В прошлой статье мы рассмотрели пути к карьере в области Data Science из системы высшего образования. В качестве возможных вариантов мы рассматривали степень бакалавра, несовершеннолетнюю, концентрацию, степень магистра и программы сертификации. В этой статье мы пойдем другим путем и сосредоточимся на маршрутах, не связанных с системой высшего образования, в основном на учебных курсах и платформах онлайн-обучения. У этих вариантов есть свои преимущества и недостатки, но полное представление о доступных вариантах должно помочь вам решить, какой путь является для вас правильным.

Учебные курсы по науке о данных

Курсы для начинающих по программированию стали очень популярны, поскольку работа в сфере высоких технологий стала горячей новой карьерой за последние 10–15 лет. Цель учебного курса по кодированию обычно состоит в том, чтобы взять кого-то с небольшим опытом программирования или вообще без него и подготовить его к карьере в области разработки программного обеспечения. С появлением больших данных произошел такой же всплеск учебных курсов по науке о данных. Учебные курсы - хорошие варианты для тех, кто хочет более короткие программы, которые научат вас широкому спектру навыков в быстро меняющейся среде. Они также с большей вероятностью будут имитировать процесс проекта для рабочих процессов в области науки о данных, чем программы магистратуры или высшего образования. Учебные курсы по науке о данных предлагают такие компании, как Galvanize, Springboard и Metis, и это лишь некоторые из них.

Соображения

По сравнению с программами высшего образования (описанными в моей предыдущей статье), учебные курсы более гибкие и целенаправленные. На буткемпе ваши проекты, скорее всего, будут чем-то, что вас лично интересует, потому что вы можете выбрать проект и изучить инструменты, которые хотите изучить. Высшее образование имеет тенденцию идти по очень специфическому пути к домашним заданиям. В зависимости от вашей доступности учебные курсы предлагают варианты с полной или частичной занятостью. Если вы твердо настроены заниматься наукой о данных, вариант на полный рабочий день - лучший выбор, но если вы просто опускаетесь в воду, курс для буткемпинга на неполный рабочий день - отличный выбор. Дипломы в AI / DS часто измеряются месяцами или годами (программы магистратуры длится до 2 лет, если они проводятся на неполный рабочий день), тогда как учебные курсы обычно измеряются неделями (или в пределах 6 месяцев) до выпуска. Это может дать возможность учащимся пройти учебный курс во время школьных каникул, а фармацевтам - взять отпуск, если они каким-либо образом могут это сделать. Как минимум, продолжительность учебного лагеря может вернуть вас к работе на новой должности, если вы решите сменить профессию. Вы также можете решить, будет ли лучше работать в вашей ситуации: личное общение или онлайн.

Цены на различные учебные курсы сильно зависят от программы и могут потребовать тщательного планирования. В случае быстрого исследования стоимость программ варьируется от 7500 до 17000 долларов. Это, вероятно, потребует значительной экономии или других механизмов финансирования / финансирования. Поскольку в программы вкладываются большие средства, не повредит (опять же, извините за побитый рекорд по статьям!) Связаться с специалистами по данным в вашем районе, чтобы узнать, научат ли вас доступные для вас учебные курсы необходимым навыкам. Это, по сути, убивает двух зайцев одним выстрелом, приступая к созданию сетей для будущей работы и гарантируя, что ваши деньги потрачены не зря. Также полезно изучить биографию и опыт людей, которые преподают в учебном лагере. Если у них есть многолетний опыт работы в командах по анализу данных, которые имеют большое влияние в своей организации, вы можете быть более уверены в том, что программа дает хорошее использование денег.

+ (Преимущества)

Преимущество, которое очень конкретно относится к одному предложению учебного лагеря под названием Insight Data Science Fellowship (больше похоже на учебный лагерь по длине, чем на стипендию), заключается в том, что они предлагают программу, которая требует наличия докторской степени. В этой программе участвуют доктора и доктора наук, но в прошлом я действительно обращался и подтверждал, что в программе также приветствуются специалисты в области здравоохранения с докторской степенью (например, PharmD). Учебные курсы, как правило, в большей степени учитывают время в материалах, которые они преподают участникам, чем в большинстве образовательных программ. Поговорив с несколькими фармацевтами, которые прошли учебные курсы по науке о данных, они изучили такие инструменты, как Flask и алгоритмы компьютерного зрения, которые не часто преподаются в магистерских программах. Подобные инструменты будут становиться все более популярными в будущем, поэтому изучение их на буткемпе чрезвычайно полезно. Учебные курсы будут предоставлять участникам различные услуги по развитию карьеры, такие как коучинг на собеседовании, который может быть невероятно полезен для получения вашей первой должности после «выпуска». Изящный опыт, в котором меня недавно пригласили принять участие, был «демонстрационным днем» на буткемпе по науке о данных. Фармацевт, с которым я познакомился через LinkedIn (который проводил учебный курс по науке о данных), пригласил меня на этот демонстрационный день. Для участников буткемпа это была прекрасная возможность поделиться тем, что они узнали, и стать более уверенными в своих навыках презентации. Представление своей работы клиницистам и администрации - одна из самых важных частей работы в области науки о данных, поэтому приобретение этих навыков абсолютно необходимо.

