采访Dipanjan Sarkar,铅数据科学家,推进学院苏黎世

迪普亚萨科尔或者DJ,因为我们都喜欢叫他,是数据科学的领导者和影响者之一,他们一直在为社区做很多,而是通过现场会议或课程来做。这次采访DJ是最丰富的人之一,因为他在整个职业生涯中展开了他跨越多种作品的所有学习。

迪帕班在回答详细的所有问题方面非常慷慨,这将有助于您调整您的焦点并知道水中的技能在数据科学中赚取大量技能。他分享了几个AI智能之家:

  • 什么技能将伟大的数据科学家分开
  • 为什么数据科学比技术技能更多
  • 构建您的个人品牌的重要性
  • 他在候选人中看待什么技能 

所以..坐下来享受!

像LinkedIn和Twitter这样的平台如果使用权,肯定可以帮助您建立一个不能只帮助您获得下一份工作的人的稳固网络,但也可以帮助您获得您需要的曝光和经验,甚至可以自己制作它!

-dipanjan sarkar.

数据科学家应该解决数据,期间的问题。这可以包括‘science’ as well as ‘engineering’方面但是他们可以和应该做的一定限制。

-dipanjan sarkar.

软技能和有效的演示技巧将使您不仅坐下来开发代码日和一天,但能够通过呈现关键进展和调查结果来实际产生影响,这将帮助您展示自己作为可以做两者的人–利益相关者管理和做数据科学。

-dipanjan sarkar.

CK:你意识到你想在数据科学中追求职业生涯(数据&AI),你是如何进入的?

DJ:我一直对电脑有兴趣,让我占用单身汉’计算机科学与工程学位的学位。在我的课程中,我遇到了一些有趣的选举,如数据挖掘,人工智能,神经网络和软计算,这绝对激起了我对数据分析和人工智能世界的兴趣。这让我去找了一个主人’科学专业化数据科学和软件工程。我会说这可能是让我意识到这一点的那些是我肯定想进展的东西。

我的主人’S学位,加上大量的项目和我从大规模开放的在线平台杠杆的额外课程(Coursera刚刚开始!)使我能够焦点并申请与数据科学和分析有关的相关工作。在英特尔实习也肯定帮助我脚进入门口。

CK:数据科学空间中的影响者如何帮助您的职业发展?您认为如何在LinkedIn / Twitter上创建强大的数字存在,并最终成为该领域的影响因素?

DJ:I.’VE一直想与社区分享我的知识,并帮助他们大规模的人们帮助他们从错误中吸取教训,因为当我在导航这个领域时我从未有过导师。让这是分享您的知识并有效沟通的激情可能非常有用,可以成为一个影响者。

当我开始,参加活动,会议和学习所有关于数据科学景观时,我开始与该领域的其他影响因素联网开始。然后逐渐随着该领域的专业知识,我开始以文章,论文,书籍,网络研讨会,会议,研讨会和与行业和学术界的各种合作的形式分享我的知识。

我现在可以说,作为一个影响者肯定帮助我把我的职业生涯带到了我不在的下一个水平’T只需要依靠传统的9到5个工作,但我可以合作并与全球各组织合作,并在做我所爱的东西–数据科学的咨询,培训和建设应用。

由于噪音和不必要的分心,我是一个通常留在大多数社交媒体平台的人。然而,LinkedIn和Twitter这样的平台如果使用权,肯定可以帮助您建立一个不能只帮助您获得下一份工作的人的稳固网络,但也可以帮助您获得您需要的曝光和经验,甚至可以自己制作它!为自己建立数字存在和品牌非常重要,在那里您可以利用LinkedIn,GitHub,中,卡格,YouTube等平台利用平台。然而,最重要的是您对分享您的知识来利益社区的热情。

ck:你’一直是Coursera的Beta测试仪很长一段时间。是否有任何参数仍然缺乏moocs?如果是,他们怎样才能改善?

DJ:I. still remember taking courses from Coursera and EdX when they were just starting out. Forums used to be more active then and people genuinely enjoyed having discussions besides doing the course. Today almost all the MOOCs have forums that are pretty much dead. The 互动元素 在Moocs和悲伤的同行任务中完全缺失’弥补它。它恰到好处的是,人们为同龄人发布了他们的作业链接,以便在截止日期之前审查,这只是另一件事。

如果在某种程度上,Moocs可以改善 启用良好的讨论 在学生和教师之间。我已经采取了行政教育计划,这在某种程度上是有可能的预先记录的内容和论坛在那里以及与教师和TA定期定期举行的活动和办公时间。我们还需要适当的质量检查许多流行的MOOC平台,因为我已经看到了可以使用适当的改造的课程。

ck:你’与财富500强公司以及初创企业有关。根据您的说法,哪一个更适合初学者与机会,曝光和整体增长一起加入?

