Article original : How to transition your career into Data Science — even if you don’t code today.
Par Sam Chow, PhD
(Vous n'avez pas le temps de tout lire ? J'ai résumé l'article entier dans la section conclusion !)
Pendant mon doctorat en psychologie organisationnelle, je me surprenais souvent à lire sur la Data Science — en pensant qu'il serait vraiment cool d'être un data scientist... Mais à l'époque, je ne savais pas écrire une seule ligne de code, alors j'ai mis ce rêve de côté pour une autre vie.
Mes inquiétudes concernant l'apprentissage de la data science se présentaient sous deux formes : 1) Les data scientists codent, moi non, je n'en deviendrai jamais un, et 2) Je fais un doctorat dans un domaine sans rapport, pourquoi tout jeter ?
C'est à cette époque que je parcourais LinkedIn et que j'ai remarqué une mise à jour : mon ami qui avait travaillé comme recruteur pendant 5 ans avait obtenu un poste chez Google.
Curieux d'apprendre les secrets pour décrocher un emploi de développeur logiciel chez Google sans avoir de diplôme lié de Stanford ou du MIT, je me suis assis avec lui pour prendre un café.
J'étais excité.
Peut-être que c'est ici que je pourrais apprendre les secrets d'une transition de carrière vers la Data Science ?!
J'ai apporté mon stylo préféré et mon carnet.
Je m'attendais à entendre l'équivalent des « 5 moyens faciles de devenir Data Scientist chez Google » et à avoir un moment de révélation.
Je n'ai rien entendu de tel.
Son secret ?
Il s'est engagé dans des communautés sur freeCodeCamp et a commencé par des tutoriels de base sur la programmation. Il a appris les bases du codage, puis est passé à la construction de petits projets. Il s'est ensuite immergé dans la communauté et a commencé à construire des produits plus ambitieux. Deux ans plus tard, et après avoir consacré quelques heures par semaine, il a pu décrocher son emploi de rêve chez Google.
Je m'égare.
Au lieu de me sentir vaincu parce qu'il n'y avait pas de secret pour transitionner ma carrière, je me suis senti inspiré.
Alors j'ai fait un pacte avec moi-même.
Je consacrerais 5 heures de mon temps par semaine à apprendre à coder, à lire sur la data science et à faire taire les doutes que j'avais sur tout cela.
Cela dit, voici les 5 conseils que j'ai trouvés les plus utiles lors de mon parcours pour devenir Data Scientist.
Conseil 1 : Apprenez à parler et à penser comme un Data Scientist
La première étape la plus importante est de parler et de penser comme un Data Scientist. Que signifie cela ? Tout d'abord, apprenez comment les data scientists parlent. Quels termes utilisent-ils fréquemment (par exemple, scikitlearn, matrix-factorization, eigenvectors) ? N'ayez pas peur, prenez simplement des notes sur les mots que vous ne comprenez pas. Pourquoi ? Apprendre le vocabulaire est la première étape pour apprendre et communiquer en data science.
Apprendre le vocabulaire de la data science optimisera votre taux d'apprentissage (..vous avez compris le jeu de mots..? ha..ha?)
En connaissant le vocabulaire, vous pourrez utiliser Google à son plein potentiel. Par exemple, si vous apprenez l'Analyse en Composantes Principales (PCA) et que vous devenez frustré parce que tous les articles que vous lisez sont trop techniques, sachez que la PCA est une technique de réduction de dimension et effectuez une nouvelle recherche Google pour obtenir des résultats entièrement nouveaux.
Souvent, votre capacité à apprendre est limitée par ce que vous ne savez pas (..confus, hein ?).
Trouver un article qui est d'un niveau inférieur et moins abstrait est la clé pour combler les lacunes dans vos connaissances.
Connaître plusieurs termes pour la même technique/idée est la clé pour développer une compréhension approfondie du sujet.
Voici une liste de ressources que j'ai utilisées pour apprendre à parler comme un Data Scientist :
- https://www.reddit.com/r/dataisbeautiful : C'était ma ressource la plus inspirante pour devenir Data Scientist. Les redditors publient des applications cool qu'ils ont construites et parlent de la façon dont ils l'ont fait. Parfois, ils publient leur Github !