-'S (недостатки)

Есть несколько недостатков в проведении учебного курса, как и в любом из вариантов, о которых я рассказываю в этой статье или в статье о высшем образовании. Специфика учебных курсов - это представление некоторых практикующих инженеров-программистов и специалистов по обработке данных об этих программах, в первую очередь о том, что они недостаточно длинные или глубокие, чтобы обучать нужным навыкам в данной области. Я согласен с тем, что вы не можете научиться всему, что необходимо для работы, из учебного лагеря, но учебный лагерь дает вам отличное начало. Дополнительные навыки обычно приходят со временем и дополнительной практикой, которую вам может дать работа в области науки о данных. Я не могу сказать вам, сколько концепций в области науки о данных и программирования я изучил с тех пор, как работал в области науки о данных, с которой я никогда раньше не сталкивался. Если у вас есть хорошая основа (например, предоставленная учебным лагерем), вы действительно гораздо лучше подготовлены к тому, чтобы овладеть другими необходимыми навыками на работе. Вы, безусловно, можете внести свой вклад в успех команды, независимо от того, что скептически относятся к вашему опыту на буткемпе.

Другой недостаток, который я вижу, заключается в том, насколько хорошо проекты учебных курсов будут имитировать проекты, над которыми вы бы работали в области науки о данных. Это особенно сложно в здравоохранении, там не так много наборов данных, которые отражают то, как выглядят данные в моей работе в системе здравоохранения. Если вы проводите учебный курс по науке о данных, было бы разумно подумать о наборе данных, над которым вы пытаетесь выполнить проект, и сделать его таким, которым вы могли бы поделиться с специалистом по данным, который работает там, где вы хотели бы работать. В идеале проект должен быть достаточно похожим, чтобы его можно было преобразовать в собственные данные компании. Вы можете получить представление о том, какие наборы данных могут быть доступны в сети (опять же!) С специалистами по обработке данных, чтобы понять, как выглядят их данные, и получить предложения о том, какие наборы данных существуют, которые похожи. В ходе наших проектов мы также взаимодействуем с заинтересованными сторонами, чтобы задать им вопросы о текущих инструментах, которые они используют, и о том, что они хотели бы видеть в новом инструменте. Это было бы сложно воспроизвести, но развитие коммуникативных навыков путем взаимодействия с инструкторами, другими участниками буткемперов и налаживания контактов может помочь вам развить эти навыки.

Платформы онлайн-обучения / МООК

Если вы слышали меня в каком-либо из подготовленных мной подкастов о аптеках (здесь, здесь или здесь), вы, вероятно, слышали, что я рекомендовал начать заниматься наукой о данных с помощью платформ онлайн-обучения, таких как DataCamp. . DataCamp должен на 100% спонсировать меня тем, как много я говорю о платформе. Самое замечательное в этих платформах онлайн-обучения и МООК (массовых открытых онлайн-курсах) заключается в том, что большинство из них имеют разумную цену и есть ряд других, которые могут быть как раз подходящими для ваших нужд. Учебные курсы и степени образования, как правило, более жесткие и подходят для всех предложений, но онлайн-курсы могут играть несколько разных ролей. В настоящее время я даже использую DataCamp, чтобы они могли дополнить даже реальный опыт работы!

Популярными платформами онлайн-обучения являются DataCamp, edX, Coursera, Udacity, Udemy, Kaggle и DataQuest.

Соображения

Онлайн-курсы отлично подходят для тех, кто хочет двигаться в своем собственном темпе и не хочет ждать, пока инструктор раскроет следующую тему. На самых популярных платформах онлайн-классов все уроки, включая видео и практические задания, предварительно записаны, чтобы учащиеся могли выполнять их в своем собственном темпе. Они также идеально подходят, если вам нужно опробовать эту новую область и вы не уверены, что наука о данных является хорошим выбором для карьеры. Они требуют мало времени или финансовых вложений заранее. Некоторые программы также дадут вам представление о продолжительности каждого отдельного курса или трека (коллекции курсов), чтобы вы могли определить, сколько времени вам потребуется на изучение информации.

