Деталі електронної книги

Skazany na sukces. Kariera w Data Science

Skazany na sukces. Kariera w Data Science

Jacqueline Nolis, Emily Robinson

Eлектронна книга

Nauka o danych, zwana danologią, zyskuje na znaczeniu. Dane dla gospodarki są tym, czym dotąd były węgiel, stal i ropa naftowa. Umiejętność korzystania z wiedzy zawartej w danych decyduje o efektywności prowadzenia działalności gospodarczej i determinuje rozwój nowych modeli, rozwiązań i relacji gospodarczych. Już teraz specjaliści danolodzy są rozchwytywani na rynku pracy. Aby jednak w pełni i do końca wykorzystać pojawiające się możliwości, trzeba wiedzieć, w jaki sposób podejść do trudnego zagadnienia, jakim jest budowanie ścieżki kariery i podążanie nią w odpowiednim dla siebie tempie.

To praktyczny przewodnik, dzięki któremu łatwiej zdobędziesz pierwszą pracę związaną z badaniem danych, szybciej staniesz się cenionym specjalistą i w miarę rozwoju zawodowego będziesz coraz trafniej wychwytywać pojawiające się możliwości awansu i zmiany pracy na atrakcyjniejszą. Dowiesz się, jak zdobyć podstawowe umiejętności i jak faktycznie wyglądają konkretne stanowiska pracy. Opisano tu również, jak pomyślnie przejść przez proces rekrutacji i zaaklimatyzować się w nowych warunkach. Nie zabrakło cennych wskazówek dotyczących awansowania na stanowiska kierownicze. Jako danolog prędko się przekonasz, że zawarta tutaj wiedza nietechniczna jest bardzo potrzebna do osiągnięcia sukcesu na polu badania danych.

Dzięki tej książce dowiesz się, jak:

  • tworzyć świetne portfolio projektów z zakresu badania danych
  • wyszukiwać, oceniać i negocjować oferty
  • z klasą zmieniać miejsca pracy
  • wybierać i skutecznie realizować scenariusze kariery
  • poradzili sobie inni wybitni analitycy danych!

Danologia: nauka, pasja i sposób na życie!


Wstęp 13

Podziękowania 15

O niniejszej książce 17

O autorkach 21

CZĘŚĆ I. ROZPOCZĘCIE PRZYGODY Z BADANIEM DANYCH 23

1. Czym jest danologia? 25

  • 1.1. Czym jest danologia? 27
    • 1.1.1. Matematyka/statystyka 29
    • 1.1.2. Bazy danych/programowanie 30
    • 1.1.3. Zrozumienie biznesu 32
  • 1.2. Różne rodzaje prac związanych z badaniem danych 33
    • 1.2.1. Analiza 34
    • 1.2.2. Uczenie maszynowe 34
    • 1.2.3. Nauka o podejmowaniu decyzji 35
    • 1.2.4. Pokrewne prace 36
  • 1.3. Wybór swojej drogi 37
  • 1.4. Wywiad z Robertem Changiem, badaczem danych w Airbnb 38
    • Jak zaczęła się twoja podróż badacza danych? 39
    • Czego ludzie powinni szukać w pracy związanej z danologią? 39
    • Jakich umiejętności potrzeba, aby zostać badaczem danych? 40

