از تحلیل گر داده به متخصص داده

در سال 21-2020 شاهد تغییر و تحولات چشمگیری در حوزه‌ی علوم داده بوده‌ایم. این تحولات با شکار متخصصان مسلط به نوشتن الگوریتم‌های یادگیری ماشین و متخصصان یادگیری ماشین/عمیق به دست غول‌های فناوری همچون توییتر، اپل، تسلا و شرکت‌هایی از جمله نتفلیکس، تیک‌تاک، بایننس و اسپاتیفای، تشدید و تقویت شده‌اند. کشور هند نیز با ارائه‌ 135,000موقعیت شغلی در حوزه‌ی علوم داده (تا ابتدای ماه ژوئن 2021) در جریان این تغییرات حضور داشته است. بعد از شروع همه‌گیری کووید-19، کسب و کارهای سراسر دنیا در تلاش‌اند با اتخاذ تصمیمات هوشمندانه و داده‌آگاه، عملکرد خود را (بر اساس شاخص ROI) ارتقاء دهند.

از تحلیل گر داده تا متخصص علوم داده

مهارت‌هایی که در قالب تحلیل گر داده به دست می‌آورید می‌توانند سنگ بنای شروع این انتقال باشند. به عنوان تحلیل گر داده، با نحوه‌ی دستکاری داده‌ها به منظور کشف الگوهایی نهفته در آن‌ها، آشنا هستید. اما نکته‌ی مهم این است که از مدیریت داده‌ها فراتر رفته و مدل‌هایی طراحی کنید که می‌توانند حجم زیادی داده‌ی بدون ساختار را تجزیه و تحلیل کنند. حوزه‌ی علوم داده به مهارت‌های زیادی نیاز دارد، به همین دلیل، دستیابی به تخصص در این حوزه مستلزم آموزش فراوان است.

شاید به عنوان تحلیل گر داده، به خوبی از پس مدیریت داده‌های ساختاریافته (جمع‌آوری، پردازش و اجرای الگوریتم‌ها) برآیید. اما مهارت‌های تحلیلی یک متخصص علوم داده باید مناسب کار با داده‌های پیچیده و بدون ساختار باشد. اگر قصد تغییر مسیر دارید، باید در شغل فعلی‌تان در جایگاه تحلیل‌گر، شروع به پیاده‌سازی و استفاده از علوم داده کنید. به مهارت‌های ارائه‌یتان هم توجه داشته باشید و بیشتر بر آن قسمت‌هایی از پروژه‌هایتان تأکید کنید که به نوعی مهارت‌های مربوط به علوم داده را درگیر می‌کنند.

متخصصان علوم داده مهارتی به نام تفکر انتقادی دارند که فراتر از تحلیل اعداد و داده‌های ساختاریافته است. پایه‌ی قوی در زبان‌های برنامه‌نویسی و همینطور ریاضیات، دست متخصصان علوم داده را باز می‌گذارد تا هر نوع شبکه‌ای را کالبدشکافی کنند.

متخصصان علوم داده چارچوب‌های خاص خود را برای مدیریت دیتاست‌ها (ساختاریافته یا بدون ساختار) می‌سازند. علوم داده، در کنار دانش کافی از زبان‌های R و پایتون، به متخصصان اجازه می‌دهد از ناشناخته‌های بیشتری پرده بردارند. با توجه به دانش عمیق متخصصان علوم داده از حوزه‌های یادگیری ماشین و یادگیری عمیق، طبیعی است که بر مباحث هوش مصنوعی نیز تسلط داشته باشند.

قبل از تصمیم‌گیری، به این سؤالات پاسخ دهید

پیش از آغاز این مسیر، به این سؤالات پاسخ دهید: شغل مورد علاقه‌تان چیست؟ تحلیل گر داده یا متخصص علوم داده؟ آیا به چنین تغییری نیاز دارید؟ چرا باید تغییر مسیر داده و متخصص علوم داده شوید؟ و اما مهم‌ترین سؤال این است که «می‌خواهید نمودار شغلی‌تان چطور رشد کند؟». با انتخاب این تغییر، شغل‌تان چالش‌برانگیزتر شده و شرایط و موقعیت‌های جدیدی پیش رویتان قرار خواهد گرفت که می‌تواند شما را از سایرین متمایز کند.

زمانی را به مطالعه‌ی مقالات پژوهشی متخصصان برجسته‌ی علوم داده اختصاص دهید. بیشتر این مقالات به صورت رایگان در اینترنت قابل دسترس هستند. حوزه‌های موردعلاقه‌ی خود و موضوعاتی که به سوی آن‌ها کشش دارید را پیدا کنید و از آن‌چه مطالعه می‌کنید یادداشت بردارید. در این مرحله که بیشتر زمان خود را صرف آشنایی با علوم داده می‌کنید، باید کیفیت یادگیری‌تان را بر اساس معیارهایی حقیقی بسنجید. این معیارها را می‌توانید در پژوهش‌ها و کارهای متخصصان برجسته‌ی علوم داده و علوم کامپیوتر پیدا کنید.

