Экстракт Знаний

Why you should not be a data scientist

12:32

Why you should not be a data scientist

Tina Huang 19.09.2021 782 907 просмотров 21 801 лайков обн. 18.02.2026

Смотреть на YouTube

Поделиться Telegram VK Бот

Транскрипт Скачать .md

Анализ с AI

Описание видео

✉️ NEWSLETTER: https://tinahuang.substack.com/ It's about learning, coding, and generally how to get your sh*t together c: I've been a FAANG data scientist for over a year now. While that's not a lot of time, I've had the amazing opportunity to work with super star data scientists, be mentored by them, and even start mentoring more junior data scientists! I've learned a lot about what it actually means to be a data scientist. In this video, I talk about why you should not be a data scientist. 🔗Affiliates ======================== My SQL for data science interviews course (10 full interviews): https://365datascience.com/learn-sql-for-data-science-interviews/ 365 Data Science: https://365datascience.pxf.io/WD0za3 (link for 57% discount for their complete data science training) Check out StrataScratch for data science interview prep: https://stratascratch.com/?via=tina 🎥 My Filming Setup ======================== 📷 camera: https://amzn.to/3LHbi7N 🎤 mic: https://amzn.to/3LqoFJb 🔭 tripod: https://amzn.to/3DkjGHe 💡 lights: https://amzn.to/3LmOhqk ⏰Timestamps ======================== 00:00 Intro 01:14 CS, stats, business 03:48 scrappiness 05:53 constantly learning 07:39 the scientific method 09:32 marketing 11:19 the mistake a lot of people make 📲Socials ======================== instagram: https://www.instagram.com/hellotinah/ linkedin: https://www.linkedin.com/in/tinaw-h/ discord: https://discord.gg/5mMAtprshX 🤯Study with Tina ======================== Study with Tina channel: https://www.youtube.com/channel/UCI8JpGrDmtggrryhml8kFGw How to make a studying scoreboard: https://www.youtube.com/watch?v=KAVw910mIrI Scoreboard website: scoreboardswithtina.com livestreaming google calendar: https://bit.ly/3wvPzHB 🎥Other videos you might be interested in ======================== How I consistently study with a full time job: https://www.youtube.com/watch?v=INymz5VwLmk How I would learn to code (if I could start over): https://www.youtube.com/watch?v=MHPGeQD8TvI&t=84s 🐈‍⬛🐈‍⬛About me ======================== Hi, my name is Tina and I'm a data scientist at a FAANG company. I was pre-med studying pharmacology at the University of Toronto until I finally accepted that I would make a terrible doctor. I didn't know what to do with myself so I worked for a year as a research assistant for a bioinformatics lab where I learned how to code and became interested in data science. I then did a masters in computer science (MCIT) at the University of Pennsylvania before ending up at my current job in tech :) 📧Contact ======================== youtube: youtube comments are by far the best way to get a response from me! linkedin: https://www.linkedin.com/in/tinaw-h/ email for business inquiries only: hellotinah@gmail.com ======================== Some links are affiliate links and I may receive a small portion of sales price at no cost to you. I really appreciate your support in helping improve this channel! :) #whynotdatascience #tech #datascience #tinahuang

Оглавление (7 сегментов)

0:00 Intro 223 сл.
1:14 CS, stats, business 396 сл.
3:48 scrappiness 370 сл.
5:53 constantly learning 312 сл.
7:39 the scientific method 288 сл.
9:32 marketing 274 сл.
11:19 the mistake a lot of people make 251 сл.

Intro

Привет всем, как дела? Я работаю специалистом по анализу данных в IT-сфере чуть больше года, и хотя это не очень долго, у меня была потрясающая возможность работать с очень опытными специалистами по анализу данных, которые намного старше меня. У меня была возможность наблюдать за их работой, учиться у них и получать от них наставничество. А недавно я также начал наставлять более молодых специалистов по анализу данных. Это действительно заставило меня задуматься о роли специалиста по анализу данных. Я верю в мышление роста, а это значит, что ваши таланты и навыки не статичны. Если вы хотите стать специалистом по анализу данных, вы можете усердно работать и стремиться к этой цели. Однако, с учетом этого, я действительно размышлял о том, что представляет собой роль специалиста по анализу данных, и также задавался вопросом, действительно ли люди хотят стать специалистами по анализу данных. Вы хотите стать специалистом по анализу данных, потому что вы действительно этого хотите, или потому что это хорошо оплачивается, вы работаете в IT-сфере, это была названа самой привлекательной профессией примерно два года назад или что-то в этом роде. Итак, в этом видео я хочу поговорить о том, почему вам не стоит становиться специалистом по анализу данных. Во-первых, если у вас нет мотивации к изучению гибридного сочетания информатики, статистики и бизнеса, то анализ данных — это очень междисциплинарная область. В ней есть как минимум информатика