2. Firmy działające w obszarze danologii 41

  • 2.1. MTC - potężna firma technologiczna 42
    • 2.1.1. Twój zespół - jeden z wielu w MTC 42
    • 2.1.2. Technologia - zaawansowana, ale obecna w firmie w systemie silosowym 43
    • 2.1.3. Zalety i wady pracy w MTC 44
  • 2.2. HandbagLOVE - uznany sprzedawca detaliczny 45
    • 2.2.1. Twój zespół - grupka ludzi walczących o rozwój 46
    • 2.2.2. Twoja technologia - stos technologiczny, który zaczyna się zmieniać 46
    • 2.2.3. Wady i zalety pracy w HandbagLOVE 47
  • 2.3. Seg-Metra - nowo powstały start-up 48
    • 2.3.1. Twój zespół (jaki zespół?) 48
    • 2.3.2. Technologia - najnowsza, wewnętrznie spójna technologia 49
    • 2.3.3. Wady i zalety pracy w Seg-Metra 50
  • 2.4. Videory - udany start-up technologiczny na późnym etapie rozwoju 52
    • 2.4.1. Zespół - wyspecjalizowany, ale z przestrzenią do działania 52
    • 2.4.2. Technologia - próby pokonania kodu odziedziczonego 53
    • 2.4.3. Zalety i wady pracy w Videory 53
  • 2.5. Global Aerospace Dynamics - wielki dostawca rządowy 54
    • 2.5.1. Zespół - danolog w morzu inżynierów 55
    • 2.5.2. Technologia - stara, skostniała i wyposażona w blokadę bezpieczeństwa 56
    • 2.5.3. Zalety i wady pracy w GAD 56
  • 2.6. Podsumowanie 57
  • 2.7. Wywiad z Randym Au, specjalistą Google'a ds. badań ilościowych w zakresie doświadczenia użytkownika (ang. user experience) 58
    • Czy istnieją duże różnice pomiędzy dużymi a małymi firmami? 58
    • Czy istnieją różnice w zależności od branży, w jakiej działa dana firma? 59
    • Jaka jest twoja ostatnia rada dla początkujących badaczy danych? 59

3. Zdobywanie umiejętności 61

  • 3.1. Uzyskiwanie tytułu zawodowego lub stopnia naukowego w zakresie danologii 62
    • 3.1.1. Wybór uczelni 64
    • 3.1.2. Dostanie się do programu akademickiego 66
    • 3.1.3. Podsumowanie kwestii tytułów zawodowych oraz stopni naukowych 68
  • 3.2. Przejście przez intensywny kurs 69
    • 3.2.1. Czego się nauczysz 69
    • 3.2.2. Koszt 71
    • 3.2.3. Wybór programu 71
    • 3.2.4. Podsumowanie intensywnych kursów danologicznych 72
  • 3.3. Zdobycie pracy z zakresu badania danych w swojej firmie 72
    • 3.3.1. Podsumowanie nauki w pracy 75
  • 3.4. Uczenie się na własną rękę 75
    • 3.4.1. Podsumowanie nauki na własną rękę 76
  • 3.5. Dokonanie wyboru 77
  • 3.6. Wywiad z Julią Silge, badaczką danych i programistką w RStudio 78
    • Zanim zostałaś badaczką danych, pracowałaś na uczelni. Jak zdobyte w środowisku akademickim umiejętności pomogły ci w danologii? 78
    • Po podjęciu decyzji o zostaniu badaczką danych w jaki sposób zaczęłaś nabywać nowych umiejętności? 79
    • Czy wiedziałaś, wkraczając do domeny badania danych, jaką pracę chciałabyś wykonywać? 79
    • Co poleciłabyś osobom, które chciałyby zdobyć umiejętności potrzebne do zostania badaczem danych? 80

4. Tworzenie portfolio 81

  • 4.1. Tworzenie projektu 82
    • 4.1.1. Identyfikowanie danych i zadanie pytania 82
    • 4.1.2. Wybór kierunku 85
    • 4.1.3. Wypełnianie pliku README na GitHubie 86
  • 4.2. Założenie bloga 87
    • 4.2.1. Potencjalne tematy 87
    • 4.2.2. Logistyka 88
  • 4.3. Praca nad przykładowymi projektami 90
    • 4.3.1. Freelancerzy zajmujący się badaniem danych 90
    • 4.3.2. Uczenie sieci neuronowej na podstawie kontrowersyjnych tablic rejestracyjnych 91
  • 4.4. Wywiad z Davidem Robinsonem, danologiem 93
    • Jak zaczęła się twoja przygoda z blogowaniem? 93
    • Czy działalność publiczna przyniosła ci konkretne korzyści? 93
    • Czy są ludzie, którzy twoim zdaniem szczególnie skorzystaliby na działalności publicznej? 93
    • Jak zmieniał się z czasem twój pogląd na wartość działalności publicznej? 94
    • Jak powstają pomysły na posty dotyczące analizy danych? 94
    • Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych? 94
  • Zasoby do rozdziałów 1. - 4. 95
    • Książki 95
    • Posty na blogu 96

