Ne vous inquiétez pas, la partie la plus difficile est de commencer

Commencer

Nous sommes exposés à des flots apparemment infinis d’avis de carrière dans le domaine de la data science, mais il y a un sujet qui ne suscite pas assez d’amour: les projets parallèles. Les projets annexes sont géniaux pour de nombreuses raisons, mais j’aime bien comment Julie Zhuo l’exprime dans le simple diagramme de venn ci-dessous:

 
Source de l’image

Les projets annexes servent à appliquer la data science dans un environnement moins axé sur les objectifs que celui que vous rencontrez probablement au travail ou à l’école. Ils offrent la possibilité de jouer avec les données comme bon vous semble, tout en acquérant des compétences pratiques en même temps.

En plus d’être très amusants et un excellent moyen d’acquérir de nouvelles compétences, les projets parallèles vous aident également à améliorer vos chances de postuler à des emplois. Les recruteurs et les gestionnaires aiment voir les projets qui montrent que vous êtes intéressé par les données d’une manière qui dépasse les cours et l’emploi.

Le problème

Avez-vous déjà voulu démarrer un nouveau projet mais vous ne pouvez pas décider quoi faire? Tout d’abord, vous passez quelques heures à réfléchir à des idées. Puis des jours. Avant de vous en rendre compte, des semaines se sont écoulées sans que rien ne soit expédié.

Ceci est extrêmement courant pour les projets autonomes dans tous les domaines; la data science n’est pas différente.

. J’ai trouvé que la partie la plus difficile d’un projet de science des données consiste à démarrer et à décider de la voie à suivre.

Dans ce billet, mon intention est de vous fournir des conseils et des ressources utiles pour vous aider à vous lancer dans votre prochain projet de data science.

Considérations

Avant de passer rapidement aux ressources ci-dessous, il y a quelques petites choses à noter quand on pense à des projets de data science.

Tes objectifs

La data science est un domaine extrêmement diversifié. Cela signifie qu’il est pratiquement impossible de regrouper tous les concepts et outils dans un seul projet. Vous devez choisir les compétences que vous souhaitez développer davantage. Quelques exemples pertinents pourraient inclure:

  • Apprentissage automatique et modélisation
  • L’analyse exploratoire des données
  • Métriques et expérimentation
  • Visualisation et communication de données
  • Data mining et nettoyage

Notez qu’il est difficile d’intégrer tous les concepts, mais que vous pouvez en associer quelques-uns. Par exemple, vous pouvez extraire des données pour une analyse exploratoire, puis les visualiser de manière intéressante.

En gros, si vous voulez devenir un ingénieur en machine learning plus efficace, il y a de fortes chances que vous n’accomplissiez pas cela en réalisant un projet de visualisation de données. Votre projet doit refléter vos objectifs. De cette façon, même si rien n’explose ni ne débouche sur des idées novatrices, vous remportez toujours une victoire et un tas de connaissances appliquées à démontrer.

Vos intérêts

Comme nous en avons déjà parlé, les projets annexes devraient être agréables. Que nous en soyons conscients ou non, nous nous posons tous des centaines de questions par jourEssayez d’accorder un peu plus de temps que d’habitude à ces questions. Vous serez surpris par ce qui se passe. Vous verrez peut-être que vous êtes un peu plus créatif et intéressé par certaines choses que vous pensiez.

Appliquez maintenant ceci à votre prochain projet de data science. Êtes-vous curieux de savoir comment classer vos courses du matin ? Vous voulez savoir quand et comment Trump tweete ce qu’il fait? Intéressé par les plus grandes merveilles d’un hit de l’ histoire du sport ?

Les possibilités sont vraiment infinies. Laissez vos intérêts, vos curiosités et vos objectifs guider votre prochain projet. Une fois que vous avez coché ces cases, inspirons-nous.

 
Source de l’image

Inspiration

. Il y a toujours d’autres personnes partageant les mêmes intérêts et objectifs, si vous regardez suffisamment fort. Cet effet peut être incroyablement puissant pour l’idéation.

“Rien n’est original. Volez de n’importe où qui résonne avec l’inspiration ou nourrit votre imagination. « – Jim Jarmusch

Trouvez des projets que vous aimez ou admirez, puis mettez-y votre propre touche. Utilisez-les comme points de départ pour générer un nouveau travail original qui reste seul. Voici certaines de mes ressources d’inspiration préférées:

Les données sont belles

Je pourrais passer des heures à parcourir ce sous-répertoire de visualisations de données. Vous serez intéressé par toutes les idées uniques et les questions que les gens imaginent. Il y a aussi un défi mensuel où un jeu de données est choisi, et les utilisateurs sont chargés de le visualiser de la manière la plus efficace possible. Trier par meilleur tout le temps pour une gratification instantanée.

Kaggle

Je m’en voudrais de ne pas mentionner l’enfant de l’affiche de la data science en ligne. Il y a plusieurs façons d’utiliser efficacement Kaggle comme source d’inspiration. Tout d’abord, vous pouvez examiner les ensembles de données sur les tendances et réfléchir à des moyens intéressants d’exploiter les informations. Si vous êtes plus intéressé par le machine learning et les exemples eux-mêmes, la fonctionnalité des noyaux s’est améliorée de mieux en mieux avec le temps.

Le pudding

Il est vrai que les essais visuels sont une forme de journalisme émergente. Le Pudding incarne ce mouvement comme nul autre. L’équipe utilise des ensembles de données originaux, des recherches principales et l’interactivité pour explorer des tonnes de sujets intéressants.

Cinq Trente Huit

Un classique, mais toujours bon à ce jour. Je veux dire, allez, Nate Silver est l’homme. Le blog axé sur les données aborde tout, de la politique au sport en passant par la culture. Sans oublier, ils viennent de réorganiser leur page d’ exportation de données bien améliorée .

Vers la data science

Enfin, je tiens à féliciter l’ équipe TDS pour avoir réuni cette communauté de personnes intelligentes, passionnées par la réalisation de nombreux objectifs et aidant les autres à se développer dans le domaine des données. Parcourir des histoires récentes vous apportera plus que quelques idées de projets intéressantes chaque jour.

Emballer

Les projets annexes m’ont non seulement énormément aidé tout au long de mon développement, mais ils sont aussi généralement très amusants. Récemment, de plus en plus de contenu génial a été publié sur les portefeuilles de science des données. Si vous êtes intéressé, je vous recommande vivement de consulter les liens suivants:

Le plus difficile est de commencer. J’espère que les astuces et les ressources ci-dessus vous aideront à mener à bien et à envoyer votre prochain projet de data science.

? Ebook gratuit : 7 soft skills essentiels pour devenir Data Scientist

? Cet article peut intéresser un ami(e), partagez lui

? Participe gratuitement à nos prochains Meetup

La note globale de cet article est
[Total: 0 Average: 0]
Est-ce que cet Article vous a été utile? Utile Pas utile
Partager cet article