DJ:I. think this would completely depend on the aspirations of said beginners.

  • 如果你正在短时间内了解更多,那么你还是穿着多帽子,你不好’T类似于不必要的官僚机构,也许也许是可以将自己推向限制,在启动时工作是理想的。
  • 如果您可能更有兴趣在稍微更稳定的工作中越来越兴趣,可能有一个更好的工作 - 生活平衡,通常有一个固定的时间,你有时官僚机会减慢的事情(有时可能是必要的),在大型组织更适合。
  • 有了上面的说法,有时它可以根据你的团队结构如何完全改变。主要是为了寻求适合您兴趣的角色,团队应该有一个良好和培养的管理生态系统,你应该能够在做你喜欢的同时增长。

CK:你推荐年轻的数据科学家阅读的一本书是什么?

DJ:这绝对很难说。我将根据他们的特定焦点领域提出一些。

CK:您作为机器学习中的Google开发人员专家的角色是什么?

DJ:作为谷歌开发人员专家对我来说绝对是一种惊人的经历:

  • 被谷歌作为该领域的专家认可,帮助我轻松获得与社区和组织与AI倡议一起参与。 
  • 帮助我成为会议,活动和研讨会的一部分,以分享我对数据科学和AI的知识,比以前的规模更大,而不是我以前可以自己做的事情。
  • 能够与NooGler进行接触,甚至可以讨论谷歌的现有和未来产品和平台的讨论’可以改善S套件。
  • 机器学习专家拥有稳固的NooGler网络,帮助我通过在机器学习的各种全球活动中合作,帮助我学习和拒绝我的知识。

CK:招聘数据科学家时,您可以寻找什么技能和态度?

DJ:I. would say the following skills matter the most:

  • 真正激情和积极的心态与数据一起使用并导出有意义的AI智能之家。
  • 具有分析,解决问题的心态–没有人会向你提供一些干净的数据并告诉你,“构建分类模型”。你可以弄清楚框架和解决问题的最佳方法。
  • 在理解和处理不同类型的数据方面的牢固专业知识–结构化和非结构化。
  • 关于线性代数,统计和机器学习基础知识的实践技巧和深入概念知识。
  • 除非角色是对深度学习问题的特点,否则在深度学习中拥有深度学习的经验可以是一个加法,但并不总是强制。
  • 问题识别,配方和解决方案的专业知识。
  • 数据工程技能通常有用,在部署期间与工程团队一起自给自足和携手合作。

CK:你喜欢和讨厌数据科学的方面是什么?

DJ:我对数据科学的热情:

  • 能够采取真正凌乱的数据并建立一个美丽的东西–仪表板,ML产品甚至是简单但有效的可视化。
  • 能够建立智能系统,可以随着时间的数据而不断地改善时间,而不是打破我的头部尝试手动找到在系统中必需的模式和硬代码。
  • 能够将人员和组织汇集在一起​​,以解决所有域名的全部复杂问题,包括医疗保健,物流,零售,时尚,石油&天然气,基础设施,金融,… I could go on!

我讨厌数据科学:

  • 数据科学并不容易,它没有顺序在自然界中。组织或企业团队经常不’t get that.
  • 它通常是一个 支持性推动器 在大多数组织中,显示价值可能会挑战,直到您在业务和技术团队之间完全和谐–这是一个坚韧的裂缝。
  • 术语“data science” itself has become 炒作 几年来误用过,我们需要确保人们冒险进入数据科学的人们对自己的角色和责任进行了解,并没有误导他们不做的事情’想做。当我看到文章时,我非常认真“data scientists”试图证明他们的头衔并说安装和维护软件包和数据库是数据科学家的一部分。抱歉爆发泡沫,但我们有系统管理部门和数据库管理员。数据科学家应该解决数据,期间的问题。这可以包括‘science’ as well as ‘engineering’方面但是他们可以和应该做的一定限制。

我对数据科学的喜爱和讨厌:

  • 此字段正在迅速变化,几乎每隔一周都获得新技术,模型和库。然而,我肯定会兴奋,我们正在前往哪里,经常保持一切难以忍受!

CK:您已咨询和融合了来自新鲜大学毕业生等所有阶段的人,以C级高管,VPS,董事和博士。它们在彼此相似的各个方面以及它们不同的各个方面?