CZĘŚĆ II. ZNALEZIENIE PRACY ZWIĄZANEJ Z ANALIZĄ DANYCH 99

5. Poszukiwania - znalezienie odpowiedniej dla siebie pracy 101

  • 5.1. Znalezienie pracy 102
    • 5.1.1. Dekodowanie opisów 103
    • 5.1.2. Szukanie znaków ostrzegawczych 105
    • 5.1.3. Określanie swoich oczekiwań 106
    • 5.1.4. Uczestnictwo w spotkaniach 107
    • 5.1.5. Korzystanie z mediów społecznościowych 109
  • 5.2. Podejmowanie decyzji o tym, o jaką pracę się ubiegać 110
  • 5.3. Wywiad z Jesse Mostipak, rzeczniczką ds. rozwoju oprogramowania w Kaggle'u 112
    • Jakie masz porady co do rozpoczęcia poszukiwania pracy? 112
    • Jak można zbudować swoją sieć kontaktów? 112
    • Co robić, gdy brak nam pewności, żeby odpowiadać na oferty pracy z zakresu badania danych? 113
    • Co byś powiedziała komuś, kto uważa, że "nie spełnia wszystkich wymogów na to stanowisko"? 113
    • Jaka będzie twoja ostatnia porada dla początkujących badaczy danych? 113

6. Aplikowanie - życiorysy i listy motywacyjne 115

  • 6.1. Życiorys - podstawy 116
    • 6.1.1. Struktura 118
    • 6.1.2. Zanurzenie się w szczegółach dotyczących doświadczenia zawodowego - generowanie treści 123
  • 6.2. Listy motywacyjne - podstawy 125
    • 6.2.1. Struktura 126
  • 6.3. Szycie na miarę 127
  • 6.4. Polecenie 128
  • 6.5. Wywiad z Kristen Kehrer, wykładowczynią i autorką kursów danologicznych 130
    • Ile razy, według twoich szacunków, przeredagowywałaś swój życiorys? 130
    • Jakie są częste błędy, które twoim zdaniem ludzie popełniają? 131
    • Czy dostosowujesz swoje CV do stanowiska, na które aplikujesz? 131
    • Jakie strategie polecasz do opisania stanowisk pracy w CV? 131
    • Jaką masz ostatnią radę dla początkujących danologów? 132

7. Rozmowa kwalifikacyjna - czego należy się spodziewać i jak sobie z tym poradzić 133

  • 7.1. Czego pragną firmy? 134
    • 7.1.1. Proces rozmowy rekrutacyjnej 135
  • 7.2. Krok 1. Wstępna rozmowa telefoniczna 136
  • 7.3. Krok 2. Rozmowa w siedzibie firmy 138
    • 7.3.1. Rozmowa na tematy techniczne 140
    • 7.3.2. Pytania behawioralne 144
  • 7.4. Krok 3. Analiza przypadku 146
  • 7.5. Krok 4. Rozmowa końcowa 148
  • 7.6. Oferta 149
  • 7.7. Wywiad z Ryanem Williamsem, doświadczonym analitykiem decyzyjnym w Starbucksie 150
    • Co trzeba zrobić, żeby świetnie wypaść na rozmowie o pracę? 150
    • Jak sobie radzisz w sytuacjach, gdy nie znasz odpowiedzi? 150
    • Co należy zrobić w przypadku, gdy odpowiedź spotka się z negatywną reakcją? 151
    • Czego na temat kandydatów nauczyło cię prowadzenie rozmów o pracę? 151

8. Oferta - co można zaakceptować 153

  • 8.1. Proces 154
  • 8.2. Otrzymanie oferty 154
  • 8.3. Negocjacje 156
    • 8.3.1. Co podlega negocjacji? 157
    • 8.3.2. Jak bardzo możesz negocjować 159
  • 8.4. Taktyki negocjacyjne 162
  • 8.5. Jak wybrać jedną spośród dwóch "dobrych" ofert pracy 163
  • 8.6. Wywiad z Brooke Watson Madubuonwu, starszą badaczką danych w ACLU 165
    • Co należy wziąć pod uwagę, oprócz wynagrodzenia, gdy rozważa się przyjęcie oferty? 165
    • Jakie są sposoby na przygotowanie się do negocjacji? 165
    • Co zrobić, kiedy mamy już jedną ofertę, ale nadal czekamy na inną? 166
    • Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych? 166
  • Zasoby do rozdziałów 5. - 8. 167
    • Książki 167
    • Posty na blogach i kursy 168