В группе онлайн-платформ, упомянутых при открытии раздела онлайн-программ, платформы предлагают широкий спектр цен и дополнительную помощь (трудоустройство). Мы перейдем к тем, которые указаны в разделах «+» и «-», но важно принять их во внимание, когда вы решите, какой путь выбрать в домене платформы онлайн-обучения. Платформы даже различаются по тому, являются ли траектории обучения открытыми или окончательными. Например, Udacity предлагает свои классы в том, что они называют Nanodegrees. Вы выбираете и завершаете Nanodegree от Udacity, то есть определенное количество курсов с проектом в конце. После этого большинство студентов перестанут использовать платформу, если они не планируют получать Nanodegree по другому предмету, например, веб-дизайну. Напротив, такой сайт, как DataCamp, предлагает подписку на любые классы, которые вы хотите посещать, независимо от того, входит ли тема в определенный путь обучения. DataCamp предлагает треки (коллекции отдельных классов, которые направляют вас к определенной должности), но вы всегда можете брать индивидуальные уроки за пределами трека. Udacity Nanodegrees, как правило, статичны или выпускаются только с перерывами, тогда как DataCamp часто выпускает новые классы по широкому кругу тем.

+’s

Основное преимущество онлайн-платформы для обучения - это возможность самостоятельного обучения. Это отлично подходит для занятых профессионалов, таких как фармацевты, которые, возможно, не смогут пройти курс обучения или получить ученую степень; пойти в индивидуальный учебный курс гораздо удобнее. Это также отлично подходит для тех, у кого есть семья или другие временные обязательства. Одна из моих любимых вещей в онлайн-платформах - это скорость, с которой некоторые из них (или создатели их классов) создают новый контент. Учебные курсы и варианты высшего образования обычно полагаются на нескольких учителей, которые курируют / преподают контент. Такие платформы, как DataCamp, Coursera и Udacity, набирают или используют процесс, предназначенный для найма лучших преподавателей и специалистов по обработке данных для проведения занятий по их областям знаний. Это означает, что платформы могут выпускать много нового контента за один месяц. Разнообразие преподавателей также дает возможность изучать самые разные темы курса. В науке о данных есть так много тем, которые нужно изучить, включая git / контроль версий, Docker, машинное обучение, концепции разработки программного обеспечения, визуализацию и т. Д., Что ни один преподаватель не сможет создать контент для них. Онлайн-платформы также имеют практические проблемы и быструю проверку знаний, встроенных в их программу, чтобы вы могли закрепить концепции. Вы можете вернуться в будущее и выполнить эти упражнения, чтобы убедиться, что вы сохранили их с течением времени. Платформы онлайн-обучения, как правило, относятся к менее дорогостоящим, учитывая стоимость высшего образования в наши дни.

В целом, платформы онлайн-обучения, как правило, предоставляют быстрые, небольшие возможности обучения и часто имеют разумную цену, что делает их идеальными для студентов, тех, кто только начинает, и тех, кто не уверен, что наука о данных подходит им. Они также отлично подходят для изучения новых технологий для специалистов по данным.

-’s

Платформы онлайн-обучения ограничены по количеству направлений карьеры или трудоустройства, которые они могут предложить. Насколько мне известно, единственная платформа, которая предлагает услуги по развитию карьеры, - это Udacity. Udacity предлагает обзоры резюме и профилей LinkedIn, обзоры проектов портфолио на GitHub и услуги карьерного коучинга для участников Nanodegree. Это имеет гораздо более высокую цену, чем другие платформы, что является основным недостатком Udacity. Nanodegree стоит около 400 долларов в месяц, что включает в себя часть программы карьерных услуг. DataCamp для сравнения стоит 25 долларов в месяц без услуг поддержки карьеры. При выборе платформы вы должны учитывать эту часть уравнения.

В зависимости от платформы вам также может потребоваться больше практических навыков при планировании обучения. Coursera, edX и Udemy имеют ограниченную структуру траектории обучения с точки зрения того, с чего начать обучение и какие навыки развивать дальше. Эти платформы предлагают разовые курсы для изучения определенной темы. В платформу DataCamp и Udacity встроены схемы обучения. Nanodegree от Udacity - это тщательно продуманный путь обучения, от которого нельзя отклоняться, потому что эти классы - единственные, доступные вам. На мой взгляд, DataCamp предлагает отличное сочетание структурированных схем обучения и разовых курсов. DataCamp предлагает такие направления карьеры, как «Специалист по данным с Python» или «Ученый по машинному обучению с Python», в которых 23 класса составляют карьерный путь. Тем не менее, вы по-прежнему можете проходить разовые курсы, такие как Scala или контроль версий, с вашей платной подпиской. Выбирая платформу, подумайте, насколько вам нужна помощь в разработке плана обучения или обратитесь в Google, и посмотрите, сможете ли вы найти совет о том, что изучать в каком порядке - существует масса ресурсов!

