درود دوستان عزیز
انشالله از پنجشنبه اول تیرماه کانال رو به طور رسمی شروع میکنم و هر طور طبق برنامه پست منتشر میکنم.
برای امروز، اگه با پادکست آدمهای معمولی که من میزبانش هستم آشنا باشید، چند تا اپیزودش که با دوستان فعال در حوزه دیتا (دیتایاسنتیست، مهندس دیتا، و غیره) صحبت کردم که حرفهای خوبی از مسیر شغلی و مهاجرت شغلیشون زدند. اونا رو اینجا معرفی میکنم که اگه دوست داشتید ببینیدشون:
۱- اپیزود هشتم علی محمدی - دیتاساینتیست در استرالیا. مسیر علی از رشته برق به دیتاساینس و مهاجرت خیلی الهامبخش هست.
۲- اپیزود دوازدهم پویان جمشیدی - استاد دانشگاه کارولینای جنوبی. این اپیزود برای کسانی که دنبال مسیر آکادمیک هستن خیلی خوبه.
۳- اپیزود هجدهم حسام کرکی - مهندس داده در لوکزامبورگ. مسیر ناموفق اپلای تحصیلی حسام به آمریکا (نیومدن ویزا) و بعد چطور یه مهاجرت تمیز و موفق کاری داشتن خیلی عالیه.
۴- اپیزود نوزدهم سعید حاجی - مدیر پروژههای هوش مصنوعی در ایرلند. صحبتهای سعید خیلی عالی تلاش برای پیدا کردن و علاقه و رسالت در مسیر شغلی رو مطرح میکنه.
۵- اپیزود بیست و دوم محسن کامرانی - متخصص دواپس در استرالیا. اگه به دواپس علاقه دارید این اپیزود رو حتما ببینید.
۶- اپیزود بیست و سوم مهسا رضایی - کارآفرینی که از برق و دیتاساینس به کارآفرینی اجتماعی رسیدند. شاگرد اول دانشگاه شیراز با معدل ۲۰ باشی اما به جای دکتری برق و این چیزا از کارآفرینی اجتماعی سر در بیاری و ازش لذت ببری خیلی درسها رو به ما میده.
۷- اپیزود سی و سوم لیلا قايدی - دیتاساینتیست در آمریکا. قصه لیلا در این اپیزود خیلی الهامبخشه و اگه در مسیر شغلی دیتاساینس هستید خیلی براتون میتونه مفید باشه.
۸- اپیزود سی و هفتم حمیده ایرج - که از مهندسی صنایع به دیتاساینس و کوانتومکامپیوتینگ در استرالیا رسیدند. گشتن و تلاش حمیده خیلی الهامبخشه و حتما پیشنهاد میدم اپیزودش رو ببینید.
۹- اپیزود سی و هشتم علی میری - که اهل درس نبودند اما یه مهندس فروش موفق در آلمان هستند. اگه با درس و رشتهتون ارتباط برقرار نمیکنید اپیزود علی خیلی عالیه براتون. برای خود من یکی از بهترین اپیزودها بود اپیزود علی.
اپیزودهای دیگه هم پر از درس و تجربه هستند اگه دوست داشتید ببینیدشون.
انشالله از پنجشنبه اول تیرماه کانال رو به طور رسمی شروع میکنم و هر طور طبق برنامه پست منتشر میکنم.
برای امروز، اگه با پادکست آدمهای معمولی که من میزبانش هستم آشنا باشید، چند تا اپیزودش که با دوستان فعال در حوزه دیتا (دیتایاسنتیست، مهندس دیتا، و غیره) صحبت کردم که حرفهای خوبی از مسیر شغلی و مهاجرت شغلیشون زدند. اونا رو اینجا معرفی میکنم که اگه دوست داشتید ببینیدشون:
۱- اپیزود هشتم علی محمدی - دیتاساینتیست در استرالیا. مسیر علی از رشته برق به دیتاساینس و مهاجرت خیلی الهامبخش هست.
۲- اپیزود دوازدهم پویان جمشیدی - استاد دانشگاه کارولینای جنوبی. این اپیزود برای کسانی که دنبال مسیر آکادمیک هستن خیلی خوبه.
۳- اپیزود هجدهم حسام کرکی - مهندس داده در لوکزامبورگ. مسیر ناموفق اپلای تحصیلی حسام به آمریکا (نیومدن ویزا) و بعد چطور یه مهاجرت تمیز و موفق کاری داشتن خیلی عالیه.
۴- اپیزود نوزدهم سعید حاجی - مدیر پروژههای هوش مصنوعی در ایرلند. صحبتهای سعید خیلی عالی تلاش برای پیدا کردن و علاقه و رسالت در مسیر شغلی رو مطرح میکنه.
۵- اپیزود بیست و دوم محسن کامرانی - متخصص دواپس در استرالیا. اگه به دواپس علاقه دارید این اپیزود رو حتما ببینید.
۶- اپیزود بیست و سوم مهسا رضایی - کارآفرینی که از برق و دیتاساینس به کارآفرینی اجتماعی رسیدند. شاگرد اول دانشگاه شیراز با معدل ۲۰ باشی اما به جای دکتری برق و این چیزا از کارآفرینی اجتماعی سر در بیاری و ازش لذت ببری خیلی درسها رو به ما میده.
۷- اپیزود سی و سوم لیلا قايدی - دیتاساینتیست در آمریکا. قصه لیلا در این اپیزود خیلی الهامبخشه و اگه در مسیر شغلی دیتاساینس هستید خیلی براتون میتونه مفید باشه.
۸- اپیزود سی و هفتم حمیده ایرج - که از مهندسی صنایع به دیتاساینس و کوانتومکامپیوتینگ در استرالیا رسیدند. گشتن و تلاش حمیده خیلی الهامبخشه و حتما پیشنهاد میدم اپیزودش رو ببینید.
۹- اپیزود سی و هشتم علی میری - که اهل درس نبودند اما یه مهندس فروش موفق در آلمان هستند. اگه با درس و رشتهتون ارتباط برقرار نمیکنید اپیزود علی خیلی عالیه براتون. برای خود من یکی از بهترین اپیزودها بود اپیزود علی.
اپیزودهای دیگه هم پر از درس و تجربه هستند اگه دوست داشتید ببینیدشون.
YouTube
پادکست فارسی | علی محمدی - دیتا ساینتیست | مخترع | دکترای کنترل | کارشناس ادبیات | استاد دانشگاه
تغییر مسیر شغلی همیشه جزو پر استرسترین و مبهمترین کارهاست. اینکه به چه شغلی مسیرمون رو تغییر بدیم، چطور بفهمیم که آیا اون شغل مناسب ما هست، آیا درآمد و آینده خوبی داره، چطور براش آماده بشیم، در شروع با رزومه صفر با مسیر شغلی جدید چکار کنیم، و نهایتا چطور…
👍4
دوستان گرامی علاقهمند به حوزه دیتا
در اولین پست کانال بیایید به این موضوع بپردازیم که مسیر شغلی دیتا، حتی وقتی در موضوع خاصی در این حوزه مثل مهندسی داده یا دیتا ساینس و غیره ریز میشید، برای همه یکسان نیست.
پارامترهای مختلفی سبب میشه که این مسیر شغلی برای افراد مختلف متفاوت بشه و حتی برای یک نفر هم اگه مسیرش رو دوباره شروع کنه ممکنه شکل دیگری به خودش بگیره. علت این تفاوت عواملیه که در شکل گرفتن مسیر شغلی در حوزه داده موثر هستند. بیایید نگاهی بهشون بندازیم.
۱- بکگراند تحصیلی: ملت از رشتههای مختلفی شامل مهندسی و علوم کامپیوتر، آمار و ریاضی (و رشتههای دیگر علوم)، اقتصاد، و حتی فیلدهایی مثل بیولوژی و حتی علوم انسانی ممکنه وارد حوزه دیتا بشن ... این تفاوت بکگراند باعث میشه نگاهشون به حل مسيله متفاوت باشه و همچنین کمک میکنه بتونن خودشون رو در جای متفاوتی از این صنعت جا بندازن ... که البته به این غنیتر شدن، همهگیری، و کابردیتر شدن علوم داده در صنعت و زندگی روزمره ما کمک زیادی کرده.
۲- مهارت و تخصص: مهارت و تخصصهایی که هر فرد داره اون رو سمت یه بخش از این مسیر شغلی میکشونه ... این که شما ماشین لرنینگ خوب بدونید ... یا کارهای آماری رو بهتر بتونید انجام بدید ... یا در ویژالایز کردن دادهها دستتون بهتر باشه ... و یا حتی با ابزارهای سر و سامان دادن به دادهها بتونید بهتر کار کنید شما رو در مسیر متفاوتی قرار میده. نکته مهم: یادتون نره مهم نیست کجای این صنعت باشید (دیتاساینتیست یا دینا آنالیست یا مهندسی داده یا مدیر هر کدام از این بخشها ...)، چیزی که مهمه اینه که بهش علاقه داشته باشید و در اون مهارت بالایی کسب کنید. بنابراین اینا بالا و پایین نداره و مقدمه و موخره همدیگه نیستند اگرچه ربطهایی به هم دارن.
