第二类：软件工程师
我遇到的想成为数据科学家的人中 ， 可能有20%都是软件工程师 。一方面 ， 有将代码部署到生产和与开发团队合作的相关经验 ， 这是非常重要的资产 。另一方面 ， 如今对全栈开发人员的需求非常高 ， 有时公司会将软件工程师归为这个方向 。因此想转为数据科学家时 ， 你要避免被当作软件工程师 ， 而不是数据科学家 。
其他建议：
首先你可以考虑转为专注后端或数据库相关方向 。熟悉数据管道是一个良好的开端 ， 这可以帮助你构建核心数据操作技能组 。
机器学习工程可能是最接近数据科学的职位 ， 这更容易过渡 。在求职时 ， 你可以找哪些强调部署模型 ， 或将其集成到现有应用程序的职位 ， 这些职位将最有效地利用你现有的技能 。
你很可能要建立机器学习或数据科学项目来打动雇主 。利用你的软件工程技能 ， 将这些技能整合到可以向招聘人员展示的应用程序中 。这特别有效 ， 因为这更为明确 ， 而且突显了你作为全栈数据科学家的潜力 。
要记住 ， 在职业转型时你的薪资很可能会减少 。即使是高级软件工程师 ， 当他们转行数据科学时 ， 也需要从初级的职位开始 。
如何发挥自己的优势：
最好的方法就是利用你在软件开发方面的经验 。你已经知道如何编写干净、文档记录良好的代码 ， 以及该如何与他人协作 ， 这是大多数初级职位求职者所缺乏的优势 。
第三类：计算机科学、数学或物理专业的应届毕业生
如果你是一名本科、硕士或博士生 ， 你可能在统计学和数学方面有很好的基础 。但你可能从未申请过科技方面的工作 ， 而且你不确定如何准备面试 。此外 ， 假设你读书时一直在编程 ， 你很可能无法写出干净、结构良好的代码 。
几点建议：
你在读书期间学的R语言还不够 。如果你是学物理的 ， 那你的MATLAB或数学技能也是不够的 ， 去学学Python吧 。
这些内容你需要尽快学习：协作版本控制 ， 比如如何与其他人一起使用GitHub）；容器化 ， 比如如何使用Docker；开发运营 ， 学习如何使用AWS或其他类似服务在云中部署模型；SQL也是必须的 。
学习Python中的测试驱动开发 。学习如何使用文档字符串 ， 如何将代码模块化 ， 以及如何使用Jupyter notebook 。
如果你在以数学为导向的领域 ， 那么深度学习是一个很好的探索方向 。要注意先从更传统的“scikit-learn”型数据科学职位开始 ， 然后转向深度学习更容易 。对你来说 ， 最重要的是先入行 ， 并尽快开始生产代码 。
如何发挥自己的优势：
如果你是数学或物理专业 ， 你最好的策略就是发挥有深厚理论知识的特定 。为此 ， 你需要能够自信地解释各种模型的原理 ， 熟悉文献中最新的文章 。
结语
注意：我这里提供的建议并不能完全使用与所有情况 。有些软件工程师可能要学习的更多 ， 而有些初学者有很好的数学基础 ， 更适合成为深度学习研究人员 。但希望本文能你一个不错的起点 。
最后 ， 无论你是软件工程师 ， 刚毕业的大学生 ， 还是零基础的初学者 ， 你都要问自己一个关键的问题：哪种职业发展轨迹最接近你的情况？很多情况下 ， 通过称为数据分析师或数据可视化专家进入该领域都是不错的选择 。
推荐阅读
- 备忘录删除的如何恢复？教你三招解决数据丢失困扰！
- WPS Office 2019企业版升级两大新功能 坚持数据安全
- 名词解读！翡翠里的厚桩、正桩和怪桩到底是什么意思？
- 2025年完成智能水表改造！济南水务大数据助力泉城节水
- 抖音春节大数据报告：合拍成与父母交流情感新方式
- 教育｜瑞典国家科技博物馆：感受科学不分人群
- 数据编织 超级自动化 边缘人工智能……2022年：这些技术发展趋势不容忽视
- 50个中国之最加正确数据 50个中国之最图片
- 健康码数据来源怎么改
- 世界各国面积排名表全世界多少个国家 世界各国面积排名表网易数据