CZĘŚĆ III. ZADOMOWIENIE SIĘ W ŚWIECIE BADANIA DANYCH 171

9. Pierwsze miesiące w nowym miejscu pracy 173

  • 9.1. Pierwszy miesiąc 174
    • 9.1.1. Wdrożenie w dużej organizacji - dobrze naoliwiona maszyna 174
    • 9.1.2. Wdrożenie w małej firmie. Jakie wdrożenie? 175
    • 9.1.3. Zrozumienie i ustalenie oczekiwań 175
    • 9.1.4. Znajomość własnych danych 177
  • 9.2. Stawanie się produktywnym pracownikiem 180
    • 9.2.1. Zadawanie pytań 181
    • 9.2.2. Budowanie relacji 182
  • 9.3. Jeśli jesteś pierwszym zatrudnionym badaczem danych 184
  • 9.4. Kiedy praca nie jest tym, co Ci obiecywano 185
    • 9.4.1. Charakter pracy jest okropny 185
    • 9.4.2. Środowisko pracy jest toksyczne 186
    • 9.4.3. Decyzja o odejściu z pracy 187
  • 9.5. Wywiad z Jarvisem Millerem, badaczem danych w firmie Spotify 189
    • Co cię zaskoczyło w twojej pierwszej pracy naukowej w dziedzinie danologii? 189
    • Z jakimi problemami się stykałeś? 190
    • Możesz nam opowiedzieć o jednym ze swoich pierwszych projektów? 190
    • Jaka byłaby twoja najważniejsza rada na kilka pierwszych miesięcy pracy? 191

10. Przeprowadzanie skutecznej analizy 193

  • 10.1. Wniosek 196
  • 10.2. Plan analizy 198
  • 10.3. Przeprowadzenie analizy 201
    • 10.3.1. Importowanie i czyszczenie danych 201
    • 10.3.2. Eksplorowanie i modelowanie danych 203
    • 10.3.3. Ważne punkty dotyczące eksplorowania i modelowania 205
  • 10.4. Odpowiednia otoczka 209
    • 10.4.1. Finalna prezentacja 210
    • 10.4.2. Kończenie pracy 211
  • 10.5. Wywiad z Hilary Parker, badaczką danych w Stitch Fix 211
    • W jaki sposób myślenie o innych ludziach pomaga w twoich analizach? 212
    • Jaką strukturę nadajesz swoim analizom? 212
    • Jakiego rodzaju korektę przeprowadzasz w ramach wersji ostatecznej? 212
    • Jak sobie radzisz z osobami proszącymi o wprowadzenie zmian do analizy? 213

11. Wdrażanie modelu do środowiska produkcyjnego 215

  • 11.1. Czym w ogóle jest wdrożenie do środowiska produkcyjnego? 216
  • 11.2. Tworzenie systemu produkcyjnego 218
    • 11.2.1. Gromadzenie danych 219
    • 11.2.2. Budowa modelu 220
    • 11.2.3. Serwowanie modeli przy użyciu interfejsu programowania aplikacji 221
    • 11.2.4. Budowa interfejsu programowania aplikacji 222
    • 11.2.5. Dokumentacja 224
    • 11.2.6. Testowanie 225
    • 11.2.7. Wdrażanie API 225
    • 11.2.8. Testy obciążeniowe 229
  • 11.3. Utrzymanie działającego systemu 229
    • 11.3.1. Monitorowanie systemu 230
    • 11.3.2. Ponowne trenowanie modelu 230
    • 11.3.3. Wprowadzanie zmian 231
  • 11.4. Na zakończenie 232
  • 11.5. Rozmowa z Heather Nolis, inżynierem zajmującym się uczeniem maszynowym w T-Mobile 232
    • Co oznacza bycie "inżynierem zajmującym się uczeniem maszynowym" w twoim zespole? 232
    • Jakie to było uczucie, gdy po raz pierwszy wdrażałaś fragment kodu do środowiska produkcyjnego? 233
    • Jeśli coś pójdzie nie tak w środowisku produkcyjnym, to co wtedy? 233
    • Jaka będzie twoja ostatnia rada dla danologów pracujących z inżynierami? 234

