مسیر دانشمند داده در سال ۲۰۲۰
علم داده ، داده کاوی ، یادگیری ماشین و خلق صنعت داده محور در سال 2020 به یکی از پر استقبال ترین بحث های جهان تبدیل شده است.
بتازگی یکی از محبوب‌ترین وبسایت‌های علم داده کشور هند، مسیر تربیت دانشمند داده را در طی یک سال آموزشی ارائه کرده است.
در ادامه با بررسی تفکیک شده ماه به ماه، سرفصل های ارائه شده پیرامون علم داده رو مرور خواهیم کرد:
در یک سال آموزشی، برای دانشمند داده شدن گام بردارید!
ماه اول و آغاز فعالیت در علم داده:
- مفاهیم و مبانی علم داده
- آگاهی از وظایف مشاغل علم داده همچون: دانشمند داده ، تحلیلگر داده و …
- آمار توصیفی و مقدماتی
- آموزش مقدماتی زبان پایتان
ماه دوم:
- مقدمات احتمالات و جبرخطی
- آنالیز اکتشافی داده
- آموزش سی‌کیوال برای علم داده
دو ماه اول – تمرکز بر روی مباحث پایه ای علم داده و یادگیری ماشین
ماه سوم:
- مفاهیم و مبانی داده کاوی و یادگیری ماشین
- تحلیل مسائل اصلی یادگیری ماشین
- پروژههای مسائل باناظر و بدون‌ناظر
- الگوریتم‌های یادگیری ماشین
- مدل‌های پیش‌بینی
ماه چهارم:
- مفاهیم یادگیری جمعی
- جنگل‌های تصادفی و بوستینگ
- یادگیری جمعی پیشرفته
- شبکه های بیزین
دو ماه دوم – تسلط بر داده کاوی و یادگیری ماشین
ماه پنجم:
- استراتژی‌های اعتبارسنجی
- مباحث تنظیم پارامتر
- پروژههای سری‌‌زمانی
ماه ششم:
- تحلیل مولفه‌های اساسی
- پروژههای سیستم‌های توصیه‌گر
دو ماه سوم – درگیر پروژه های مختلف علم داده شدن + مباحث تکمیلی یادگیری ماشین
ماه هفتم:
- مفاهیم و مبانی یادگیری عمیق
- افزایش مهارت یادگیری عمیق با استفاده از کتابخانه کراس پایتان
ماه هشتم:
- شبکه های عصبی
- طبقه بندی تصویر
- یادگیری انتقال
دو ماه چهارم – یادگیری عمیق و پردازش تصویر
ماه نهم، دهم و یازدهم:
- پروژههای بینایی ماشین
- متن کاوی و طبقه‌بندی متن
- پردازش زبان طبیعی مقدماتی تا پیشرفته
ماه های نه الی یازده – تمرکز بر روی متن کاوی و پردازش زبان طبیعی
ماه دوازدهم و پایانی فعالیت در حوزه علم داده:
- آغاز دوره کارآموزی در حوزه علم داده
ماه پایانی – اقدام جهت کارآموزی دانشمند داده
مسیر پیشنهادی فوق یکی از مناسب‌ترین رودمپ‌های پرورش دانشمند داده بوده است.
قابل توجه دوستانی که با مشاهده یک کورس کوتاه مدت القابی همچون دانشمند داده، تحلیلگر داده و امثالهم به خود تخصیص میدند
اگر چه عناوینی من جمله: کلان داده‌ها، علم داده و یادگیری ماشین هرکدام به تنهایی، پوزیشنی ۴ الی ۵ ساله در مقطع دکتری دانشگاه‌های خارج از کشور را یدک می‌کشند
اما مسیر پیشنهادی علم داده
در این مسیر پیشنهادی عناوین و سرفصل ها درعین جامعیت، کاملا کاربردی و ایده آل بوده و متناسب با نیاز روز مباحث ارائه گشته.
ضمن اینکه پس از گذراندن آموزش یکساله و دوره کارآموزی چندماهه، نه دانشمند ارشد داده، نه مدیر علم داده و نه مدیر پروژههای علم داده خواهید شد.
بلکه صرفا یک دانشمد داده (جونیور) و ابتدایی و در شروع مسیر طولانی قرار خواهید گرفت.
مسیر دانشمند داده
نکته‌ی قابل تامل پیرامون علم داده
آن است که افرادی که از رشته های علوم داده فارغ التحصیل می‌شوند، نیازمند گذراندن چندین ماه کارآموزی هستند.
و همچنین اخذ پروژه های مختلف ، درگیر شدن در صنایع متفاوت و غرق در چالش های داده محور سازمانی، از اصلی‌ترین گام های اولیه می‌باشد.
و با آموزش های یک سال دانشمند داده نخواهند شد.
آموزش دیدن به تنهایی کافی نبوده و پس از اخذ مهارت‌ها، مسیر شغلی و ارزیابی خودتون شروع خواهد شد
یقینا خلق تفکری داده محور در طی یکسال، برای هر دانشمند داده امری ضروری است.
- همچنین براساس منابع اصلی، توجه به ابزارهای هوش تجاری از اهمیت بالایی جهت تحلیل داده ها برخوردار است
- و البته از تحلیل کلان داده ها و تحلیل گراف در انتهای مسیر فوق برای دانشمندان داده نباید غافل شد! اهمیت یادگیری آن بیش از پیش بوده و ضرورت آن امروزه کاملا احساس و پیشنهاد می‌شود. بی تردید تحلیل کلان داده ها در فعالیت حرفه ای علم داده نقش بسزایی برای یک دانشمند داده ایفا می کند.
- تسلط بر لینوکس و گیت نیز از توصیه های دیگر منابع اصلی شرکت های آمریکایی جهت تبدیل به یک دانشمند حرفه ای داده است.
و نکته پایانی در علم داده
آیا باید حتما دانشمند داده شویم؟
برای ورود به حوزه علم داده، نگاهی پوزیشن محور بشما کمک بسزایی خواهد کرد.
هر کدام از مشاغل علوم داده شرح شغلی کاملا مجزا، تفکیک شده و مشخصی دارند
و افراد بر اساس توانمندی ها، علایق و شرایط خود این پوزیشن ها را انتخاب می‌کنند.
آگاهی از تفاوت های مشاغل علم داده در صنایع مختلف، شما را قادر به اخذ بهترین تصمیم در آینده می‌کند.
مطالعه بیشتر: سایت Analytics Vidhya
با احترام – امیررضا تجلی
هنوز دیدگاهی برای این مطلب ثبت نشده است.