CS, stats, business

статистика и бизнес. Я вижу много людей, которые начинают с информатики, бизнеса или статистики, и, возможно, имеют сочетание этих двух областей. Но очень редко кто-то сразу после окончания университета обладает всеми тремя сразу. Это означает, что вам придется использовать свои знания и опыт, а также, возможно, расширить их до двух других. Что касается меня, в частности, традиционного образования, я получил образование в области информатики, хотя у меня есть некоторые знания в области статистики, поскольку я получил степень бакалавра в области фармакологии, но моя основная специальность была в области информатики, а это значит, что я много изучал статистику, особенно в сфере бизнеса. Во время моей работы меня часто спрашивали, могу ли я стать специалистом по анализу данных, имея образование в той или иной области. И ответ всегда был: да, вы можете стать специалистом по анализу данных. Однако я заметил, что... Если у вас более техническое образование, скажем, в области информатики, статистики или математики, вам, как правило, легче освоить бизнес- аспекты, чем нетехнические. Конечно, я также видел людей с бизнес- образованием, и они сейчас потрясающие специалисты по анализу данных. Некоторые из моих коллег тоже, но им обычно требовалось больше времени и усилий, чтобы изучить информатику, программирование и математику. Если вы очень заинтересованы в одной из этих областей и не очень заинтересованы в двух других, например, то анализ данных может быть не лучшей карьерой для вас. Честно говоря, изучение всех этих междисциплинарных областей не так уж и просто. Это не то, чем можно заняться за выходные, это очень постепенный, непрерывный процесс, и вам нужна мотивация, дисциплина, чтобы заполнять пробелы. И это часто включает в себя задавание действительно глупых вопросов. Для меня, потому что в бизнесе у меня было меньше всего подготовки, я часто ходил на совещания. Это также означает признание своих ошибок, когда вы пишете код, который выдает неправильный результат, и говорите: « Извините», — исправляете ошибку, а затем убеждаетесь, что больше так не будете делать. И, наконец, постоянное освоение новых навыков, чтобы ваш образ мышления не был таким: «Я буду изучать эти новые вещи только сегодня и завтра, а потом всю оставшуюся неделю ничего не буду изучать». Это всегда постепенный процесс, когда вы усваиваете все больше и больше информации, учитесь у других людей, учитесь у своих наставников, как формально, так и неформально. Если что-то из этого вам не подходит, то, возможно, работа аналитика данных — это не то, чего вы хотите. Вторая причина, почему вам не стоит становиться

scrappiness

аналитиком данных, — это если вы не чувствуете себя комфортно, будучи «непостоянным» (scrappy). Что я имею в виду под «непостоянным»? Это значит не быть слишком сосредоточенным и не стремиться к созданию потрясающего продукта. Это значит делать все возможное, используя любые необходимые инструменты для достижения цели. Вот ситуация, которая случалась со мной много раз: ко мне подходит человек и говорит: « Тина, нам нужно сделать очень важную вещь, и сделать это за три дня». Я отвечаю: «Я никак не смогу сделать это за три дня. Если я сделаю это правильно, напишу весь код, все тщательно протестирую, убежусь, что все работает, это просто невозможно». Поэтому мне приходится расставлять приоритеты. Я думаю: «Хорошо, я могу сделать это за три дня. Как лучше всего это сделать, чтобы выполнить большую часть работы, которую мне нужно выполнить? Как мне быть максимально точным, чтобы случайно не допустить ошибок, которые могут стоить компании больших денег? » Обычно это означает действовать находчиво и комбинировать различные инструменты. Это может быть, например, SQL-код, часто упакованный вместе с кодом на Python, а также выполнение математических вычислений вручную, иногда просто ввод данных, и в итоге я просто собираю все эти данные воедино. Создание MVP ( минимально жизнеспособного продукта) для любой задачи — это неточно, не идеально, код иногда ранит меня до глубины души, но он выполняет свою работу, и я понимаю это. Как специалист по анализу данных, я часто буду заниматься именно этим, потому что специалисты по анализу данных, как правило, обладают очень разнообразным набором навыков в области бизнес- статистики и информатики. Это также означает, что я часто беру на себя роли, не связанные с анализом данных. Например, если есть много нечистых данных, и нам нужно написать для них конвейеры обработки, я становлюсь инженером данных. Иногда нужен компонент пользовательского интерфейса, а иногда — фронтенд, тогда я становлюсь мини- разработчиком программного обеспечения. Иногда нужно представить стратегию руководству, чтобы убедить их в правильности подхода, тогда я становлюсь гибридным специалистом по бизнесу и продукту. Я лично делал все это в дополнение к своей основной роли специалиста по анализу данных. Если вы предпочитаете сосредоточиться на одном проекте и делать все очень специфическим образом, то работа в области анализа данных может быть не лучшим вариантом для вас. Третий момент: если вы Не люблю постоянно учиться чему-то новому, помните