۳- تجربه قبلی: تجربه قبلی میتونه مسیر شغلی شما رو به طور کل عوض کنه ... مثلا اگه تجربه بودن در صنعت سلامت رو داشته باشید و با دادههایی از اون جنس کار کرده باشید این برای شما فرصتهای شغلی بیشتری در اون صنعت ایجاد میکنه ... البته داشتن دانش در صنعت خاص همیشه مورد بحث بوده که آیا لازمه یا نه و آیا کمک به پیشرفت شغلی میکنه که پاسخش بله هست و اگر وارد صنعت خاصی در حوزه داده شدید کسب دانش تخصصی اون حوزه میتونه به رشدتون به عنوان فعال حوزه داده در اون صنعت کمک چشمگیری بکنه.
۴- علایق شخصی: این میتونه جهت شما رو در مسیر شغلیتون تغییر جدی بده ... این که مثلا به موضوعات تئوری در این حوزه بیشتر علاقه دارید، ... یا دوست دارید بیشتر کار عملی بکنید، ... یا حتی مدیریت فنی در این حوزه رو بیشتر دوست داشته باشید شما رو به جاهای مختلفی میبره.
همونطوری که در بخش مهارت نوشتم، بخش بهتر یا بدتری در مسیرهای شغلی حوزه داده نداریم ... همه چیز به خود شما، علاقهتون، و چیزی که در اون میتونید بهتر باشید بستگی داره. آخر سر مهم اینه که از کاری که میکنید خوشحال باشید چون این هم سبب رشدتون میشه و هم زندگی رو برای شما دلپذیرتر میکنه.
Join at @beyondalgorithms
در اولین پست کانال بیایید به این موضوع بپردازیم که مسیر شغلی دیتا، حتی وقتی در موضوع خاصی در این حوزه مثل مهندسی داده یا دیتا ساینس و غیره ریز میشید، برای همه یکسان نیست.
پارامترهای مختلفی سبب میشه که این مسیر شغلی برای افراد مختلف متفاوت بشه و حتی برای یک نفر هم اگه مسیرش رو دوباره شروع کنه ممکنه شکل دیگری به خودش بگیره. علت این تفاوت عواملیه که در شکل گرفتن مسیر شغلی در حوزه داده موثر هستند. بیایید نگاهی بهشون بندازیم.
۱- بکگراند تحصیلی: ملت از رشتههای مختلفی شامل مهندسی و علوم کامپیوتر، آمار و ریاضی (و رشتههای دیگر علوم)، اقتصاد، و حتی فیلدهایی مثل بیولوژی و حتی علوم انسانی ممکنه وارد حوزه دیتا بشن ... این تفاوت بکگراند باعث میشه نگاهشون به حل مسيله متفاوت باشه و همچنین کمک میکنه بتونن خودشون رو در جای متفاوتی از این صنعت جا بندازن ... که البته به این غنیتر شدن، همهگیری، و کابردیتر شدن علوم داده در صنعت و زندگی روزمره ما کمک زیادی کرده.
۲- مهارت و تخصص: مهارت و تخصصهایی که هر فرد داره اون رو سمت یه بخش از این مسیر شغلی میکشونه ... این که شما ماشین لرنینگ خوب بدونید ... یا کارهای آماری رو بهتر بتونید انجام بدید ... یا در ویژالایز کردن دادهها دستتون بهتر باشه ... و یا حتی با ابزارهای سر و سامان دادن به دادهها بتونید بهتر کار کنید شما رو در مسیر متفاوتی قرار میده. نکته مهم: یادتون نره مهم نیست کجای این صنعت باشید (دیتاساینتیست یا دینا آنالیست یا مهندسی داده یا مدیر هر کدام از این بخشها ...)، چیزی که مهمه اینه که بهش علاقه داشته باشید و در اون مهارت بالایی کسب کنید. بنابراین اینا بالا و پایین نداره و مقدمه و موخره همدیگه نیستند اگرچه ربطهایی به هم دارن.
۳- تجربه قبلی: تجربه قبلی میتونه مسیر شغلی شما رو به طور کل عوض کنه ... مثلا اگه تجربه بودن در صنعت سلامت رو داشته باشید و با دادههایی از اون جنس کار کرده باشید این برای شما فرصتهای شغلی بیشتری در اون صنعت ایجاد میکنه ... البته داشتن دانش در صنعت خاص همیشه مورد بحث بوده که آیا لازمه یا نه و آیا کمک به پیشرفت شغلی میکنه که پاسخش بله هست و اگر وارد صنعت خاصی در حوزه داده شدید کسب دانش تخصصی اون حوزه میتونه به رشدتون به عنوان فعال حوزه داده در اون صنعت کمک چشمگیری بکنه.
۴- علایق شخصی: این میتونه جهت شما رو در مسیر شغلیتون تغییر جدی بده ... این که مثلا به موضوعات تئوری در این حوزه بیشتر علاقه دارید، ... یا دوست دارید بیشتر کار عملی بکنید، ... یا حتی مدیریت فنی در این حوزه رو بیشتر دوست داشته باشید شما رو به جاهای مختلفی میبره.
همونطوری که در بخش مهارت نوشتم، بخش بهتر یا بدتری در مسیرهای شغلی حوزه داده نداریم ... همه چیز به خود شما، علاقهتون، و چیزی که در اون میتونید بهتر باشید بستگی داره. آخر سر مهم اینه که از کاری که میکنید خوشحال باشید چون این هم سبب رشدتون میشه و هم زندگی رو برای شما دلپذیرتر میکنه.
Join at @beyondalgorithms
👍4❤2
دوستانِ جان، چون در فراتر از الگوریتم قراره هر روز پستهای بلند (مثل پست قبل) + پستهای کوتاه داشته باشیم ...
نظرتون چیه پستهای طولانی رو ببریم در خبرنامه (روزانه در ایمیل دریافت کنید) و پستهای کوتاه رو در تلگرام داشته باشیم؟
نظرتون چیه پستهای طولانی رو ببریم در خبرنامه (روزانه در ایمیل دریافت کنید) و پستهای کوتاه رو در تلگرام داشته باشیم؟
Anonymous Poll
31%
بله، اینطوری ایده خوبیه و خوانایی بیشتره
57%
نه، همه چیز اینجا باشه بهتره
12%
برای من فرقی نداره و تصمیم با خودتون
فراتر از الگوریتم
دوستانِ جان، چون در فراتر از الگوریتم قراره هر روز پستهای بلند (مثل پست قبل) + پستهای کوتاه داشته باشیم ...
نظرتون چیه پستهای طولانی رو ببریم در خبرنامه (روزانه در ایمیل دریافت کنید) و پستهای کوتاه رو در تلگرام داشته باشیم؟
نظرتون چیه پستهای طولانی رو ببریم در خبرنامه (روزانه در ایمیل دریافت کنید) و پستهای کوتاه رو در تلگرام داشته باشیم؟
من اگه پستهای طولانیتر رو در ایمیل دستتون برسونم میتونیم بیشتر و بهتر بنویسم ... کلی لینک به متن اضافه کنم (در تلگرام هم میشه اما سختتره دیگه) و خلاصه پر بازدهتر خواهد بود ...
اینجا هم میتونم کلی پستهای casual تر براتون بنویسم ...
لذت میبرید چقدر دموکراسی داریم اینجا ... 😍
اینجا هم میتونم کلی پستهای casual تر براتون بنویسم ...
لذت میبرید چقدر دموکراسی داریم اینجا ... 😍
😁5
فراتر از الگوریتم
دوستانِ جان، چون در فراتر از الگوریتم قراره هر روز پستهای بلند (مثل پست قبل) + پستهای کوتاه داشته باشیم ...
نظرتون چیه پستهای طولانی رو ببریم در خبرنامه (روزانه در ایمیل دریافت کنید) و پستهای کوتاه رو در تلگرام داشته باشیم؟
نظرتون چیه پستهای طولانی رو ببریم در خبرنامه (روزانه در ایمیل دریافت کنید) و پستهای کوتاه رو در تلگرام داشته باشیم؟
درود و روز بخیر
جالبه که از بین ۳۰ رای، ۶۰ درصدتون میخواید همه چیز اینجا باشه و با ایمیل راحت نیستید ... این با مسیر شغلی دیتا همخوانی نداره چون اونجا بسیار کامیونیکیشن و خصوصا ارتباط ایمیلی مهم هست ... در پستها به اهمیتش میپردازم.
