Indhold
- Datavidenskabsmænd: Techs Rock Stars?
- Dataforskere gør hvad?
- Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
- Hvordan man er datavidenskabsmand
- Vejen til Big Data
Kilde: Onradio / iStockphoto
Tag væk:
Dataforskerrollen er hurtigt ved at blive den mest efterspurgte karriere inden for teknologiverdenen. Vi spurgte topdataforsker Jake Porway fra The New York Times om, hvordan han fik sit job og hans tip til succes på området.
Dataforskerrollen er hurtigt ved at blive den mest efterspurgte karriere i teknologiverdenen. Virksomheder som Google, Amazon og LinkedIn bruger dataforskere til at hjælpe dem med at bevare den innovative fordel i den digitale datatid. Og nu håber data- og teknologientusiaster at blive datavidenskabsmænd på samme måde som nogle musikere stræber efter at blive rockestjerner. Måske er det derfor, nogle mennesker henviser til datavidenskabsmænd som de nye rockestjerner i teknologitiden.
Desværre er denne rolle stadig så ny, at der stadig er et niveau af uklarhed omkring det, hvilket betyder, at mange wannabe-dataforskere kører deres turnébusser ad den forkerte vej. Fortjener datavidenskabsmænd deres rockestjernebetegnelser? Vi dykker ind i datavidenskabens verden med et interview med Jake Porway, dataforskeren fra F & U-laboratoriet på The New York Times.
Datavidenskabsmænd: Techs Rock Stars?
Så hvorfor omtales datavidenskabsmænd som de nye rockstjerner i teknologiverdenen? Denne analogi går faktisk dybere end datanerdene ønsker at lyde ultracool. Ligesom en rockstjerne inkluderer en datavidenskabelig karriere mangfoldighed, kunstnerisk frihed og tilpasningsevne. Og ligesom underholdningsverdenens rockestjerner, har de bedste datavidenskabsmænd en tendens til at få en ganske følge af mennesker fra alle samfunds- og dataindustrien.
Hvad en dataforsker gør, er meget forskelligartet; ligesom musikere bruger forskellige instrumenter, værktøjer og teknikker til at spille musikalske stilarter, der er lige så forskellige som jazz og death metal, behersker en datavidenskabsmand også et bestemt værktøj og felt. Der er også involveret stil. Og der er heller ingen rigtig eller forkert måde at udføre jobbet på - det handler om den indflydelse, arbejdet har på andre mennesker.
Da Beatles skrev deres sange, var der ikke kun en person, der dikterede, hvordan hver note på hvert instrument skulle spilles. De kom sammen og sad sammen; gennem kreativ opdagelse fandt de sange, der fungerede. Det er det samme for dataforskere. De skal føle rytmen, komme ind i rillen og harmonisere en løsning. Dette er kun muligt med den rigtige mængde kunstnerisk frihed til at prøve uanset tilgange, værktøjer og teknikker, der måtte komme i tankerne i øjeblikket - og smidigheden til at foretage ændringer, når noget ser ud af nøglen.
Når en dataforsker mestrer kernefundamentet, bliver han eller hun tilpasningsdygtig og får tillid til at levere løsninger på andre områder. Vi taler mere om disse grundlæggende fundamenter senere. Pointen at gøre her er, at når du mestrer datavidenskab, kan du tage rollen til det felt, du ønsker, fordi data er overalt.
En dataforskers ultimative mål er at skabe enorme mængder af værdi for det størst mulige antal mennesker. Mens en dataforsker arbejder bag kulisserne, er det ikke i modsætning til at spille for et stort publikum: Jo bedre du gør jobbet, jo flere mennesker når du - og jo flere belønninger ser du.
Dataforskere gør hvad?
Så hvad gør dataforskere nøjagtigt? Lad os gennemgå dette med et eksempel, som vi alle muligvis kan forholde os til.
Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
Lad os sige, at du en dag indser, at du ikke har den samme mængde energi den dag, du plejede at gøre. Så du sætter dig selv et mål: at have mere energi i løbet af dagen. Nu er det et temmelig bredt og tvetydigt mål. Så det første trin som dataforsker er at fjerne noget af den uklarhed og kvantificere dette målets målbarhed. Der er metoder til dette. Vi går ikke ind på detaljerne her, men lad os bare sige, at du teoretiserer, at du ikke får nok søvn og derfor giver dig selv det undermål at få otte timers søvn hver nat.
Selvom dette mål er lidt mere målbart og mindre tvetydigt, har det sine egne udfordringer. Du kan virkelig ikke starte en timer, når du falder i søvn, og selvom du starter en timer, når du hopper i sengen, falder du måske ikke med det samme med det samme. Derudover er det svært at redegøre for de tidspunkter, du vågner op midt på natten. Endelig er der forskellige typer søvn, såsom dyb søvn og let søvn. I bund og grund er det vanskeligt at måle søvn nøjagtigt og derfor endnu sværere at måle dens påvirkning på dine energiniveauer.
Så hvad kan du gøre? Som data-videnskabsmand ville du søge det nyeste inden for teknologi og opdage, at der er søvnovervågningsenheder.Og hvis du brugte en sådan enhed til at måle og registrere din søvn digitalt, ville du være i stand til at få mere nøjagtige data om din søvn og indsamle disse data over tid for at kortlægge en graf.