constantly learning

что я говорил раньше: нужно изучать информатику, бизнес, статистику и математику? Может быть, вы думаете: «Хорошо, я сейчас все это изучу, а потом стану специалистом по анализу данных, и все будет замечательно». Правильно? Неправильно? Неправильно? Сама по себе наука о данных — это такая новая область, она развивается так быстро и просто меняется на наших глазах. Два года назад то, что мы делали в области анализа данных, сильно отличалось от того, что делают специалисты по анализу данных сегодня, и завтрашнего дня будут сильно отличаться от того, что мы делаем сегодня. Без преувеличения, кажется, что каждую неделю появляется новый инструмент или новый способ решения задач. А задача специалиста по анализу данных — эффективно и результативно решать проблемы. Это значит, что вам нужно проявлять инициативу, постоянно совершенствовать свои навыки, изучать эти новые инструменты. Прежде всего, нужно понять, стоит ли вообще изучать эти инструменты, потому что слишком много всего нужно изучить, если пытаться освоить все. Поэтому важно понять, что действительно важно. Затем, чтобы стать лучше и не отставать от отрасли в целом, для выживания необходимо постоянно учиться. По моим наблюдениям за гораздо более опытными и квалифицированными специалистами по анализу данных, чем я, я замечаю две вещи: во-первых, они всегда берутся за проекты, выходящие за пределы их зоны комфорта, и это своего рода ответственность, потому что это заставляет вас изучать новые инструменты, чтобы расширить свои возможности и стать лучше; во-вторых, они сознательно выделяют время на изучение новых технологий, даже если это не связано с текущим проектом, над которым они работают, потому что они просто хотят расширить свой инструментарий. В какой-то момент они могут использовать этот новый набор навыков, чтобы решить проблему лучше или быстрее, или решить проблему, с которой они раньше не могли справиться. Если постоянное обучение, которое будет продолжаться на протяжении всей вашей карьеры, вас не интересует и оно вам не по душе, то вам, вероятно, не стоит становиться специалистом по анализу данных. Четвертая причина

the scientific method

почему вам не стоит становиться специалистом по анализу данных, заключается в том, что если вы не принимаете научный подход, Метод, тета-ученый. Обратите внимание, что второе слово « ученый» здесь очень важно, потому что специалисты по анализу данных — это, прежде всего, ученые. Ученый — это тот, кто следует научному методу. Это включает в себя, во-первых, проведение исследований, чтобы выяснить проблему, в чем заключается вопрос, а затем формулирование гипотезы. Следующий шаг — взять свою гипотезу и провести эксперименты, создавая модели, пытаясь проверить ее правильность. На основе полученных результатов делаются выводы, решается необходимость дальнейшей работы, и в конечном итоге результаты представляются. В итоге, это, как правило, влияет на стратегию или улучшает компанию. В двух словах, принятие решений на основе гипотез — это то же самое, что и предвестники истины. « Издатель» — это довольно странное слово, но вы тот человек, который должен привлекать людей к ответственности за правду, за правду о текущем положении дел. Принимая решения, вы должны основывать свои рекомендации на фактах. На самом деле, вы используете инструменты информатики, бизнеса и статистики, чтобы принимать решения, чтобы создавать, например, прогнозные модели. Поэтому вы не можете просто сказать: «О, да ладно, думаю, нам стоит это сделать, потому что у меня подсказывает сердце». Ваши решения, рекомендации и модели, которые вы создаете, должны основываться на данных, на истине. При этом я не говорю, что наука о данных — это не творческая область, потому что это определенно так. Наука всегда будет наполовину наукой, но вам нужно быть человеком, который действительно уважает истину, который действительно строит на основе истины, и вы принимаете это, потому что если вы не будете держать всех в узде, никто этого не сделает. Хорошо, пятая причина, почему вам не следует становиться специалистом по данным, — это если вам не нравится продвигать

