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