- https://www.kaggle.com/c/ga-customer-revenue-prediction/kernels : Si vous avez passé du temps à lire sur la Data Science, alors vous avez probablement entendu parler de Kaggle. La partie la plus importante de Kaggle pour un aspirant Data Scientist est la section « Kernels ». Ici, les Kaggler's publient leurs solutions aux problèmes posés par la compétition. Passez au moins une heure de votre temps à taper et coder leur solution — pratiquez en tapant chaque ligne, ligne par ligne dans votre propre Jupyter Notebook. Exécutez le code et voyez ce qui se passe (par exemple, vous rencontrerez des erreurs parce que vous n'aurez pas certaines bibliothèques ou dépendances installées, ce qui m'amène à mon troisième point).
- https://stackoverflow.com/ : Chaque fois que vous avez une question sur des sujets liés à la Data Science, rendez-vous sur Stackoverflow et effectuez une recherche. Apprenez comment les gens posent des questions sur des sujets liés à la Data Science. À ce niveau, il est probable que toutes vos questions aient des réponses, donc une recherche devrait suffire.
Conseil 2 : Participez aux défis Kaggle
J'ai un peu évoqué cela plus tôt, mais apprendre en faisant est finalement la meilleure façon d'apprendre. Passez du temps à regarder les kernels dans les compétitions Kaggle pour apprendre comment d'autres Kaggler's ont abordé la compétition. Au début, cela sera extrêmement décourageant, vous ne comprendrez pas 95 % du code que vous lisez, et encore moins, vous ne pourrez probablement pas exécuter le code sur votre propre ordinateur même après l'avoir cloné.
C'est là que vous devez être persévérant.
Vous n'allez rien apprendre si vous vous frustrez, alors habituez-vous progressivement à ces défis et bientôt vous serez capable de comprendre les kernels que vous lisez.
Rappelez-vous, lorsque vous fixez des objectifs, soyez réaliste (par exemple, objectifs SMART) : Spécifiques, Mesurables, Atteignables, Réalistes, Temporels (SMART).
En d'autres termes, ne pensez pas que vous lirez les kernels Kaggle en une semaine. Donnez-vous un objectif spécifique, réaliste et temporel —
« Je serai capable de comprendre comment fonctionne train/test/split d'ici la fin de cette semaine. »
Fixez-vous de petits objectifs, écrivez-les et cochez-les lorsque vous les atteignez. Lorsque vous vous sentez frustré, revenez à ces cocheckmarks et voyez le chemin parcouru depuis hier.
Conseil 3 : Trouvez votre propre projet en Data Science
Trouvez un projet qui vous passionne, qu'il s'agisse d'un problème que vous aimeriez résoudre ou d'une bibliothèque que vous aimeriez apprendre — transformez cela en un projet que vous mettrez sur votre GitHub comme pièce de portfolio.
Trouver un problème se fait mieux à travers des conversations. Engagez-vous avec votre communauté, vos amis ou... même des inconnus. Découvrez ce qui les dérange, ou parlez-leur des idées que vous avez toujours eues.
Développez votre idée, rendez-la simple. Votre projet ne va pas changer le monde. La partie la plus importante ici est d'en commencer un.
Une fois que vous avez trouvé l'idée que vous aimeriez construire, dites-le à un ami ou faites un engagement public envers votre communauté (par exemple, un blog Medium) que vous allez le construire. Plus important encore, mettez en avant les fonctionnalités de votre application et le temps qu'il vous faudra pour la terminer (par exemple, 1 mois pour construire cette application).
Je me suis appuyé sur mon engagement envers mon groupe de pairs pour construire cette application de recommandation de cannabis qui génère des revenus aujourd'hui.
Lisez comment je l'ai construite sur Medium ici : Comment je l'ai construite
Si vous cherchez un projet, je rencontre souvent des entreprises à la recherche de travail pro bono. Connectez-vous avec moi sur LinkedIn et je trouverai le meilleur projet pour vos objectifs !
Conseil 4 : Postulez pour des emplois en Data Science
Attendez... attendez... quoi ?!
Vous pensez probablement que vous venez de commencer à apprendre la Data Science et que maintenant je vous dis de postuler pour des emplois. Qu'est-ce que... ?!
Si vous cherchez à décrocher un emploi en Data Science, vous devez apprendre à passer des entretiens en tant que Data Scientist.
Oui... C'est une compétence. Le recrutement et la sélection des Data Scientists aujourd'hui ne sont pas excellents, et vous devrez apprendre à bien passer des entretiens avant de pouvoir décrocher un emploi, alors commencez dès que possible.
