenir Data Scientist, peu importe le diplôme que vous possédez, vous avez juste besoin de compétences telles que le sens technique, la pensée statistique, l’esprit analytique, la curiosité, l’approche de résolution de problèmes, les compétences analytiques des mégadonnées, etc. au.

En termes simples, vous devriez être capable de travailler avec d’énormes quantités de données et d’obtenir des informations commerciales convaincantes grâce au déploiement de divers outils, techniques, méthodologies, algorithmes, etc.

Les scientifiques des données sont chargés de découvrir les faits cachés dans le réseau complexe de données non structurées afin d’être utilisé dans mak

Continuer la lecture

Pour devenir Data Scientist, peu importe le diplôme que vous possédez, vous avez juste besoin de compétences telles que le sens technique, la pensée statistique, l’esprit analytique, la curiosité, l’approche de résolution de problèmes, les compétences analytiques des mégadonnées, etc. au.

En termes simples, vous devriez être capable de travailler avec d’énormes quantités de données et d’obtenir des informations commerciales convaincantes grâce au déploiement de divers outils, techniques, méthodologies, algorithmes, etc.

Les scientifiques des données sont chargés de découvrir les faits cachés dans le réseau complexe de données non structurées afin de les utiliser dans la prise de décisions commerciales.

Pour devenir master en Data Science :

  • Familiarisez-vous avec les problèmes réels de Data Science
  • Participer à des forums et à des compétitions sur la science des données (par exemple, Kaggle)
  • Travailler régulièrement sur d’énormes ensembles de données
  • Avoir une approche collaborative et interactive
  • Entraînez-vous tous les jours et gagnez un avantage définitif

En tant que débutant absolu, vous pouvez commencer par suivre l’une des méthodes suivantes pour d’abord construire une base solide avant de progresser :

  • Tutoriels en ligne (Datacamp, Udemy)
  • Blogs en ligne (Vers la science des données, médium)
  • Livres (Amazon)

Après avoir acquis une idée de base de la science des données et des concepts qui y sont associés, vous devez commencer à travailler sur l’acquisition de différentes compétences afin d’acquérir une expertise en science des données telles que :

Compétences en programmation : Python, R, Java, C ou Perl. Une bonne maîtrise de l’un de ces langages de codage sera très utile.

Knowledge of Hadoop: Hadoop is the most popular Big Data framework it is expected that you have a good understanding of it.

SQL database: SQL is the most common way of getting information from a database and updating it. Candidates need to know how to query in SQL since it is the most preferred language for RDBMS.

MATLAB: MATLAB allows matrix manipulations, plotting of functions and data, implementation of algorithms, creation of user interfaces, and interfacing with programs written in other languages, including C, C++, C#, Java, Fortran, and Python.

SPSS: It is a software package used for interactive, or batched, statistical analysis

SAS: It is a statistical software suite developed by SAS Institute for advanced analytics, multivariate analysis, business intelligence, criminal-investigation, data management, and predictive analytics.

Having a decent knowledge of Java, Scala, Tableau, and MSExcel can gradually increase your efficiency in performing complex computations and build good quality visualizations.

As a Data Scientist, you not only require technical skills but also some crucial Non-Technical skills in order to present your insights in an effective manner.

Some Non-Technical Skills:

Analytical skills

Soft Skills

Communication skills

Strong business acuity

Another way is to enrol in an online Data Science training that will not only teach you the concepts but also provide a professional industry-grade certificate that will help you to start a career in Data Science and also waste less time in finding and navigating the content yourself and also provide placement opportunities after the completion of the course.

Good Luck!

Most asked Question related to Can I get job as a data scientist, being a fresh graduate? :

  • Do-employers-care-about-GPA-when-hiring-recent-college-graduates-for-a-job?
  • Should-I-quit-my-high-paying-job?
  • Where-do-employers-get-the-questions-they-ask-during-job-interviews?
  • Why-is-it-tough-to-get-a-job-in-India?
  • Was-Steve-Jobs-a-psychopath-or-a-sociopath?
  • How-good-were-Bill-Gates-and-the-late-Steve-Jobs-at-programming?
  • How-can-I-ask-for-a-salary-hike-after-accepting-the-offer-letter?
  • How-do-I-reply-when-HR-says-that-the-expected-salary-is-too-high-from-what-they-usually-offer?
  • What-are-the-job-opportunities-in-civil-engineering?
  • My-friend-a-software-engineer-at-Apple-said-she-makes-500K-annually-She-has-about-10-years-of-experience-Is-it-normal-at-Apple?
  • What-are-some-of-the-jobs-people-with-no-previous-experience-can-do?
  • Can-you-really-become-rich-with-no-high-income-skill-job?
  • Is-it-easy-to-get-a-bank-job?
  • Can-I-leave-my-job-after-13-months-and-prepare-for-the-CAT-Will-it-affect-my-chances?
  • Which-is-the-best-site-for-job-alert-for-Mechanical-Engineers?
  • Should-I-start-my-career-as-a-frontend-developer-and-then-switch-to-backend-after-few-months?
  • What-is-the-future-scope-of-robotics?
  • What-will-be-the-job-growth-for-data-science-for-next-5-10-years?
  • Do-you-think-Bernie-Sanders-will-become-the-next-president-Why-or-why-not?
  • What-do-programmers-do-generally?
  • What-are-some-things-you-should-and-should-not-say-during-a-job-interview-when-you-get-asked-so-tell-me-a-little-bit-about-yourself?
  • Whats-the-procedure-to-get-a-mechanical-engineering-jobs-in-Canada?
  • What-job-did-you-want-to-be-when-you-were-younger-and-what-are-you-now?
  • Why-do-I-get-turned-down-after-a-final-interview?
  • When-should-I-quit-my-job?
  • What-do-you-see-being-the-jobs-of-the-future?
  • How-hard-was-it-for-you-to-land-your-first-job-after-college?
  • Can-a-below-average-student-crack-the-SSC-CGL?
  • What-is-the-most-physically-demanding-job-you-ever-had?
  • What-was-Steve-Jobss-daily-routine?