marketing

свою работу. Я знаю, слово « маркетинг» звучит ужасно, правда? В идеале, я представлял себе это так: я провожу очень крутой анализ, и он получается потрясающим, я показываю его людям, и они автоматически... Они думают, что это потрясающе, и собираются это внедрить. Нет, к сожалению, этого не происходит. Даже если у вас есть потрясающий анализ, потрясающее открытие или потрясающая модель, вам нужно будет продвигать себя и заниматься маркетингом, чтобы люди использовали полученные вами данные и созданную вами модель. Поэтому вам, конечно, нужно заниматься всеми этими потрясающими вещами в области анализа данных: создавать модели, делать прогнозы, разрабатывать стратегические идеи. Но после этого вам также нужно работать над презентацией, над пониманием потребностей бизнеса, над тем, как подойти к кому-то и сказать: «Эта вещь, которую я сделал, улучшит эту компанию, она поможет вам достичь ваших целей по тем или иным причинам». Иначе, если они не понимают, почему то, что вы сделали, ценно, они не будут этим пользоваться. Поэтому то, что вы сделали, никогда не увидит свет. Вот что я обнаружил: действительно сильные специалисты по анализу данных, которых я видел, не только делают потрясающие вещи в области анализа данных, но и... Действительно хорошие ораторы, действительно хорошие коммуникаторы, использующие множество различных форм общения: устное, письменное, умение налаживать связи с людьми, понимать их проблемы и иметь глубокое понимание продукта и сферы деятельности, чтобы убедиться, что их работа действительно ценна для этой сферы. Поэтому, если вы предпочитаете сосредоточиться только на технических аспектах и позволить работе говорить самой за себя, наука о данных может быть не лучшей областью для вас. Хорошо, мы подошли к концу этого видео. Я просто хочу сделать последнее предупреждение: это, конечно, всего лишь мой опыт. Я на 100%

the mistake a lot of people make

уверен, что работа в качестве специалиста по данным в разных компаниях будет очень и очень разной, особенно потому что наука о данных — это такая новая область. Будут разные виды или разновидности науки о данных, и во многих разных отраслях, а в некоторых отраслях это будет сильно отличаться от того, что я описал. Все, что я могу сказать, это то, что это мой опыт работы специалистом по данным в крупной технологической компании, поэтому примите мои слова к сведению. С долей скептицизма, но я думаю, что эти разные причины, по которым вы можете не хотеть быть специалистом по анализу данных, — это неочевидные вещи, о которых люди не задумываются, потому что анализ данных — это такая раскрученная область с хорошей оплатой труда, которая широко освещается в СМИ. Я думаю, что многие люди приходят в эту область, ожидая чего-то определенного, и на самом деле не понимают, что такое анализ данных, что делает их не очень счастливыми в качестве специалиста по анализу данных, и в конечном итоге они могут проработать в этой области пару лет и перейти на другую должность. Поэтому, чтобы уберечь вас от этого, если вы рассматриваете возможность стать специалистом по анализу данных, подумайте: эти вещи вам близки? Есть ли среди них что-то, что вас действительно не интересует? И если да, то очень серьезно подумайте, хотите ли вы быть специалистом по анализу данных, действительно ли вы хотите этим заниматься или нет. Хорошо, спасибо всем большое за просмотр, надеюсь, это видео было для вас полезным, и увидимся в следующем видео или прямом эфире.

Ещё от Tina Huang

How I would learn to code (if I could start over)

Tina Huang | 25.04.2021 | 13 сегм. | 3 449 134

How I consistently study with a full time job (9 months in and still going strong)

Tina Huang | 09.10.2021 | 5 сегм. | 2 888 742

How to learn to code FAST using ChatGPT (it's a game changer seriously)

Tina Huang | 02.03.2023 | 8 сегм. | 2 387 940

How to self study technical things

Tina Huang | 04.04.2021 | 10 сегм. | 2 322 419

Financial Literacy In 63 Minutes

Tina Huang | 01.01.2025 | 15 сегм. | 2 083 145

Google's 9 Hour AI Prompt Engineering Course In 20 Minutes

Tina Huang | 09.12.2024 | 10 сегм. | 1 552 364

Ctrl+V

Экстракт Знаний в Telegram

Транскрипты, идеи, методички — всё самое полезное из лучших YouTube-каналов.

Подписаться