Последний главный недостаток платформ - отсутствие реальных проектов, которые они предлагают. Если вы обратили внимание, я уже упоминал об этом для каждого варианта. Платформы онлайн-обучения отлично подходят для использования базовых наборов данных, чтобы научить вас основам (я смотрю на ваш набор данных радужной оболочки глаза), но эти данные не похожи на то, что вы видели бы в работе по науке о данных - они часто слишком упрощены, особенно для науки о данных в области здравоохранения. Я рекомендую вам снова найти более сложные наборы данных и поработать с ними над проектами после того, как вы изучите основы работы с простыми и понятными наборами данных. Варианты для науки о данных о здоровье включают Synthea и MIMIC. Изучите набор данных iris, расширьте свой опыт в Synthea / MIMIC.

ДОПОЛНИТЕЛЬНО: если вы хотите попробовать DataCamp непосредственно после этой статьи, вы можете использовать эту партнерскую ссылку, чтобы получить скидку на подписку.

Еще кое-что…

Я вкратце хотел включить один дополнительный вариант, который находится на границе между высшим образованием и курсом для начинающих или платформой онлайн-обучения. Это магистерская программа по науке о данных с открытым исходным кодом, из которых я встречал две. Первый, с которым я столкнулся много лет назад, связан здесь, а более свежий, о котором я был проинформирован (привет Брайану Хендерсону), связан здесь. У этих программ есть ресурсы из лекций о высшем образовании, а также онлайн-ресурсы, такие как Udacity, Udemy и другие. Он предлагает лучшее из обоих миров и дешев, если вообще стоит. Вам по-прежнему нужно будет работать над сетями и работать над проектом, чтобы повысить свои шансы на получение должности в области науки о данных, но это должно предоставить вам более простой путь обучения.

Заворачивать

В этой статье мы определили варианты без высшего образования, которые доступны для изучения навыков работы с данными. Мы рассмотрели учебные курсы и онлайн-ресурсы в качестве доступных вариантов. Эти программы обычно позволяют повысить квалификацию быстрее, чем варианты высшего образования, такие как степень магистра или сертификат. Кроме того, они обычно стоят меньше, чем варианты высшего образования. Учебные курсы отлично подходят для иммерсивного опыта, когда вы более чем уверены, что наука о данных станет для вас карьерой. Bootcamp, как правило, заставляет вас учиться, используя современные рамки, которых обычно не хватает в высшем образовании, в зависимости от ваших профессоров. Платформы онлайн-обучения лучше всего подходят для вашего собственного прогресса, и большинство из них намного дешевле, чем любые другие варианты, которые обсуждались в этой или статье о высшем образовании.

Прохождение учебного курса или онлайн-платформы для обучения не должно освобождать вас от работы над портфельными проектами или от работы в сети с специалистами по данным в желаемой отрасли. Проекты учебных курсов для начинающих и платформ онлайн-обучения часто - это не те проблемы, которые вам нужно решать в реальном мире, поэтому вам следует убедиться, что у вас есть проекты, которые будут полезны вашему будущему работодателю. В своей собственной отрасли (здравоохранение) я могу привести пример того, что многие системы здравоохранения не работают активно над проблемами компьютерного зрения, например, снабжая радиологов или дерматологов современными алгоритмами. Наша самая распространенная модель в моей системе здравоохранения - это случайный лес. Важно согласовать свои проекты с тем, что будет полезно для вашей организации. Налаживание контактов с аналитиками данных в вашем районе - вероятно, один из самых простых способов ускорить поиск работы. Если нанимающий руководитель группы по науке о данных видел вашу работу или понимал вашу страсть к науке о данных, он с гораздо большей готовностью рискнет и наймет вас. Вам не обязательно становиться их лучшим другом, но один или два разговора будут иметь большое значение. Проекты и сети имеют решающее значение для вашего успеха в науке о данных.

О каком еще контенте вы бы хотели, чтобы я писал? Дайте мне знать в комментариях или свяжитесь со мной в LinkedIn!

-Дальтон