پس فعلا همینجا ادامه میدیم اما امیدوارم که خداوند شما رو به راه راست هدایت کنه 😃😇🥸
جالبه که از بین ۳۰ رای، ۶۰ درصدتون میخواید همه چیز اینجا باشه و با ایمیل راحت نیستید ... این با مسیر شغلی دیتا همخوانی نداره چون اونجا بسیار کامیونیکیشن و خصوصا ارتباط ایمیلی مهم هست ... در پستها به اهمیتش میپردازم.
پس فعلا همینجا ادامه میدیم اما امیدوارم که خداوند شما رو به راه راست هدایت کنه 😃😇🥸
❤4😁2
دیتا آنالیست و دیتا ساینتیست
مقایسه بین دو موقعیت شغلی دیتا آنالیست و دیتا ساینتیست و چه کسانی بهتره مسیر شغلی دیتا آنالیست رو انتخاب کنند
این دو موقعیت شغلی از مهمترین موقعیتهای فضای کاری دیتا هستند ... با این حال یه سری تفاوتهای ریزی دارن که از جنبههای زیر مقایسهشون میکنیم.
۱- مهارت:
🔹از دیتا آنالیستها انتظار میره که درک عمیقتری از آمار توصیفی، اصول ریاضیات و زبان SQL داشته باشند. اونا باید با ابزارهایی مثل اکسل، گوگلشیت، تبلو، مایکرواستراتژی و پاور بیآی هم آشنایی داشته باشند.
🔸در حالیکه دیتاساینتیستها باید درک بیشتری از آمار پیشرفته، جبر خطی، حساب دیفرانسیل و انتگرال، و زبانهای برنامهنویسی مثل پایتون و آر داشته باشند. اونها همچنین باید با آر استودیو، ژوپیتر نوتبوک، گوگل کو لب، و مبانی مرور کد هم آشنا باشند.
۲- تسکها:
🔹دیتا آنالیستها بیشتر کارشون ساختن چیزهای ملموس مثل دشبورد یا گزارش از روی دادهها هست تا بتونن برای افراد درگیر و سهیم در پروژه اینسایت ایجاد کنن …
🔸در حالیکه دیتا ساینتیستها تمرکز پژوهش-محوری دارن و مدلهای آماری و مبتنی بر یادگیری ماشینی از دادهها توسعه میدن. با اینکه این در حوزه داده کار و تسک خیلی مهمیه اما مثل کارهایی که دیتا آنالیستها انجام میدن خروجیش خیلی ملموس و به چشم دیدنی نیست.
۳- ارتقاء شغلی:
🔹مسیر ارتقاء شغلی برای دیتا آنالیستها مشخصتر و از پیش تعیین شدهتر هست.
🔸در حالیکه برای دیتا ساینتیستها به دلیل عدم رویه استاندارد، مسیر شغلی کمی مبهمتر هست و ارتقاء شغلی برای فعالان این حوزه سختتر و با با ابهام بیشتری روبرو هست.
اما موقعیت شغلی دیتا آنالیست ممکنه به دلایل زیر برای بعضی افراد مسیر شغلی مناسبتری باشه:
۱- سادگی ورود: ورود به مسیر شغلی دیتا آنالیست نسبت به دیتا ساینتیست سادهتر هست و موانع کمتری بر سر راهش هست. در حالیکه برای ورود به دیتا ساینتیست اغلب فوقلیسانس و گاهی حتی دکتری نیاز هست، برای دیتا آنالیستها مدرک لیسانس، بعضی وقتها یک سرتیفیکیت دوره آنلاین، و یا حتی کسی که یه سری خودآموزی کرده و یه سری پروژه انجام داده هم میتونه کفایت کنه.
۲- خروجی محسوس: اگه روحیاتتون جوریه که دوست خروجی کارتون محسوس باشه و بتونید ببینیدش و اینطوری بهتر با کارتون ارتباط برقرار میکنید دیتا آنالیست شدن احتمالا براتون انتخاب بهتری از دیتا ساینتیست شدن هست. همونطوری که در بخش قبل گفتیم اینجا شما خروجیهایی مثل دشبورد و گزارش و این چیزا درست میکنید.
۳- وظایف تعریف شده: چون در دیتا آنالیست وظایف تعریف شدهتر هستند … این کار مصاحبه و ورود به این مسیر شغلی رو سادهتر میکنه و ارتقاء شغلی هم در اون سادهتر خواهد بود.
در پایان باید بگم، که اینطور نیست که این یکی بهتر باشه و اون یکی بدتر … انتخاب مسیر شغلی درست به علایق شما، اینکه به پژوهش بیشتر علاقه دارید یا تولید خروجیهای مشخص و محسوس بستگی داره … پس اینطوری نیست که فکر کنید دیتا ساینتیستها خیلی خفنتر از دیتا آنالیستها هستند و حقوقشون ضرورتا بالاتره و دیتا آنالیستها بعد از ارتقاء میشن دیتا ساینتیستها …
درسته که دیتا ساینتیستها یه ذره بیس حقوقیشون بالاتر هست اما شما ممکنه دیتا آنالیست خفنتر و چیرهدستتری باشید، حقوق بیشتری بگیرید، و براتون موقعیتهای بیشتری باشه اما یه نفر دیگه نه صرفا یه دیتا ساینتیست معمولی باشه … پس سعی کنید با شناختن خودتون مسیر درست رو انتخاب کنید و توی اون خبره بشید …
میزان حقوق و موقعیت شغلی در هر دوی اینها هم به کشور، صنعتی که بهش وارد میشید، اندازه شرکت، و تجربهها و مهارتهای فردی بستگی داره. همچنین با این که حقوق برای ما ایرانیها خصوصاً یکی از مهمترین معیارها برای انتخاب موقعیت شغلی هست اما نباید این تنها میعار شما برای انتخاب باشه و باید به مواردی مثل میزان رضایت شغلی، علاقه به کاری که انجام میدید، فضا برای یادگیری و رشد، و همچنین تعادل بین کار و زندگی هم توجه داشته باشید. بعضی وقتها یه شغل با حقوق کمتر ممکنه به در نظر گرفتن این پارامترها موقعیت شغلی بهتری از آب در بیاد.
Join @beyondalgorithms
مقایسه بین دو موقعیت شغلی دیتا آنالیست و دیتا ساینتیست و چه کسانی بهتره مسیر شغلی دیتا آنالیست رو انتخاب کنند
این دو موقعیت شغلی از مهمترین موقعیتهای فضای کاری دیتا هستند ... با این حال یه سری تفاوتهای ریزی دارن که از جنبههای زیر مقایسهشون میکنیم.
۱- مهارت:
🔹از دیتا آنالیستها انتظار میره که درک عمیقتری از آمار توصیفی، اصول ریاضیات و زبان SQL داشته باشند. اونا باید با ابزارهایی مثل اکسل، گوگلشیت، تبلو، مایکرواستراتژی و پاور بیآی هم آشنایی داشته باشند.
🔸در حالیکه دیتاساینتیستها باید درک بیشتری از آمار پیشرفته، جبر خطی، حساب دیفرانسیل و انتگرال، و زبانهای برنامهنویسی مثل پایتون و آر داشته باشند. اونها همچنین باید با آر استودیو، ژوپیتر نوتبوک، گوگل کو لب، و مبانی مرور کد هم آشنا باشند.
۲- تسکها:
🔹دیتا آنالیستها بیشتر کارشون ساختن چیزهای ملموس مثل دشبورد یا گزارش از روی دادهها هست تا بتونن برای افراد درگیر و سهیم در پروژه اینسایت ایجاد کنن …
🔸در حالیکه دیتا ساینتیستها تمرکز پژوهش-محوری دارن و مدلهای آماری و مبتنی بر یادگیری ماشینی از دادهها توسعه میدن. با اینکه این در حوزه داده کار و تسک خیلی مهمیه اما مثل کارهایی که دیتا آنالیستها انجام میدن خروجیش خیلی ملموس و به چشم دیدنی نیست.
۳- ارتقاء شغلی:
🔹مسیر ارتقاء شغلی برای دیتا آنالیستها مشخصتر و از پیش تعیین شدهتر هست.
🔸در حالیکه برای دیتا ساینتیستها به دلیل عدم رویه استاندارد، مسیر شغلی کمی مبهمتر هست و ارتقاء شغلی برای فعالان این حوزه سختتر و با با ابهام بیشتری روبرو هست.