12. Współpraca z interesariuszami 235

  • 12.1. Typy interesariuszy 236
    • 12.1.1. Interesariusze biznesowi 236
    • 12.1.2. Interesariusze inżynieryjni 237
    • 12.1.3. Korporacyjne kierownictwo 239
    • 12.1.4. Twój menedżer 240
  • 12.2. Współpraca z interesariuszami 240
    • 12.2.1. Zrozumienie celów interesariusza 241
    • 12.2.2. Ciągła komunikacja 243
    • 12.2.3. Bycie konsekwentnym 245
  • 12.3. Ustalanie priorytetów w pracy 247
    • 12.3.1. Praca zarówno innowacyjna, jak i wywierająca wpływ 248
    • 12.3.2. Praca, która nie jest innowacyjna, ale wciąż wywiera wpływ 249
    • 12.3.3. Praca innowacyjna, która jednak nie wywiera żadnego wpływu 249
    • 12.3.4. Praca, która ani nie jest innowacyjna, ani też nie wywiera żadnego wpływu 250
  • 12.4. Uwagi końcowe 251
  • 12.5. Wywiad z Sade Snowden-Akintunde, badaczką danych w Etsy 251
    • Dlaczego zarządzanie interesariuszami jest ważne? 252
    • Jak nauczyłaś się zarządzać interesariuszami? 252
    • Czy miałaś kiedyś problemy z interesariuszem? 252
    • Co młodzi badacze danych często robią źle? 252
    • Czy zawsze starasz się wyjaśniać techniczne aspekty danologii? 253
    • Jaka jest twoja ostatnia porada dla młodszych lub początkujących danologów? 253
  • Zasoby do rozdziałów 9. - 12. 253
    • Książki 253
    • Blogi 255

CZĘŚĆ IV. TWÓJ ROZWÓJ W ROLI BADACZA DANYCH 257

13. Kiedy Twój projekt danologiczny kończy się niepowodzeniem 259

  • 13.1. Dlaczego projekty danologiczne kończą się niepowodzeniem 261
    • 13.1.1. Dane nie spełniają Twoich oczekiwań 261
    • 13.1.2. Brak sygnału w zakresie danych 262
    • 13.1.3. Utrata zainteresowania klientów 264
  • 13.2. Zarządzanie ryzykiem 266
  • 13.3. Co możesz zrobić, gdy Twój projekt kończy się niepowodzeniem? 267
    • 13.3.1. Co należy zrobić z projektem? 267
    • 13.3.2. Radzenie sobie z negatywnymi emocjami 269
  • 13.4. Wywiad z Michelle Keim, dyrektorką ds. danologii i uczenia maszynowego w Pluralsight 270
    • Czy zdarzyło ci się doświadczyć porażki w swojej karierze? 271
    • Czy potrafisz rozpoznać sygnały ostrzegawcze przed rozpoczęciem projektu? 271
    • Czy firmy różnią się w sposobie podejścia do niepowodzeń? 271
    • Skąd wiesz, że projekt, który realizujesz, skończy się niepowodzeniem? 272
    • Jak pokonać strach przed porażką? 272

