La scienza dei dati, una delle carriere in più rapida crescita nella tecnologia, è un campo interdisciplinare che ci aiuta ad analizzare e dare un senso al mondo che ci circonda. A causa del mercato del lavoro in forte espansione e della crescente dipendenza delle aziende da soluzioni basate sui dati, questa domanda non rallenterà presto. Fortunatamente, diventare uno scienziato dei dati non richiede una laurea. Finché sei aperto all'apprendimento di cose nuove e sei disposto a dedicare tempo e impegno, puoi diventare uno scienziato dei dati.
La domanda ora è: da dove si inizia per diventare Data scientist ?
Internet è pieno di tutorial su ogni aspetto della scienza dei dati, come le basi dell'apprendimento automatico, l'elaborazione del linguaggio naturale, il riconoscimento vocale e tutti i tipi di incredibili magie della scienza dei dati. Ma, per un principiante, quella quantità di informazioni può essere travolgente e portare qualcuno ad arrendersi prima ancora di iniziare.
Ciò di cui hai bisogno è una roadmap strutturata che definisca chiaramente ciò che devi imparare (e in quale ordine) per diventare un data scientist insieme alle competenze necessarie per affinare il tuo percorso di apprendimento della scienza dei dati.
PER DIVENTARE UN DATA SCIENTIST DEVI SAPERE :
Programmazione
Banche dati
Matematica: Teoria delle Probabilità, Statistica e Nozioni di Algebra Lineare
Controllo versione
Nozioni di base sulla scienza dei dati: ricerca di set di dati, comunicazione scientifica e visualizzazione dei dati
Nozioni di base sull'apprendimento automatico
Convalida delle serie temporali e del modello
Reti neurali
Apprendimento profondo
Elaborazione del linguaggio naturale
Usa questa tabella di marcia per dare il via alla tua carriera nella scienza dei dati.
1. Programmazione
Se non conosci la tecnologia, la programmazione è il miglior punto di partenza. Attualmente, i due linguaggi di programmazione utilizzati dalla maggior parte dei data scientist sono Python e R.
R : Un linguaggio di programmazione per il calcolo statistico, ampiamente utilizzato per lo sviluppo di software statistici e analisi dei dati.
Python : un linguaggio di programmazione di alto livello e di uso generale. Python è ampiamente utilizzato in molte applicazioni e campi, dalla semplice programmazione all'informatica quantistica.
Poiché Python è un linguaggio di programmazione adatto ai principianti, è un ottimo punto di partenza con la scienza dei dati (e forse altri campi in futuro). A causa della popolarità di Python, ci sono molte risorse disponibili per impararlo. Alcuni di voi potrebbero già sapere come programmare e potrebbero passare alla scienza dei dati da un altro campo tecnico. In tal caso, puoi saltare questo passaggio e andare avanti al passaggio successivo del viaggio.
2. Database
Puoi pensare alla scienza dei dati come all'arte di raccontare una storia usando i dati, ma devi essere in grado di accedere effettivamente ai dati per raccontare la tua storia. In altre parole, ogni volta che lavori su un progetto di data science, avrai bisogno di dati per analizzare, visualizzare e creare un progetto valido. I dati di cui hai bisogno sono spesso archiviati in alcuni database. Un passaggio essenziale per distinguersi come data scientist è interagire e comunicare con i database in modo efficace. Ad esempio, avere le competenze per progettare un semplice database può portarti al livello successivo. Per comunicare con un database, dovrai parlare il suo linguaggio: SQL, che sta per Structured Query Language e lo usiamo per comunicare con tutti i tipi di database. Le mie risorse preferite per imparare SQL sono CodeAcademy , Khan Academy e l'apprendimento interattivo, SQLCourse .
3. Matematica
Il cuore della scienza dei dati è la matematica. Per capire come funzionano i diversi concetti di scienza dei dati, è necessario avere una certa comprensione della matematica dietro di essi, comprese le basi della teoria della probabilità, della statistica e dell'algebra lineare per comprendere la scienza dei dati.
Ora, so che la matematica è l'unica cosa che potrebbe far scappare qualcuno prima di intraprendere una carriera nella scienza dei dati. Tuttavia, la maggior parte degli strumenti che utilizzerai nella tua carriera eliminerà l'implementazione della matematica stessa nei tuoi progetti, ma vorrai comunque una certa comprensione dei principi fondamentali.