اما موقعیت شغلی دیتا آنالیست ممکنه به دلایل زیر برای بعضی افراد مسیر شغلی مناسبتری باشه:
۱- سادگی ورود: ورود به مسیر شغلی دیتا آنالیست نسبت به دیتا ساینتیست سادهتر هست و موانع کمتری بر سر راهش هست. در حالیکه برای ورود به دیتا ساینتیست اغلب فوقلیسانس و گاهی حتی دکتری نیاز هست، برای دیتا آنالیستها مدرک لیسانس، بعضی وقتها یک سرتیفیکیت دوره آنلاین، و یا حتی کسی که یه سری خودآموزی کرده و یه سری پروژه انجام داده هم میتونه کفایت کنه.
۲- خروجی محسوس: اگه روحیاتتون جوریه که دوست خروجی کارتون محسوس باشه و بتونید ببینیدش و اینطوری بهتر با کارتون ارتباط برقرار میکنید دیتا آنالیست شدن احتمالا براتون انتخاب بهتری از دیتا ساینتیست شدن هست. همونطوری که در بخش قبل گفتیم اینجا شما خروجیهایی مثل دشبورد و گزارش و این چیزا درست میکنید.
۳- وظایف تعریف شده: چون در دیتا آنالیست وظایف تعریف شدهتر هستند … این کار مصاحبه و ورود به این مسیر شغلی رو سادهتر میکنه و ارتقاء شغلی هم در اون سادهتر خواهد بود.
در پایان باید بگم، که اینطور نیست که این یکی بهتر باشه و اون یکی بدتر … انتخاب مسیر شغلی درست به علایق شما، اینکه به پژوهش بیشتر علاقه دارید یا تولید خروجیهای مشخص و محسوس بستگی داره … پس اینطوری نیست که فکر کنید دیتا ساینتیستها خیلی خفنتر از دیتا آنالیستها هستند و حقوقشون ضرورتا بالاتره و دیتا آنالیستها بعد از ارتقاء میشن دیتا ساینتیستها …
درسته که دیتا ساینتیستها یه ذره بیس حقوقیشون بالاتر هست اما شما ممکنه دیتا آنالیست خفنتر و چیرهدستتری باشید، حقوق بیشتری بگیرید، و براتون موقعیتهای بیشتری باشه اما یه نفر دیگه نه صرفا یه دیتا ساینتیست معمولی باشه … پس سعی کنید با شناختن خودتون مسیر درست رو انتخاب کنید و توی اون خبره بشید …
میزان حقوق و موقعیت شغلی در هر دوی اینها هم به کشور، صنعتی که بهش وارد میشید، اندازه شرکت، و تجربهها و مهارتهای فردی بستگی داره. همچنین با این که حقوق برای ما ایرانیها خصوصاً یکی از مهمترین معیارها برای انتخاب موقعیت شغلی هست اما نباید این تنها میعار شما برای انتخاب باشه و باید به مواردی مثل میزان رضایت شغلی، علاقه به کاری که انجام میدید، فضا برای یادگیری و رشد، و همچنین تعادل بین کار و زندگی هم توجه داشته باشید. بعضی وقتها یه شغل با حقوق کمتر ممکنه به در نظر گرفتن این پارامترها موقعیت شغلی بهتری از آب در بیاد.
Join @beyondalgorithms
👍6
دوستان این #کانال_جدید رو هم شروع کردم که به زودی محتوا منتشر میکنم. اگه براتون مفید هست لطفا بپیوندید. دوستان رو هم دعوت کنید لطفا. سپاس
https://t.me/SoloEdVentures
https://t.me/SoloEdVentures
Telegram
کسب و کار آموزشی یک نفره
کسب و کار آموزشی یک نفره یکی از بهترین راهها برای کسب درآمد از مهارتهامون، و رسیدن به درآمد غیرفعال و آزادی زمانی/مکانی است.
کارهای دیگر من رو اینجا ببینید:
https://linktr.ee/ard24ir
ارادتمند - علیرضا دهقانی
@a9lireza
کارهای دیگر من رو اینجا ببینید:
https://linktr.ee/ard24ir
ارادتمند - علیرضا دهقانی
@a9lireza
خوب یه خبر خوب داریم و یه خبر ناخوب (برای دوستان عاشق تلگرام و ضد ایمیل) ...
خبر خوب اینه که برای امروز مقاله ورود به مسیر شغلی دیتاساینس رو نوشتم که کاربردی و مفیده (خصوصا برای تازهکارها و کسانی که دارن شیفت شغلی میدن) ...
اما خبر ناخوب اینه که، همونطوری که در تصویر میبینید شده ۱۲۰۰ کلمه ... تازه هنوزم هست که بهش اضافه کنم) معنیش اینه که با پست در تلگرام با این جور محتوا کارمون نمیشه
پس تا ساعت ۱۶ ایران که پست رو منتشر میکنم وقت دارید عضو خبرنامه ایمیلی بشید تا مقاله رو دریافت کنید
https://beyondalgorithms.substack.com/
Join @beyondalgorithms
خبر خوب اینه که برای امروز مقاله ورود به مسیر شغلی دیتاساینس رو نوشتم که کاربردی و مفیده (خصوصا برای تازهکارها و کسانی که دارن شیفت شغلی میدن) ...
اما خبر ناخوب اینه که، همونطوری که در تصویر میبینید شده ۱۲۰۰ کلمه ... تازه هنوزم هست که بهش اضافه کنم) معنیش اینه که با پست در تلگرام با این جور محتوا کارمون نمیشه
پس تا ساعت ۱۶ ایران که پست رو منتشر میکنم وقت دارید عضو خبرنامه ایمیلی بشید تا مقاله رو دریافت کنید
https://beyondalgorithms.substack.com/
Join @beyondalgorithms
👍2
داشتن پورتفولیو برای فعالان حوزه دیتا خیلی مهمه. این پورتفولیو با سیوی تفاوت داره … (⏳ در آینده پست براش مینویسم)، این یعنی گیتهابتون + یه سری ویدیو که کارهایی که کردید رو تمیز در اونها توضیح دادید (⏳ تولید ویدیو رو بعدا بهش میپردازیم) و یه وبسایت ساده که همه چیز رو بیارید داخلش و ملت بتونن بدون شما بالا و پایینش کنن و به کارها و تواناییهای شما آشنا بشن …
وبسایت هانا یان هان (که در تصویر اسکرینشاتی ازش میبینید) یه پورتفولیوی خیلی ساده اما بسیار عالیه که میتونید ازش الهام بگیرید ...
در اولین ایمیل خبرنامه که امروز براتون ارسال میکنم به این مورد و نقشه راه مسیر شغلی دیتاساینس برای تازهکارها میپردازم. اگه عضو نشدید زودتر انجام بدید که ایمیل ساعت ۱۶:۰۰ ایران ارسال خواهد شد.
https://beyondalgorithms.substack.com/
Join @beyondalgorithms
وبسایت هانا یان هان (که در تصویر اسکرینشاتی ازش میبینید) یه پورتفولیوی خیلی ساده اما بسیار عالیه که میتونید ازش الهام بگیرید ...
در اولین ایمیل خبرنامه که امروز براتون ارسال میکنم به این مورد و نقشه راه مسیر شغلی دیتاساینس برای تازهکارها میپردازم. اگه عضو نشدید زودتر انجام بدید که ایمیل ساعت ۱۶:۰۰ ایران ارسال خواهد شد.
https://beyondalgorithms.substack.com/
Join @beyondalgorithms
👍3
چطور صنعت مناسب رو برای کار در حوزه دیتا انتخاب کنیم؟
۱- علایق و اشتیاقتون رو در نظر بگیرید و صنعتی رو انتخاب کنید که با اونها همخوانی داره ... اینطوری همیشه برای رشد و جلو رفتن با انگیزه خواهد بود. من مثلا اگر به دادههای بانکی علاقه ندارم وارد این حوزه شدن شاید برام جالب نباشه.
۲- ترندهای بازار رو در نظر بگیرید و ببینید کجاها فرصتهای شغلی بهتری وجود داره. بسته به کشور ممکنه صنایع مختلفی برای حوزه دیتا داغتر باشه ...
۳- به انتقال تجربه و دانشتون دقت کنید و ببینید در کدام صنعت اگه وارد بشید میتونید اون دانش رو با دیتاساینس ترکیب کنید تا کارهای بهتری انجام بدید. مثلا من اگه تجربه و تخصص مارکتینگ دارم کجا به عنوان دیتا ساینتیست وارد بشم این دانش مارکتینگ بهم کمک بیشتری میکنه.
Join @beyondalgorithms
۱- علایق و اشتیاقتون رو در نظر بگیرید و صنعتی رو انتخاب کنید که با اونها همخوانی داره ... اینطوری همیشه برای رشد و جلو رفتن با انگیزه خواهد بود. من مثلا اگر به دادههای بانکی علاقه ندارم وارد این حوزه شدن شاید برام جالب نباشه.