Dette alene kan give dig større indsigt i, hvad der sker. Den visuelle repræsentation giver dig opmærksomhed, klarhed og retning. Du vil være i stand til at se, om du når dit mål om otte timers søvn om natten og, endnu vigtigere, være i stand til at gribe ind, hvis du ikke er det.
Dette er dataforskerens grundlæggende job: at bringe nye måder at måle og vise data på, så de får større opmærksomhed, klarhed og retning til dem, der ser på dem.
Men en god dataforsker stopper ikke der. Når dataene er samlet, kan de integreres med enhver anden målt aktivitet, som du udfører i løbet af dagen. Integrer det med din produktivitet baseret på data fra dit opgavestyringssystem. Integrer det med dine stemninger baseret på tweets og statusopdateringer. Integrer det med dit helbred baseret på besøg på gymnastiksalen eller vægttab. Med den mængde data, der allerede er tilgængelig, og den lethed, hvorpå det kan indfanges, er mulighederne uendelige.
Hvordan man er datavidenskabsmand
Er du interesseret i en karriere inden for datavidenskab? Fordi datavidenskab er så nyt, bad vi en top datavidenskabsmand om indsigt i feltet. Jake Porway er en datavidenskabsmand hos The New York Times og grundlæggeren af DataKind (oprindeligt kendt som Data Uden Grænser), der matcher nonprofitorganisationer, der har behov for datavidenskab, med freelance og pro-bono datavidenskabsmænd. Porway har en computervidenskabelig baggrund og en ph.d. i statistikker fra UCLA. Her er hvad han havde at sige om, hvordan man kommer ind i datavidenskab, hvordan man klarer sig godt, og hvordan man undgår centrale fejl på området.
1. Få de rigtige færdigheder
Ifølge Porway koger det ned til tre vigtige ting at komme ind i marken:
- Praktiske computerværdigheder
- Statistiske færdigheder
- Et ønske om at lære
"Du skal være i stand til at skrive scripts for at skrabe data såvel som at kode op de algoritmer, du kommer med i dit hoved," siger Porway. "Du skal kende din grundlæggende statistik (og mere ideelt) hvis du virkelig vil være i stand til at vurdere, om de modeller, du bygger eller algoritmer, som du skriver, gør det, du vil."
2. Forbind forbindelser
Før han deltog i New York Times F & U-laboratorium, arbejdede Porway i maskinlæring og computersyn, og brugte megen tid på at få robotter til at identificere landminer og flyvemaskiner (hvor cool er at?). Det var ikke, før han landede sit job hos The New York Times, at han fik at udvide til bredere datavidenskabelige opgaver, nemlig Project Cascade, der sporer links fra publikationen på tværs af sociale medier.
Den vigtigste ting at komme i marken, siger Porway, er at få læring.
"Gå på et datalogi-projekt!" Porway siger. "Download nogle data, afhent noget R, og begynd at spille ... Id siger at fokusere på at bruge noget som R sammen med en grundlæggende statistikbog til at guide dig gennem at udforske nogle data. Maskinens indlæring og computerværdigheder kommer med det (af dette afhænger naturligvis af din tidligere erfaring - hvis du allerede er en statistiker, skal du hente noget Python!) "
Så er det tid til at oprette forbindelser. Porway anbefaler en lokal meetup-gruppe - fordi det at være en del af data science-samfundet er "den hurtigste måde at vide, hvad du ikke ved." Og i et felt, der konstant udvikler sig, betyder det noget.
3. Kom med i spillet
Porway har en ph.d. i statistikker fra UCLA, men han understreger, at du ikke har brug for en til at udføre godt arbejde.
"Det hjælper måske, men tro ikke, at du er nødt til at gå af og lave yderligere fem års skole for at kunne kalde dig selv en datavidenskabsmand," sagde Porway.
Datavidenskab er et relativt nyt felt. Dette betyder, at de, der ønsker at komme ind i marken, er nødt til at nærme sig det med et åbent sind.
"En dataforsker hos Foursquare ser meget anderledes ud end en dataforsker hos Goldman Sachs," siger Porway.
4. Rock din nye rolle
Datavidenskab handler om at afklare mål, undersøge antagelser, evaluere beviser og vurdere konklusioner. Men der er et lille stykke af puslespillet, som mange mennesker overser. Kan du gætte, hvad det er? Ifølge Porway er den hemmelige ingrediens kritisk tænkning.
"Det adskiller virkelig hackerne fra de sande forskere for mig," siger Porway. "Du vil blive forbløffet over hvor mange gange jeg har set nogen bygge en model og rapportere resultaterne uden at indse, at de ikke havde tænkt kritisk på, hvor dataene kom fra, eller om deres eksperiment var designet korrekt. Du skal MÅ være i stand til at stille spørgsmål til hvert trin af din proces og hvert nummer, du kommer frem til. "
Vejen til Big Data
Porway siger, at da han indså evnen til at bruge store mængder data for at få maskiner til at lære sig selv, sprængte det hans sind. Det er den lidenskab - og hans uddannelse og færdigheder - der hjalp med at give ham et topjob inden for datavidenskab. Hvis du vil rocke big data, skal du gå ned med nogle bøger, downloade nogle data og begynde at spille rundt. Du ved aldrig, hvad en bunke med rå data vil dukke op.
Gå til DataScientists.Net for en fuld udskrift af interviewet.