DJ:在职业生涯中咨询和指导各种背景和资历水平的相似之处:

  • 他们有一个激情和热情的学习所有人都有数据科学,使他们可以在目前的工作中变得更好,能够获得新的工作或开始建立自己的东西。
  • 虽然他们是自己的领域的专家,但他们足以被某人(有时比他们年轻的人更年轻)谦虚,以获得新领域的观点。

咨询和指导职业生涯中不同背景和资历水平的差异:

  • 在他们职业生涯的早期阶段的新毕业生或人们往往更加渴望在一起学习很多东西来展示并建立自己以获得数据科学的工作。
  • 在他们职业生涯中的高级地位的人将更加专注于学习解决数据科学或枢转的问题,因为他们也将忙于他们的日常生活以及目前的就业职责。
  • C级Execs和VPS将激光专注于确切地知道如何将数据科学作为解决业务问题和产量值的有效工具。这些是无意义的谈话和磋商,您需要做得很好。  
  • 来自学术界的人们有时在试图向行业转型时挣扎,所以你需要拥有相关的背景和心态,使他们能够努力,而不是告诉他们不在行业中。我见过来自学术界的很多人继续成为业内优秀的数据科学家!

作为工作中的数据科学家成功的最重要方面是什么?来自超普通数据师的普通数据科学家的因素是什么?

可以使您更快地增长并使您作为数据科学家闪耀的方面包括以下内容:

  • 始终知道并意识到 “big picture” –这将有助于您对任何问题进行上下文化,并以最有效的方式与将其视为传统数据科学问题并机械地解决它。
  • 软技能 有效 演示技巧 将使您不仅可以坐下来开发代码日,但能够通过提出关键进展和调查结果来实际产生影响,这将有助于您将自己展示为可以做的人(利益相关方管理和执行数据科学)。
  • 解决问题, 解决冲突, 利益攸关方管理领导能力 每个数据科学家应该随着时间的推移灌输。这将使他们能够长期发展领导地位,并且通常比其他人快得多。
  • 知道什么时候停止 –也许是数据科学家所需的最重要的力量。您应该知道基于业务问题,成功指标,在您应该停止您的分析和建模活动时,手头的时间,“this is good enough” or “这是当前数据和可用型号的最佳效果”。不要落入过度优化或过度调整的陷阱。
  • 能够影响人们 –这可能是一个非常重要的技能,尤其是利益相关者管理,因为你需要能够说出他们的语言来说服他们可能的事情以及可能是什么可能的。更好地是最常见的事情,而不是对一切说是的。

如果您仔细注意到上述几点,您将注意到我很少提及与技术技能有关的任何事情。这是因为如果他们花费足够的时间,那么任何人都可以提升技术技能。但上述技能是时间,经验,具有正确的心态和态度的东西。

CK:如果您可以建立一个5个数据科学家(包括您自己)的团队,以解决现实生活中最大的数据科学挑战,他们都会成为他们的国家,为什么?

DJ:这是一个艰难的!除了我,我会说以下的人会成为一个相当好的团队!

  • raghav bali. –他一直是我在出版书籍,咨询项目,会议,活动中犯罪的犯罪伙伴犯罪,并且可以几乎做出任何事情。
  • Sayak Paul. –另一个优秀的宝石,在深度学习中拥有牢固的专业知识,并且可以将几乎任何研究转化为工作代码。如果您希望潜入使用最先进的模型来解决复杂问题,非常有用
  • Sudalai Rajkumar. –一位亲密的朋友,因为当然,你需要一位卡格林大师!
  • Srivatsan Srinivasan. –另一个朋友和那些如此动手的人,他可以非常概念化如何解决任何问题并为其制作一个具体的解决方案。

CK:标记一个或两个数据科学领导者,您希望看到这些问题。

DJ:I. would definitely want to hear from these folks:

  • Srivatsan Srinivasan. –非常动手和熟练,在与数据科学和工程有关的所有内容中拥有丰富的经验。
  • Vin Vashishta. –最底地的人之一,具有良好的数据科学洞察力。
  • andriy burkov. –数据科学的熟练领袖。我相信他将有一些很好的AI智能之家。
  • Cassie Kozyrkov. –她证明了你是一个真正的专家和领导者,如果你让最艰难的事情成为最简单的事情。

副主编

克扬 是一个有目光的创意数据科学家,有关细节。日常学习者和博主,他非常渴望分享知识并支持数据科学界。与他联系 linkedin. 联系和唐’忘了看看他的 中等的 blogs.

数据科学|机器学习|科技博客– upGrad

加入AI时间杂志
加入助理编辑

您是否有兴趣分享AI的信息和知识,并与现场中的一些最聪明的思维联系起来?

了解加入作为一个 Associate Editor.

关于Chayan Kathuria.

克扬 是一个有目光的创意数据科学家,有关细节。日常学习者和博主,他非常渴望分享知识并支持数据科学界。与他联系 linkedin. 联系和唐'忘了看看他的 中等的 blogs. 数据科学|机器学习| Tech Blogger - 升级

查看所有帖子由Chayan Kathuria→