۲- ترندهای بازار رو در نظر بگیرید و ببینید کجاها فرصتهای شغلی بهتری وجود داره. بسته به کشور ممکنه صنایع مختلفی برای حوزه دیتا داغتر باشه ...
۳- به انتقال تجربه و دانشتون دقت کنید و ببینید در کدام صنعت اگه وارد بشید میتونید اون دانش رو با دیتاساینس ترکیب کنید تا کارهای بهتری انجام بدید. مثلا من اگه تجربه و تخصص مارکتینگ دارم کجا به عنوان دیتا ساینتیست وارد بشم این دانش مارکتینگ بهم کمک بیشتری میکنه.
Join @beyondalgorithms
👍5
سال اول دوره دکتری در ایرلند روزی با یکی از دوستان آیریش سال بالاتری حرف میزدم که اشاره کرد در دوران کارشناسی تحصیل درسی درباره تفکر نقاد داشتند ... همزمان به این فکر میکردم ما کجای برنامه آموزشیمون چنین درسهایی داریم ... چیزی یادم نیومد ...الان رو نمیدونم ولی اون زمان چنین چیزی نداشتیم ...
بعدا دیدم من روش فکریم خوشبختانه با تفکر نقاد همخوانی داره ... امادر طول کار بود که دیدم چقدر آشنایی با تفکر نقاد میتونه در مسیر مهندسی نرمافزار و دیتاساینس موثر باشه. تفکر نقاد نهادینه به ما توانایی آنالیز اطلاعات به صورت بیطرفانه (این خیلی مهمه) و همچنین قضاوتهای منطقی (این از اولی هم مهمتره) رو میده.
در مقاله ایمیلی فردا (ساعت ۱۶:۰۰) به اهمیت تفکر نقاد در مسیر شغلی حوزه داده و همچنین راههای تقویتش میپردازم. یادتون نره عضو #خبرنامه شده باشید:
https://beyondalgorithms.substack.com/
Join @beyondalgorithms
بعدا دیدم من روش فکریم خوشبختانه با تفکر نقاد همخوانی داره ... امادر طول کار بود که دیدم چقدر آشنایی با تفکر نقاد میتونه در مسیر مهندسی نرمافزار و دیتاساینس موثر باشه. تفکر نقاد نهادینه به ما توانایی آنالیز اطلاعات به صورت بیطرفانه (این خیلی مهمه) و همچنین قضاوتهای منطقی (این از اولی هم مهمتره) رو میده.
در مقاله ایمیلی فردا (ساعت ۱۶:۰۰) به اهمیت تفکر نقاد در مسیر شغلی حوزه داده و همچنین راههای تقویتش میپردازم. یادتون نره عضو #خبرنامه شده باشید:
https://beyondalgorithms.substack.com/
Join @beyondalgorithms
👍7
سال ۲۰۱۴ بود که پروفسور تاکئو کاناده که از خدایان بینایی ماشین و مشاور استارتاپمون بود رو یک هفته در دابلین داشتیم.
کلی برنامه ریخته بودیم … یکیش این بود که پروژههایی تیم R&D رو یکی یکی ارايه بدیم و از ایشون فیدبک بگیریم … در همون یکی دو تا ارائه اول بود که متحیر و مبهوت از این همه سوالی که ایشون در هر ارائه میپرسید شدم … به شدت فعالانه گوش میداد (بعدا در این باره مینویسم)، خیلی سوالهای خوبی و حتی گاهی پایه و باز هم حتی جاهایی که شک داشت رو میپرسید، …
وقتی پرسیدنها و گوش دادنهاش تموم میشد چیزی که میدیدید باورتون نمیشد … ایشون شروع به خلق میکرد … باید مینشستی و میدیدی که چطور با یه وایتبورد سفید شروع میکنه و نیم ساعت بعد حجم زیادی ایده رو پیرامون اون موضوع خلق میکنه … بهره بردن از ایشون در اون اقامت یک هفتهای در دابلین بزرگترین کلاس درس زندگی من بود …
یادمه بهشون گفتم کاش من چند سال پیش دکتری خونده بودم و دانشجوی شما میبودم …
تصویر بالا از ویدیوی معرفی سیستم EyeVision ایشون در مسابقات سوپر بول آمریکاست که به شکلی هیجان انگیز برای ما هم تعریف میکرد.
Join @beyondalgorithms
کلی برنامه ریخته بودیم … یکیش این بود که پروژههایی تیم R&D رو یکی یکی ارايه بدیم و از ایشون فیدبک بگیریم … در همون یکی دو تا ارائه اول بود که متحیر و مبهوت از این همه سوالی که ایشون در هر ارائه میپرسید شدم … به شدت فعالانه گوش میداد (بعدا در این باره مینویسم)، خیلی سوالهای خوبی و حتی گاهی پایه و باز هم حتی جاهایی که شک داشت رو میپرسید، …
وقتی پرسیدنها و گوش دادنهاش تموم میشد چیزی که میدیدید باورتون نمیشد … ایشون شروع به خلق میکرد … باید مینشستی و میدیدی که چطور با یه وایتبورد سفید شروع میکنه و نیم ساعت بعد حجم زیادی ایده رو پیرامون اون موضوع خلق میکنه … بهره بردن از ایشون در اون اقامت یک هفتهای در دابلین بزرگترین کلاس درس زندگی من بود …
یادمه بهشون گفتم کاش من چند سال پیش دکتری خونده بودم و دانشجوی شما میبودم …
تصویر بالا از ویدیوی معرفی سیستم EyeVision ایشون در مسابقات سوپر بول آمریکاست که به شکلی هیجان انگیز برای ما هم تعریف میکرد.
Join @beyondalgorithms
👍3
فراتر از الگوریتم
سال اول دوره دکتری در ایرلند روزی با یکی از دوستان آیریش سال بالاتری حرف میزدم که اشاره کرد در دوران کارشناسی تحصیل درسی درباره تفکر نقاد داشتند ... همزمان به این فکر میکردم ما کجای برنامه آموزشیمون چنین درسهایی داریم ... چیزی یادم نیومد ...الان رو نمیدونم…
مقاله رو تا نیم ساعت دیگه ارسال میکنم ... اگه هنوز عضو خبرنامه نشدید دست به کار بشید لطفا
https://beyondalgorithms.substack.com/
https://beyondalgorithms.substack.com/
Substack
Beyond Algorithms | Substack
Empowering Data Science Professionals: Unleashing the Power of Soft Skills for Success. Click to read Beyond Algorithms, a Substack publication. Launched 2 months ago.
👍2
هر سال، از اوایل ماه مارس، تقاضاهای فارغالتحصیلان ارشد رشتههای کامپیوتر و رشتههای مربوطه دستمون میرسه که درخواست کارآموزی تابستانی و عموما بدون حقوق دارند.
علت این اشتیاق و سرمایهگذاری (مادی و معنوی) فاصله موجود بین آموزشهایی دانشگاهی و موقعیتهای کاری در صنعت هست. این فاصله بین تحصیلات دانشگاهی و صنعت رو در ابعاد مختلف شامل تجربه عملی، اعتماد به نفس، نگرش، و سیوی میشه دید. کارآموزی (مناسب و درست) بهترین روش و فرصت برای پر کردن این فاصله و آماده شدن برای بازار کار هست. بنابراین اگر دانشجو هستید، یا تازه فارغالتحصیل، و یا کسی که میخواد تغییر مسیر شغلی به دیتاساینس بده خوبه حتما کارآموزی رو مورد نظر قرار بدید.
اما خیلی مهمه که برای کارآموزی انتخاب درستی داشته باشید (پولی بودنش در اولویت بعدی هست)، در طول دوره کارآموزی نگرش درستی داشته باشید (تلاش کنید تا میتونید خودتون تلاش کنید تا اینکه منتظر این باشید بهتون یاد بدن)، از تجربه افراد موجود در اون کمپانی (و نه ضرورتا سوپروایزتون) استفاده کنید، و نتورک خوبی بسازید.
در سال گذشته من ۲ تا کارآموز داشتم، اونی که به نظر سیوی بهتری داشت اصلا کاراموز خوبی از کار در نیومد ... اما اون یکی دیگه بسیار سختکوش بود و نهایتا در پایان کارآموزی بهش پیشنهاد کار دادیم و به تیم ما پیوست ... یکی فرصت رو از دست داد و دیگری از کاراموزی فرصتی برای رفتن به مرحله بعدی مسیر شغلیش استفاده کرد ...
موضوع کارآموزی، چگونگی پیدا کردن محل مناسب، چگونگی داشتن یک کارآموزی پرثمر و روش ساختن پورتفولیو و نتورک برای رفتن به اولین شغل پس از کارآموزی نکات مهمی هستند که در ایمیل بعدی بهشون میپردازم ... اگر عضو نشدید خبرنامه فراتر از الگوریتم رو از دست ندید ...