از میان نامدارترین متخصصان این حوزه‌ها می‌توان به جفری هینتون، ریچل تامس، اندرو ان‌جی و بسیاری دیگر که با مطالعات خود به حوزه‌های یادگیری ماشین، شبکه‌های عصبی و ابزرهای طراحی مدل‌ها کمک کرده‌اند، اشاره کرد. حتی برجسته‌ترین متخصصان علوم داده‌ی دنیا هم پیوسته در حال یادگیری هستند؛ پس جای نگرانی نیست، زمان زیادی برای جستجوی علائق خود در حوزه‌ی علوم داده در اختیار دارید. برای چنین انتقالی بهتر است از همان ابتدا، مسیر خاص خود را انتخاب و طراحی کنید.

راهنمای گام به گام

در این قسمت، ده گامی را توضیح می‌دهیم که اگر تصمیم دارید از تحلیل داده به علوم داده تغییر مسیر دهید، باید پشت سر بگذارید:

1. 1. با زبان‌های برنامه‌نویسی R و پایتون شروع کنید و مهارت‌های لازم برای نوشتن الگوریتم را بیاموزید. هر سازمانی که بخواهد کسب و کار خود را بر اساس هوشی پیوسته پیش ببرد، به این مهارت‌ها نیاز خواهد داشت.
   2. اگر تحلیل گر داده بوده‌اید، احتمالاً از اهمیت گراف‌ها و نمودارها آگاه هستید؛ این مصورسازی‌ها از کارآمدترین ابزارهای یادگیری عمیق به شمار می‌روند. به دوره‌های آموزشی Neo41 یا GraphX و سایر سیستم‌های مدیریت دیتابیس‌های مربوطه مراجعه کنید.
   3. با چیستی و چگونگی کار با Github آشنا شوید.
   4. در رقابت‌های Hackathon، Kaggle و سایر رویدادهای مشابه مشارکت کنید. این رویدادها امکان تبادل نظر با دیگران را در اختیار قرار داده و راه‌هایی جدید برای مسیری که انتخاب کرده‌اید به شما نشان می‌دهند.
   5. دوره‌های آموزشی مفیدی که در وبسایت‌هایی همچون Coursera و Udemy ارائه می‌شوند می‌توانند مهارت‌های کدنویسی شما را بهبود ببخشند.
   6. مفاهیم مربوط به مصورسازی داده و برنامه‌های مبتنی بر وب را بیاموزید.
   7. دانش موردنیاز در مورد دیتابیس‌های رابطه‌ای همچون Postgres و MySQL را به دست آورید.
   8. بر مفاهیم محاسبات توزیع‌شده تسلط یافته و کار با برنامه‌هایی همچون Spark و Hadoop را تمرین کنید.
   9. نوآوری‌ها و پیشرفت‌های مبتنی بر سامانه‌ی ابری را دنبال کنید. AWS آمازون، GCP گوگل و Azure مایکروسافت می‌توانند مرکز مطالعات‌تان باشند.
   10. در تیم‌هایی که امکان پیاده‌سازی مهارت‌های کسب شده را برایتان فراهم می‌کنند، جایی برای خود پیدا کنید. از مهارت‌های حل مسئله‌ای که یک متخصص علوم داده در اختیار دارد استفاده کنید تا نتایج به دست آمده از تحلیل دیتاست‌ها را در شرکت کنونی‌تان به کار ببرید.

مهارت‌های لازم

بعد از این‌که به سؤال «چرا باید از تحلیل گر داده به یک متخصص علوم داده تبدیل شوم؟» پاسخ دادید، باید شکاف مهارتی موجود را تشخیص داده و شروع به یادگیری مهارت‌های لازم کنید. در فعالیت به عنوان متخصص علوم داده، تجربه یکی از جنبه‌های اصلی و مهم ماجراست. با این حال، اگر با شرکت در دوره‌های آموزشی معتبر، نوشتن الگوریتم‌های یادگیری ماشین یا کدنویسی را بیاموزید، بیش از نیمی از گام اول این انتقال را برداشته‌اید.

در یادگیری مباحث، رویکردی فعال در پیش بگیرید. در رویدادهای گوناگون علوم داده شرکت کنید، مهارت‌هایی که به عنوان تحلیل‌گر کسب کرده‌اید را با نگاهی نقادانه ارزیابی کرده و با استفاده از حل مسائل تمرینی، این مهارت‌ها را ارتقاء دهید. علاوه بر این، به دنبال شکار فرصت‌هایی باشید که به شما اجازه می‌دهند مهارت‌های جدیدتان را در سازمان تبلیغ کنید؛ بدین منظور، کافی است دانش و مهارت‌هایی که در اختیار دارید را در هر مسئله و فرآیندی به کار ببرید. این فرصت‌ها شما را در کانون توجه قرار داده و به مسیر انتقال شما کمک می‌کنند. بدین طریق، احتمالاً می‌توانید با افراد حرفه‌ای که همین مسیر را با رویکردهای متفاوت یا بهتری دنبال می‌کنند، ارتباط برقرار کنید.

این مسیر یک شبه طی نمی‌شود؛ پس با آموزش، یادگیری و مشارکت فعال، به کنجکاوی و انگیزه‌ی خود پر و بال دهید.