14. Dołączenie do środowiska danologicznego 273

  • 14.1. Rozwijanie własnego portfolio 275
    • 14.1.1. Więcej wpisów na blogu 275
    • 14.1.2. Więcej projektów 276
  • 14.2. Uczestnictwo w konferencjach 277
    • 14.2.1. Radzenie sobie z lękiem społecznym 280
  • 14.3. Wystąpienia 281
    • 14.3.1. Poszukiwanie możliwości wystąpienia 281
    • 14.3.2. Przygotowanie 284
  • 14.4. Przyczynianie się do rozwoju otwartego oprogramowania 285
    • 14.4.1. Wkład w pracę innych ludzi 285
    • 14.4.2. Tworzenie własnego pakietu lub biblioteki 287
  • 14.5. Rozpoznawanie i unikanie wypalenia 288
  • 14.6. Wywiad z Renee Teate, dyrektor ds. danologii w HelioCampus 289
    • Jakie są główne korzyści płynące z działalności w mediach społecznościowych? 289
    • Co byś powiedziała ludziom, którzy mówią, że nie mają czasu na angażowanie się w życie społeczności? 290
    • Czy warto wytwarzać niewielką ilość treści? 290
    • Stresowałaś się publikacją pierwszego wpisu na blogu lub pierwszym przemówieniem? 290

15. Jak odejść z pracy z wdziękiem 293

  • 15.1. Decyzja o odejściu 294
    • 15.1.1. Podsumuj swoje postępy w nauce 294
    • 15.1.2. Omów swoją sytuację z menedżerem 295
  • 15.2. Jak wygląda poszukiwanie pracy, kiedy masz już za sobą pierwszą pracę 297
    • 15.2.1. Decydowanie o tym, czego chcesz 298
    • 15.2.2. Rozmowa kwalifikacyjna 298
  • 15.3. Znalezienie nowej pracy w trakcie zatrudnienia 300
  • 15.4. Złożenie wypowiedzenia 301
    • 15.4.1. Rozważanie przyjęcia kontroferty 302
    • 15.4.2. Poinformowanie zespołu 303
    • 15.4.3. Ułatwienie przeprowadzenia zmiany 304
  • 15.5. Wywiad z Amandą Casari, menedżerem ds. technicznych w Google'u 305
    • Po czym poznać, że nadszedł czas na szukanie nowej pracy? 305
    • Czy kiedykolwiek rozpoczęłaś poszukiwania pracy i zdecydowałaś się jednak pozostać? 306
    • Widzisz ludzi, którzy zbyt długo wykonują tę samą pracę? 306
    • Czy można zmienić pracę zbyt szybko? 306
    • Jaka jest twoja ostatnia rada dla ambitnych i początkujących danologów? 307

16. Wspinanie się po szczeblach kariery 309

  • 16.1. Ścieżka menedżerska 311
    • 16.1.1. Zalety bycia menedżerem 312
    • 16.1.2. Wady bycia menedżerem 312
    • 16.1.3. Jak zostać menedżerem 313
  • 16.2. Ścieżka głównego danologa 315
    • 16.2.1. Zalety bycia głównym danologiem 317
    • 16.2.2. Wady bycia głównym danologiem 318
    • 16.2.3. Jak zostać głównym danologiem 318
  • 16.3. Zostanie niezależnym konsultantem 319
    • 16.3.1. Zalety bycia niezależnym konsultantem 321
    • 16.3.2. Wady bycia niezależnym konsultantem 321
    • 16.3.3. Jak zostać niezależnym konsultantem 322
  • 16.4. Wybór ścieżki 323
  • 16.5. Wywiad z Angelą Bassą, dyrektorką ds. danologii, inżynierii danych i uczenia maszynowego w iRobot 323
    • Jaka wygląda codzienna praca na stanowisku menedżerskim? 324
    • Jakie są oznaki tego, że należy przestać być szeregowym pracownikiem? 324
    • Czy musisz w końcu całkiem przestać wykonywać robotę szeregowego pracownika? 324
    • Jakiej rady udzieliłabyś komuś, kto chce zostać technicznym liderem, ale jeszcze nie jest na to gotowy? 325
    • Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych? 325
  • Zasoby dla rozdziałów 13. - 16. 326
    • Książki 326
    • Blogi 327

Epilog 329

Dodatek. Pytania z rozmów kwalifikacyjnych 330

  • Назва: Skazany na sukces. Kariera w Data Science
  • Автор: Jacqueline Nolis, Emily Robinson
  • Оригінальна назва: Build A Career in Data Science
  • Переклад: Anna Zawiła, Tadeusz Zawiła
  • ISBN: 978-83-283-7294-8, 9788328372948
  • Дата видання: 2021-04-13
  • Формат: Eлектронна книга
  • Ідентифікатор видання: sksukd
  • Видавець: Helion