پینوشت: مهاجرت شغلی حوزه دیتا حتی برای دانشجوها جزو یکی از انتخابهای خوب مهاجرت هست ... کارآموزی راه دور خیلی میتونه به این مسیر کمک کنه.
Join @beyondalgorithms
علت این اشتیاق و سرمایهگذاری (مادی و معنوی) فاصله موجود بین آموزشهایی دانشگاهی و موقعیتهای کاری در صنعت هست. این فاصله بین تحصیلات دانشگاهی و صنعت رو در ابعاد مختلف شامل تجربه عملی، اعتماد به نفس، نگرش، و سیوی میشه دید. کارآموزی (مناسب و درست) بهترین روش و فرصت برای پر کردن این فاصله و آماده شدن برای بازار کار هست. بنابراین اگر دانشجو هستید، یا تازه فارغالتحصیل، و یا کسی که میخواد تغییر مسیر شغلی به دیتاساینس بده خوبه حتما کارآموزی رو مورد نظر قرار بدید.
اما خیلی مهمه که برای کارآموزی انتخاب درستی داشته باشید (پولی بودنش در اولویت بعدی هست)، در طول دوره کارآموزی نگرش درستی داشته باشید (تلاش کنید تا میتونید خودتون تلاش کنید تا اینکه منتظر این باشید بهتون یاد بدن)، از تجربه افراد موجود در اون کمپانی (و نه ضرورتا سوپروایزتون) استفاده کنید، و نتورک خوبی بسازید.
در سال گذشته من ۲ تا کارآموز داشتم، اونی که به نظر سیوی بهتری داشت اصلا کاراموز خوبی از کار در نیومد ... اما اون یکی دیگه بسیار سختکوش بود و نهایتا در پایان کارآموزی بهش پیشنهاد کار دادیم و به تیم ما پیوست ... یکی فرصت رو از دست داد و دیگری از کاراموزی فرصتی برای رفتن به مرحله بعدی مسیر شغلیش استفاده کرد ...
موضوع کارآموزی، چگونگی پیدا کردن محل مناسب، چگونگی داشتن یک کارآموزی پرثمر و روش ساختن پورتفولیو و نتورک برای رفتن به اولین شغل پس از کارآموزی نکات مهمی هستند که در ایمیل بعدی بهشون میپردازم ... اگر عضو نشدید خبرنامه فراتر از الگوریتم رو از دست ندید ...
پینوشت: مهاجرت شغلی حوزه دیتا حتی برای دانشجوها جزو یکی از انتخابهای خوب مهاجرت هست ... کارآموزی راه دور خیلی میتونه به این مسیر کمک کنه.
Join @beyondalgorithms
فراتر از الگوریتم pinned «درود دوستان عزیز انشالله از پنجشنبه اول تیرماه کانال رو به طور رسمی شروع میکنم و هر طور طبق برنامه پست منتشر میکنم. برای امروز، اگه با پادکست آدمهای معمولی که من میزبانش هستم آشنا باشید، چند تا اپیزودش که با دوستان فعال در حوزه دیتا (دیتایاسنتیست، مهندس…»
این هم اولین رادیوی لایو مبتنی بر هوش مصنوعی ...
با توجه به لوکیشنتون اخبار و هواشناسی، ترافیک و غیره رو آپدیت میکنه.
https://futurimedia.com/radiogpt/
صداها و گویندههای رادیو هم صداهای تولید شده با هوش مصنوعی هستند. یکیشون Fay هست :).
و تصور کنید اسپانسرشیپ رادیو و اینکه آگهیها از دریافتشون تا ادیت و انتشار همه میتونه توسط هوش مصنوعی و دیتاساینس انجام بشه.
رادیو جیپیتی بر پایه جیپیتی۴ و TopicPulse محصول شرکت Futuri توسعه داده شده ... میتونید با رادیوجیپیتی ایستگاه رادیویی اینترنتی راهبندازید بدون این که حتی یه کارمند استخدام کنید ... اینطوریه که به این لعنتی میگن disruptive technologies ...
Join @beyondalgorithms
با توجه به لوکیشنتون اخبار و هواشناسی، ترافیک و غیره رو آپدیت میکنه.
https://futurimedia.com/radiogpt/
صداها و گویندههای رادیو هم صداهای تولید شده با هوش مصنوعی هستند. یکیشون Fay هست :).
و تصور کنید اسپانسرشیپ رادیو و اینکه آگهیها از دریافتشون تا ادیت و انتشار همه میتونه توسط هوش مصنوعی و دیتاساینس انجام بشه.
رادیو جیپیتی بر پایه جیپیتی۴ و TopicPulse محصول شرکت Futuri توسعه داده شده ... میتونید با رادیوجیپیتی ایستگاه رادیویی اینترنتی راهبندازید بدون این که حتی یه کارمند استخدام کنید ... اینطوریه که به این لعنتی میگن disruptive technologies ...
Join @beyondalgorithms
👏2
درود ملت
اپیزود ۳۹ با شایان امیری طراح و توسعه دهنده بازی رو امروز جمعه ساعت ۱۸:۳۰ به وقت ایران از دست ندید که کلی حرف داریم بزنیم.
شایان فارغالتحصیل مهندسی کامپیوتر و ارشد هوش مصنوعی از دانشگاه خواجه نصیر هست که بیش از ده ساله در صنعت طراحی و توسعه بازی هست و سمتهای مختلف رو در این صنعت تجربه کرده. الان هم در لندن در همین حوزه مدیر محصول هست ...
این اپیزود میتونه بهتون کمک کنه ببینید مسیر شغلی طراحی و توسعه بازی به عنوان یک شاغل در حوزه دیتا میتونه براتون خوب باشه یا نه. اگه دوست دارید ساعت ۱۸:۳۰ به وقت ایران امروز جمعه روی لینک زیر به ما بپیوندید
https://www.youtube.com/watch?v=3Udnaj-sKo0
Join @beyondalgorithms
اپیزود ۳۹ با شایان امیری طراح و توسعه دهنده بازی رو امروز جمعه ساعت ۱۸:۳۰ به وقت ایران از دست ندید که کلی حرف داریم بزنیم.
شایان فارغالتحصیل مهندسی کامپیوتر و ارشد هوش مصنوعی از دانشگاه خواجه نصیر هست که بیش از ده ساله در صنعت طراحی و توسعه بازی هست و سمتهای مختلف رو در این صنعت تجربه کرده. الان هم در لندن در همین حوزه مدیر محصول هست ...
این اپیزود میتونه بهتون کمک کنه ببینید مسیر شغلی طراحی و توسعه بازی به عنوان یک شاغل در حوزه دیتا میتونه براتون خوب باشه یا نه. اگه دوست دارید ساعت ۱۸:۳۰ به وقت ایران امروز جمعه روی لینک زیر به ما بپیوندید
https://www.youtube.com/watch?v=3Udnaj-sKo0
Join @beyondalgorithms
❤1
فراتر از الگوریتم
خوب یه خبر خوب داریم و یه خبر ناخوب (برای دوستان عاشق تلگرام و ضد ایمیل) ... خبر خوب اینه که برای امروز مقاله ورود به مسیر شغلی دیتاساینس رو نوشتم که کاربردی و مفیده (خصوصا برای تازهکارها و کسانی که دارن شیفت شغلی میدن) ... اما خبر ناخوب اینه که، همونطوری…
در ایمیل (مقاله) توسعه مسیر شغلی حوزه دیتا برای تازهواردها اشاره کردیم یکی از مراحل پروژه انجام پروژههای شخصی (یا اصطلاحا self-project) هست. اما برای این که کار رو به بهترین شکل انجام بدید خوبه این مراحل رو طی کنید:
۱- پروژه مناسب و مرتبطی رو انتخاب کنید: پروژه باید با مسیر شغلی شما، صنعتی که میخواید واردش بشید، و اهداف شما همراه باشه. پروژه باید به اندازه کافی چالشی هم باشه تا به یادگیری شما کمک کنه.
۲- اهداف پروژه رو قبل از شروع مشخص کنید: قبل از شروع باید به وضوح بدونید این پروژه به چی میخواد برسه و چه مسئلهای رو حل کنه. این به تمرکز شما روی پروژه کمک میکنه.
۳- از دادههای واقعی استفاده کنید: استفاده از دادههای واقعی به شما چالشهای پیشپردازش دادهها رو براتون بوجود میاره و دانش بهتری میده.
۴- مسیر استاندارد دیتاساینس رو در پروژه دنبال کنید: اگه پروژهای که انجام میدید از مراحل اول جمعاوری داده و تمیز کردنشون و غیره تا ساختن مدل و ارزیابیاش و غیره رو شامل بشه این فرآیند به یادگیری شما کمک زیادی میکنه.