À mon avis, vous êtes prêt à passer des entretiens lorsque vous pouvez parler comme un data scientist.
Ne vous inquiétez pas des évaluations de codage en direct ou des questions liées à la Data Science pour l'instant, vous avez 99 % de chances d'échouer à ces entretiens à ce stade.
Vous voulez échouer.
Vous voulez prendre des notes sur les questions que vous obtenez.
Vous voulez apprendre comment les entretiens sont menés.
Votre objectif ici est de devenir bon en entretien, car vous êtes encore loin de décrocher un emploi étant donné vos compétences en Data Science.
Avant de commenter ce conseil, écoutez-moi !
Vous devriez parler comme un data scientist dans les 6 mois en y consacrant 5 heures par semaine. Vous êtes probablement encore à 1,5 an de décrocher un emploi en tant que data scientist. Postuler pour des emplois maintenant vous donne une compréhension de la façon dont tout le processus fonctionne. Vous apprendrez ce que vous devez apprendre pour bien passer des entretiens plus tard. De plus, vous ne brûlez aucun pont.
Re-postuler pour un emploi où vous avez échoué à un entretien est souvent flatteur pour un recruteur, surtout si vous revenez et que vous êtes 100 fois meilleur que l'année précédente.
Par exemple, lors de l'un de mes premiers entretiens pour un poste de data scientist, on m'a demandé : « Qu'est-ce qu'un R-carré négatif ? ». J'ai pensé... Wtf ? Le R-carré ne peut pas être négatif. Alors j'ai continué à parler à l'intervieweur de ce que je pensais que c'était.
Deux ans plus tard, j'ai reçu la même question d'un autre intervieweur.
Parce que j'avais cherché la réponse deux ans plus tôt, j'ai pu sourire et fournir une réponse.
L'intervieweur m'a dit plus tard qu'il n'avait jamais entendu une réponse aussi succincte et clairement communiquée.
Avoir votre propre projet vous motivera à le terminer car il peut figurer dans votre portfolio et montrer vos compétences aux entreprises potentielles.
Conseil 5 : Réseautage... Réseautage... Et Réseautage
Vos chances de décrocher un emploi en tant que data scientist augmentent de manière exponentielle en fonction de la taille de votre réseau.
Le réseautage en personne est la meilleure façon d'élargir votre réseau de manière significative, cependant, il n'est pas toujours possible de participer à des événements de réseautage.
Le deuxième meilleur scénario est LinkedIn.
Créer des connexions significatives sur LinkedIn est aussi simple que de trouver des personnes dans votre secteur, de leur envoyer un message et de rester à jour avec leurs actualités.
L'élément crucial que les gens manquent concernant les opportunités sur LinkedIn est qu'ils ne laissent pas les autres savoir qu'ils sont ouverts aux opportunités.
J'ai trouvé un grand succès en ajoutant : « Ouvert aux nouvelles opportunités » dans mon titre LinkedIn.
De plus, Medium supporte un excellent réseau de Data Scientists qui, je suis sûr, seraient heureux de se connecter. Vous avez lu un article cool ? Trouvez l'auteur sur LinkedIn et discutez avec lui des opportunités futures !
Je travaille comme consultant en Data Science et je rencontre de nombreuses opportunités (principalement à Toronto). Faites-moi savoir qui vous êtes sur LinkedIn et je serais heureux de vous connecter à une entreprise intéressée !
Trouvez-moi ici : LinkedIn
Conclusion
Une transition de carrière n'est jamais facile, surtout si vous venez de commencer votre parcours. Pendant ma transition, j'ai gardé cette citation proche de mon cœur :
« Le meilleur moment pour commencer était hier, le prochain meilleur moment est MAINTENANT. »
Le fait que vous ayez lu cet article entier et que vous soyez engagé avec cette phrase aujourd'hui devrait vous montrer que vous êtes prêt à commencer votre transition.
Je suis toujours heureux d'aider un futur data scientist en transition, alors faites-moi savoir comment je peux vous aider !
Pour résumer l'article entier en quelques points :
- Apprenez à parler et à penser comme un data scientist
- Participez aux défis Kaggle
- Trouvez votre propre projet en Data Science
- Postulez pour des rôles en Data Science... Passez des entretiens, échouez... Recommencez
- Réseautage