Non lasciare che la matematica ti intimidisca dall'esplorare il mondo della scienza dei dati! direi che ne vale la pena. Ci sono alcuni materiali utili su Coursera che possono aiutarti ad affrontare la matematica di cui hai bisogno.
4. Controllo del Git
Nello sviluppo del software in generale e nella scienza dei dati in particolare, uno dei concetti più importanti che puoi apprendere è il controllo della versione. Ogni volta che lavori su un progetto di data science, dovrai scrivere diversi file di codice, esplorare set di dati e collaborare con altri data scientist. Dovrai gestire tutte le modifiche al codice tramite il controllo della versione, ovvero Git. Git è un sistema di controllo della versione utilizzato per tenere traccia delle modifiche al codice sorgente durante il processo di sviluppo del software. Le coordinate Git funzionano tra un gruppo di programmatori o tengono traccia delle modifiche in qualsiasi set di file da un singolo programmatore. Sebbene Git sia un sistema, alcuni siti Web ti consentono di utilizzare Git facilmente senza dover interagire molto con la riga di comando (anche se alla fine ti sposterai alla riga di comando), come GitHub o GitLab .
Fortunatamente, ci sono molte risorse per aiutarti a comprendere la funzionalità interna di Git; le mie scelte migliori sono BitBucket Learn Git Tutorial e questa lezione del corso Harvard CS50.
5. Nozioni di base sulla scienza dei dati
La scienza dei dati è un termine ampio e include molti concetti e tecnologie diversi. Quindi, prima di immergerti nel grande mare della scienza dei dati, devi prima familiarizzare con alcune nozioni di base.
Trovare set di dati : ci sono due modi per avviare qualsiasi progetto di data science; hai un set di dati che desideri utilizzare per creare un progetto oppure hai una domanda e devi trovare un set di dati per rispondere. Esplorare i set di dati e scegliere quello giusto per il tuo progetto è un'abilità importante da acquisire.
Comunicazione scientifica : in qualità di data scientist, dovrai comunicare con un pubblico generale per fornire il tuo processo e i risultati. Quindi, dovrai sviluppare le tue capacità di comunicazione scientifica e di parlare in pubblico per spiegare concetti complessi usando termini semplici.
Visualizzazione efficace : l'unico modo per convalidare i risultati è visualizzarli. La visualizzazione svolge un ruolo importante nella scienza dei dati, dall'esplorazione dei dati alla consegna dei risultati. Acquisire familiarità con una visualizzazione efficace dei dati può farti risparmiare un sacco di tempo e fatica mentre lavori al tuo progetto.
6. Nozioni di base sull'apprendimento automatico
Quindi, hai lavorato sulle tue capacità di programmazione, hai rispolverato i tuoi calcoli e ti sei tuffato nei database. Ora sei pronto per iniziare la parte divertente: applicare ciò che hai imparato finora per costruire il tuo primo progetto. Ora è il momento di passare all'apprendimento automatico. È qui che inizi ad apprendere ed esplorare algoritmi e tecniche di base, come la regressione lineare e logistica, gli alberi decisionali, i Bayes ingenui e le macchine vettoriali di supporto (SVM). Inizierai anche a scoprire i diversi pacchetti Python o R per organizzare e implementare i tuoi dati. Potrai usare Scikit-learn , SciPy e NumPy . Imparerai anche come ripulire i tuoi dati per avere posizioni e risultati più accurati. È qui che potrai sperimentare cosa puoi fare con la scienza dei dati e potrai vedere l'impatto che il campo ha sulla nostra vita quotidiana.
Il posto migliore per iniziare a conoscere i diversi aspetti dell'apprendimento automatico sono i vari articoli su Intelligenzaartificialeitalia.net .
7. Serie storiche e convalida del modello
È tempo di approfondire l'apprendimento automatico. I tuoi dati non rimarranno stagnanti; è spesso in qualche modo legato al tempo. Le serie temporali sono punti dati ordinati in base al tempo. Più comunemente, le serie temporali sono sequenze di dati prese in punti successivi equidistanti nel tempo, il che le rende dati a tempo discreto. Le serie temporali ti mostrano come il tempo modifica i tuoi dati. Ciò consente di ottenere informazioni su tendenze, periodicità dei dati e prevedere il comportamento futuro dei dati. Quando si tratta di serie temporali, è necessario lavorare su due componenti principali:
Analisi dei dati delle serie temporali.