۵- کارتون رو داکیومنت کنید: از اونجاییکه ارائه و داکیومنت کردن یکی از کارهای مهم دیتاساینتیستها هست و خروجی کارشون رو اندازهگیری میکنه بسیار مهم و خوبه که این فرآیند رو در این پروژهها تجربه کنید و یاد بگیرید.
۶- خروجی پروژه رو ارايه بدید: این هم یکی از مهمترین مراحل کار یک دیتاساینتیست هست. در نتیجه در پروژههای شخصیتون حتما این کار رو بکنید تا یاد بگیرید ابزارهای این کار چیا هستن ...
۷- از ملت بخواید روی کارتون فیدبک بدهند: وقتی کار رو به فرمت مناسب ارائه کنید (مثلا به شکل ویدیو و بعد شیر کردنش در کامیونیتیهای مناسب و غیره) اینطوری میتونید از افراد در سطوح مختلف (نه صرفا افراد حرفهای ... چون فیدبک افراد تازهکار مثل خودتون هم مفید هستند و کمک زیادی میکنند) فیدبک بگیرید ...
۸- پروژه و همه متعلقاتش رو به پورتفولیوتون وارد کنید: اینجا همون جایی هست که همه (از شرکتها یا مشارکت در سخنرانیها و مشاوره و هر فرم دیگه همکاری که فکر کنید) میتونن شما و کارهاتون رو پیدا کنند. پس یادتون نره که به خوبی پروژه رو به پورتفولیوتون اضافه کنید.
یادتون نره که این سلف-پروژهها برای تولید محصول نیستند ... بلکه برای یادگیری هستند تا به شما کمک کنند و رشد کنید. همچنین یادتون نره که سلف-پروژهها صرفا برای تازهکارها نیست و شما در هر جایی از مسیر شغلی میتونید این کار رو در سطوح مختلف انجام بدید و ازش استفاده ببرید. خوبه که این کار رو به یه عادت تبدیل کنید و در بازههای زمانی مختلف (مثلا ماهی یک بار) انجامشون بدید.
روی هر مورد که سوال دارید در کامنت این پست بنویسید تا بحث کنیم.
Join @beyondalgorithms
۱- پروژه مناسب و مرتبطی رو انتخاب کنید: پروژه باید با مسیر شغلی شما، صنعتی که میخواید واردش بشید، و اهداف شما همراه باشه. پروژه باید به اندازه کافی چالشی هم باشه تا به یادگیری شما کمک کنه.
۲- اهداف پروژه رو قبل از شروع مشخص کنید: قبل از شروع باید به وضوح بدونید این پروژه به چی میخواد برسه و چه مسئلهای رو حل کنه. این به تمرکز شما روی پروژه کمک میکنه.
۳- از دادههای واقعی استفاده کنید: استفاده از دادههای واقعی به شما چالشهای پیشپردازش دادهها رو براتون بوجود میاره و دانش بهتری میده.
۴- مسیر استاندارد دیتاساینس رو در پروژه دنبال کنید: اگه پروژهای که انجام میدید از مراحل اول جمعاوری داده و تمیز کردنشون و غیره تا ساختن مدل و ارزیابیاش و غیره رو شامل بشه این فرآیند به یادگیری شما کمک زیادی میکنه.
۵- کارتون رو داکیومنت کنید: از اونجاییکه ارائه و داکیومنت کردن یکی از کارهای مهم دیتاساینتیستها هست و خروجی کارشون رو اندازهگیری میکنه بسیار مهم و خوبه که این فرآیند رو در این پروژهها تجربه کنید و یاد بگیرید.
۶- خروجی پروژه رو ارايه بدید: این هم یکی از مهمترین مراحل کار یک دیتاساینتیست هست. در نتیجه در پروژههای شخصیتون حتما این کار رو بکنید تا یاد بگیرید ابزارهای این کار چیا هستن ...
۷- از ملت بخواید روی کارتون فیدبک بدهند: وقتی کار رو به فرمت مناسب ارائه کنید (مثلا به شکل ویدیو و بعد شیر کردنش در کامیونیتیهای مناسب و غیره) اینطوری میتونید از افراد در سطوح مختلف (نه صرفا افراد حرفهای ... چون فیدبک افراد تازهکار مثل خودتون هم مفید هستند و کمک زیادی میکنند) فیدبک بگیرید ...
۸- پروژه و همه متعلقاتش رو به پورتفولیوتون وارد کنید: اینجا همون جایی هست که همه (از شرکتها یا مشارکت در سخنرانیها و مشاوره و هر فرم دیگه همکاری که فکر کنید) میتونن شما و کارهاتون رو پیدا کنند. پس یادتون نره که به خوبی پروژه رو به پورتفولیوتون اضافه کنید.
یادتون نره که این سلف-پروژهها برای تولید محصول نیستند ... بلکه برای یادگیری هستند تا به شما کمک کنند و رشد کنید. همچنین یادتون نره که سلف-پروژهها صرفا برای تازهکارها نیست و شما در هر جایی از مسیر شغلی میتونید این کار رو در سطوح مختلف انجام بدید و ازش استفاده ببرید. خوبه که این کار رو به یه عادت تبدیل کنید و در بازههای زمانی مختلف (مثلا ماهی یک بار) انجامشون بدید.
روی هر مورد که سوال دارید در کامنت این پست بنویسید تا بحث کنیم.
Join @beyondalgorithms
Beyond Algorithms
نقشه راه مسیر شغلی دیتاساینس برای تازهکارها
برای تازهکارها و کسانی که دنبال تغییر مسیر شغلی از رشتههای دیگر به حوزه دیتاساینس هستند
❤1
پلتفرمی برای یادگیری و توسعه مسیر شغلی دیتاساینس - کگل
کگل یکی از بهترین ابزارها و پلتفرمها برای یادگیری و ورود به مسیر شغلی دیتاساینس و حتی فراتر از اون رشد و پیدا کردن موقعیتهای شغلی و کسب و کاری در این حوزه است. بایید ببینیم چرا و از چه جهاتی کگل مهم هست:
۱- منابعی برای یادگیری: در کگل منابع رایگان زیادی برای یادگیری دیتاساینس شامل یادگیری پایتون، ماشین لرنینگ، دیتا ویژایزیشن، و اسکیوال میشه پیدا کرد. جالبیه این پلتفرم اینه که این منابع آموزشی عملی و پروژه محور همراه با دیتاستهای واقعی هستند که خیلی فرآیند یادگیری رو برای افراد تازه وارد به این حوزه بهتر و پربازدهتر میکنه.
۲- امکان شرکت در رقابتها: یکی از خوبیهای کگل اینه که در اون رقابتهای زیادی در حوزه ماشین لرنینگ وجود داره که شرکت در اونها برای همه آزاده. خوبی این رقابتها اینه که میشه چیزایی که در طول مسیر ورود به حوزه دیتاساینس یاد میگیریم رو روی دادههای عملی و یه مسئله واقعی پیاده کنیم تا آموختههامون رو به چالش بکشیم و نقاط ضعفمون رو پیدا کنیم.
۳- دسترسی به کامیونیتی: یکی از چیزهایی که به فرآیند یادگیری مهارتهای جدید کمک میکنه بودن در یه کامیونیتی و در جمع آدمهای مشابه خودت بودن هست. کامیونیتی کگل جاییه که میتونید سوال بپرسید، ایدههاتون با دیگران به اشتراک بزارید (و از ایدههای دیگران روی پروژهها آگاه بشید)، و روی پروژههایی که انجام میدید فیدبک بگیرید. دیدن پروژههای دیگران، خوندن کامنتها روی اونها، و مرور بحثهای فنی و غیرفنی که بین نفرات حاضر در کامیونیتی اتفاق میافته میتونه خیلی به مفیدتر بودن فرایند یادگیری و رشدمون کمک کنه.
۴- دسترسی به دیتاست: دیتاست خوب و دیتاست در صنایع مختلف (دادههای بانکی یا پزشکی یا صنعتی …) یکی از المانهای رشد در فضای دیتاساینس هست … کگل جاییه که در اون دیتاستهای مختلف به وفور وجود داره. این نه تنها به شما در انجام پروژهها کمک میکنه بلکه به آشناییتون با صنایع مختلف که دیتاساینسها در اون کار میکنن کمک میکنه تا بفهمید در مسیر شغلیتون در چه صنعتی و روی چه دادههایی بیشتر دوست دارید کار کنید.
۵- ساختن پورتفولیو: در پستهای قبلی به اهمیت داشتن یک پورتفولیو برای دیتاساینتیستها در هر سطحی که باشن زیاد اشاره کردیم. برای این کار انتخابهای زیادی دارید … از وبسایت خودتون گرفته تا گیتهابتون و غیره … یکی از پورتفولیوهای خوب برای شما پروفایلتون در وبسایت کگل میتونه باشه … (مثل جاهای مثل دریبل برای گرافیستها) بنابراین حضورتون در کگل و یه پروفایل که همه فعالیتهاتون، از پروژههایی که کار کردید تا کامنتهاتون و همه چیز رو میتونن ببین.