Dati di serie temporali di previsione.
Costruire modelli per prevedere il comportamento futuro non è sufficiente; devi anche convalidare l'accuratezza del modello. Qui imparerai come creare e testare i modelli in modo efficiente. Inoltre, imparerai come stimare la soglia di errore per ogni progetto e come mantenere i tuoi modelli entro intervalli accettabili.
8. Reti neurali
Le reti neurali (Artificial Neural Networks o ANN) sono un paradigma di programmazione ispirato alla biologia che consente a un computer di apprendere dai dati osservativi. Le ANN sono iniziate come un approccio per imitare l'architettura del cervello umano per eseguire diversi compiti di apprendimento. Per assomigliare al cervello umano, una RNA contiene gli stessi componenti di una cellula umana. Quindi, ANN contiene una raccolta di neuroni; ogni neurone rappresenta un nodo connesso ad un altro tramite link. Questi collegamenti corrispondono alle connessioni biologiche assone-sinapsi-dendrite. Inoltre, ciascuno di questi collegamenti ha un peso che determina la forza che un nodo ha su un altro. L'apprendimento di ANN ti consente di affrontare una gamma più ampia di attività, tra cui il riconoscimento della scrittura a mano, il riconoscimento di modelli e l'identificazione del volto.
ANN rappresenta la logica di base che devi conoscere per procedere al passaggio successivo del tuo viaggio nella scienza dei dati, il deep learning.
9. Apprendimento profondo
Le reti neurali sono paradigmi che alimentano il deep learning. Il deep learning rappresenta un potente insieme di tecniche che sfruttano il potere di apprendimento delle reti neurali. Puoi utilizzare le reti neurali e il deep learning per affrontare le soluzioni ottimali a molti problemi in vari campi, tra cui il riconoscimento delle immagini, il riconoscimento vocale e l'elaborazione del linguaggio naturale. Ormai avrai familiarità con molti pacchetti Python che trattano diversi aspetti della scienza dei dati. In questo passaggio, avrai la possibilità di provare pacchetti popolari come Keras e TensorFlow.
Inoltre, a questo punto, sarai abbastanza abile da leggere i recenti progressi della ricerca nella scienza dei dati e forse sviluppare i tuoi algoritmi.
10. Elaborazione del linguaggio naturale
Sei quasi alla fine. Puoi già vedere il traguardo. Finora hai affrontato molti concetti teorici e pratici, dalla semplice matematica ai complessi concetti di deep learning.
Allora, qual è il prossimo? È il mio sottocampo preferito della scienza dei dati: l'elaborazione del linguaggio naturale (NLP). L'elaborazione del linguaggio naturale è un ramo entusiasmante dell'intelligenza artificiale che ti consente di utilizzare la potenza dell'apprendimento automatico per insegnare al computer a comprendere ed elaborare le lingue umane.
Ciò includerà il riconoscimento vocale, l'applicazione di sintesi vocale (e la sintesi vocale), gli assistenti virtuali (come Siri e BERT) e tutti i tipi di diversi robot conversazionali.
Eccoci alla fine della strada. Ma ogni fine è davvero un inizio. Proprio come qualsiasi altro campo legato alla tecnologia, non c'è davvero fine. Il campo si sta sviluppando rapidamente; nuovi algoritmi e tecniche sono in fase di ricerca mentre leggi questo articolo. Quindi, essere uno scienziato dei dati significa che sarai uno studente per tutta la vita. Svilupperai le tue conoscenze e il tuo stile man mano che procedi. Probabilmente svilupperai un'attrazione per un sottocampo specifico, scaverai ancora più a fondo e forse anche specializzerai.
Incontrerai blocchi stradali e deviazioni lungo la strada. Mantieni una mente aperta, sii paziente e dedica tempo e sforzi per raggiungere la tua destinazione. La cosa più importante da ricordare mentre intraprendi questo viaggio è: puoi farcela.
.png)