۶- امکان کدنویسی آنلاین: کگل یک پلتفرم کدنویسی نوتبوک آنلاین به نام کرنل داره که زبانهای آر و پایتون رو ساپورت میکنه و اونجا میتونید لایو کد بنویسید. خوبی این کار اینه که دیگران میتونن کدهاتون رو ببینن، نظر بدن، به عنوان پورتفولیو هم دیده بشه.
۷- دسترسی به آگهیهای شغلی: وقتی علاقهمندان به مسیر شغلی دیتاساینس روی پلتفرم کگل هستند و این همه کارهای جالب میکنن طبیعی خواهد بود که شرکتها هم اونجا رو جایی خوبی برای انتشار آگهیهای شغلیشون بدونند. در نتیجه با بودن در این پلتفرم این شانس رو دارید که در جریان موقعیتهای شغلی مختلف از کارآموزی و ریموت گرفته تا مهاجرت شغلی قرار بگیرید.
یک مزیت بزرگ دیگه بودن در کگل برای ما ایرانیها اینه که زبان انگلیسی در کار رو هم رشد میدیم. بنابراین حتی اگه زبانتون خوب نیست باز هم بودن در کگل رو حتما جدی بگیرید تا کمک کنه آهسته آهسته زبانتون رو رشد بدید.
🔸 لطفا پست رو شیر کنید تا دیگران هم استفاده کنند.
Join @beyondalgorithms
کگل یکی از بهترین ابزارها و پلتفرمها برای یادگیری و ورود به مسیر شغلی دیتاساینس و حتی فراتر از اون رشد و پیدا کردن موقعیتهای شغلی و کسب و کاری در این حوزه است. بایید ببینیم چرا و از چه جهاتی کگل مهم هست:
۱- منابعی برای یادگیری: در کگل منابع رایگان زیادی برای یادگیری دیتاساینس شامل یادگیری پایتون، ماشین لرنینگ، دیتا ویژایزیشن، و اسکیوال میشه پیدا کرد. جالبیه این پلتفرم اینه که این منابع آموزشی عملی و پروژه محور همراه با دیتاستهای واقعی هستند که خیلی فرآیند یادگیری رو برای افراد تازه وارد به این حوزه بهتر و پربازدهتر میکنه.
۲- امکان شرکت در رقابتها: یکی از خوبیهای کگل اینه که در اون رقابتهای زیادی در حوزه ماشین لرنینگ وجود داره که شرکت در اونها برای همه آزاده. خوبی این رقابتها اینه که میشه چیزایی که در طول مسیر ورود به حوزه دیتاساینس یاد میگیریم رو روی دادههای عملی و یه مسئله واقعی پیاده کنیم تا آموختههامون رو به چالش بکشیم و نقاط ضعفمون رو پیدا کنیم.
۳- دسترسی به کامیونیتی: یکی از چیزهایی که به فرآیند یادگیری مهارتهای جدید کمک میکنه بودن در یه کامیونیتی و در جمع آدمهای مشابه خودت بودن هست. کامیونیتی کگل جاییه که میتونید سوال بپرسید، ایدههاتون با دیگران به اشتراک بزارید (و از ایدههای دیگران روی پروژهها آگاه بشید)، و روی پروژههایی که انجام میدید فیدبک بگیرید. دیدن پروژههای دیگران، خوندن کامنتها روی اونها، و مرور بحثهای فنی و غیرفنی که بین نفرات حاضر در کامیونیتی اتفاق میافته میتونه خیلی به مفیدتر بودن فرایند یادگیری و رشدمون کمک کنه.
۴- دسترسی به دیتاست: دیتاست خوب و دیتاست در صنایع مختلف (دادههای بانکی یا پزشکی یا صنعتی …) یکی از المانهای رشد در فضای دیتاساینس هست … کگل جاییه که در اون دیتاستهای مختلف به وفور وجود داره. این نه تنها به شما در انجام پروژهها کمک میکنه بلکه به آشناییتون با صنایع مختلف که دیتاساینسها در اون کار میکنن کمک میکنه تا بفهمید در مسیر شغلیتون در چه صنعتی و روی چه دادههایی بیشتر دوست دارید کار کنید.
۵- ساختن پورتفولیو: در پستهای قبلی به اهمیت داشتن یک پورتفولیو برای دیتاساینتیستها در هر سطحی که باشن زیاد اشاره کردیم. برای این کار انتخابهای زیادی دارید … از وبسایت خودتون گرفته تا گیتهابتون و غیره … یکی از پورتفولیوهای خوب برای شما پروفایلتون در وبسایت کگل میتونه باشه … (مثل جاهای مثل دریبل برای گرافیستها) بنابراین حضورتون در کگل و یه پروفایل که همه فعالیتهاتون، از پروژههایی که کار کردید تا کامنتهاتون و همه چیز رو میتونن ببین.
۶- امکان کدنویسی آنلاین: کگل یک پلتفرم کدنویسی نوتبوک آنلاین به نام کرنل داره که زبانهای آر و پایتون رو ساپورت میکنه و اونجا میتونید لایو کد بنویسید. خوبی این کار اینه که دیگران میتونن کدهاتون رو ببینن، نظر بدن، به عنوان پورتفولیو هم دیده بشه.
۷- دسترسی به آگهیهای شغلی: وقتی علاقهمندان به مسیر شغلی دیتاساینس روی پلتفرم کگل هستند و این همه کارهای جالب میکنن طبیعی خواهد بود که شرکتها هم اونجا رو جایی خوبی برای انتشار آگهیهای شغلیشون بدونند. در نتیجه با بودن در این پلتفرم این شانس رو دارید که در جریان موقعیتهای شغلی مختلف از کارآموزی و ریموت گرفته تا مهاجرت شغلی قرار بگیرید.
یک مزیت بزرگ دیگه بودن در کگل برای ما ایرانیها اینه که زبان انگلیسی در کار رو هم رشد میدیم. بنابراین حتی اگه زبانتون خوب نیست باز هم بودن در کگل رو حتما جدی بگیرید تا کمک کنه آهسته آهسته زبانتون رو رشد بدید.
🔸 لطفا پست رو شیر کنید تا دیگران هم استفاده کنند.
Join @beyondalgorithms
Kaggle
Learn Python, Data Viz, Pandas & More | Tutorials | Kaggle
Practical data skills you can apply immediately: that's what you'll learn in these no-cost courses. They're the fastest (and most fun) way to become a data scientist or improve your current skills.
❤1👍1👏1
چند روز گذشته به واسطه یک پروژه اروپایی در مجارستان و در دانشگاه BME شهر بوداپست بودم. پروژه پیرامون راهاندازی یک دوره فوقلیسانس در زمینه مسائل اخلاقی حوزه هوش مصنوعی و با مشارکت چند کشور اروپایی مجارستان، ایتالیا، هلند و ایرلند هست.
چند روزی که در دانشگاه BME بودم دانشگاه حسابی توجه و نظر من رو جلب کرد. از باب تاسیسات و زیرساخت با کمپس و ساختمانهای زیادی که داشت بسیار جذاب بود. در نتیجه جستجویی در شهریه دانشگاه کردم و دیدم هر ترم حدوداً ۳۰۰۰ یورو نسبت به خیلی از کشورها هزینه کمتری هست.
زندگی در خود بوداپست هم نسبت به کشورهای دیگه اروپایی خیلی مناسبتر هست. در نتیجه همین موارد به نظرم رسید که تحصیل در مجارستان میتونه گزینه خوبی برای کسانی باشه که دنبال تحصیل در خارج هستند. به همین دلیل هم دانشجوی ایرانی نسبتا زیادی اونجا هست.
Join @beyondalgorithms
چند روزی که در دانشگاه BME بودم دانشگاه حسابی توجه و نظر من رو جلب کرد. از باب تاسیسات و زیرساخت با کمپس و ساختمانهای زیادی که داشت بسیار جذاب بود. در نتیجه جستجویی در شهریه دانشگاه کردم و دیدم هر ترم حدوداً ۳۰۰۰ یورو نسبت به خیلی از کشورها هزینه کمتری هست.
زندگی در خود بوداپست هم نسبت به کشورهای دیگه اروپایی خیلی مناسبتر هست. در نتیجه همین موارد به نظرم رسید که تحصیل در مجارستان میتونه گزینه خوبی برای کسانی باشه که دنبال تحصیل در خارج هستند. به همین دلیل هم دانشجوی ایرانی نسبتا زیادی اونجا هست.
Join @beyondalgorithms
👍2