【译】如何成功入职成为数据科学家

核心要点：大多数人正在做着仅是心理安慰的无效努力，要想成为技术达人你应该这么做。

原文链接：https://www.kdnuggets.com/2018/11/get-hired-as-data-scientist.html

我还记得我哥哥决定卖出他的比特币的那一刻。2017年，星巴克。一个中年大妈向我们走来，她正在给人发放比特币的小册子，上面大大的字体写着，“比特币：通往提前退休之路”。

我很好奇，因此问她如何看待虚拟货币市场，结果她除了比特币并不知道其他虚拟货币。以太币？“没听过”。莱特币？“是便宜版的比特币吧？”

如今，即使一个啥都不懂的大妈都在跟你讲最新的技术趋势，那么这个技术估计也到顶点了，换句话说，泡沫来了。

这当然不是一个新发现。每个人都知道，在投资领域，如果你的决策和周围每个人都一样，估计你也挣不到什么钱。奇怪的是，投资领域的这条规律，人们很少套用在自己身上。

大多数人的努力都是无效的心理安慰

假设现在你的目标是入职某公司的数据科学家。如果你按照普遍的“我想要成为数据科学家”的行动点去做，大致意味着你得不到想要的工作。现在市场上到处都是有才能有经验的人，意味着，能力一般的、渴望转行成为数据科学家的人得不到太多的机会。如果你想避免成为平庸的大多数中的一员，为什么要做大多数人做的事情呢？（其实我并不认同这里的逻辑。且看下去。译者注）

问题在于，大多数人踏上他们的“数据科学家”之旅时，并没有这么想过。我在SharpestMinds工作时，跟上百个有志成为数据科学家的职场人士聊过，80%说得都差不多：

1. 第一步，学工具链（Python，sklearn，Pandas，有的再加上SQL或别的）。
2. 然后上点切分成小部分的MOOC课。
3. 读下职位描述，担心自己够不上条件。
4. 再上一个别的MOOC，或者从某个平台开始申请工作。
5. 没有回音（最多得到几个面试，均以失败告终）。
6. 灰心失望，考虑上Master，继续申请工作。
7. 面临选择：继续重复2-7直到瞎猫撞上死耗子，还是放弃？

如果这些事也发生在你身上，那么你可能也面临着一个“自我提升的泡沫”：你做着和其他人同样的努力，但期望一个不同的回报。你需要做的第一件事，就是停下来。

期望高回报，意味着不能走寻常路。但是为了避免做寻常事，你需要了解什么寻常事都有哪些。

例如：如果你需要通过MOOC来学习工具链，可以。但是不要陷入MOOC陷阱。MOOC本身就是针对大多数人设计的（Massive open online course），仅靠重复在MOOC上学习很难在某个领域出类拔萃。同样的，如果已经有了四五个Jupyter Notebook上面写满了sklearn/Pandas/seaborn/Keras的基本语句，你也没必要再新加一个了。

总的来说，首要原则是：如果下一步很明显是大家都去做的，那么就不要做。相反，你要去寻找没人在做的事，尽快去做。

推荐你做这些

这些有效的实践都有哪些？例如：

1. 重复论文。对深度学习尤其有效。这么做的人比较少，相反，随便找一组数据用简单的ANN或者XGBoost做个分类算法多简单啊。你应该去ArXiv找一篇相关的、最感兴趣的论文（最好是近期发布的），理解，然后重复该论文，最好选用一组新的数据。之后把整个经过总结成博文发布。
2. 不要停留在舒适区。当你开始一个新项目时，最好以学习新framework/libraries/tools为目标。如果你到了第六个Jupyter Notebook还是以df = pd.read_csv(filename)开头，以f1 = f1_score(y_true, y_pred)结尾的话，你也是时候换一下自己的策略了。
3. 学习无聊的内容。没人喜欢无聊。很多被公司迫切需要求职者具备的技能，比如Git flow，Docker，用Flask建app，在AWS或Google Cloud上用模型，都因为学起来无聊，被求职者忽略了。
4. 做烦人的事。1）去当地的data science Meetup分享一篇论文。或者至少要去参加当地的data science Meetup。2）去LinkedIn发私信。坦率，展示你的价值（“我在你的网站上发现一个拼写错误”）。不要一上来就要工作机会。提问尽量清晰（“我希望得到你对我的博文的反馈”）。尝试与人建立关系，拓宽你的人际网络，这需要耐心。3）参加会议与关系网活动。4）开创学习小组。
5. 做“疯狂”的事。每个人都会用UCI数据库或者某些股市数据库（yawn）来建自己的项目。不要这么做。学习获取数据，建立自己配置的数据库（使用web scraping library，或某些还不广为流传的API）。实际中获取数据还是挺难的，公司会期望其工程师能够自己取得数据。你的目标应该是，成为痴迷于data science的疯子，如果需要的话，建立自己的数据组自然必不可少。

以上提到的每种策略，都是基于招聘单位每天面对的疑难杂症提出的。这里面没有新技术新概念，但却能保证你在data science的工作市场上获得更多的关注，并成为一个能力全备的数据科学家。

每天结束时，记得提醒自己，训练技能是对自己的投资。这意味着，投资领域的经济学原理在此同样适用：如果你期望突出的回报，你需要做异于常人的事情。

如果你有关于如何优化machine learning算法或data science trajectory的问题，可以向我提问。给我发DM或者Twitter @jeremiecharris :)

作者介绍：

Jeremie Harris是@SharpestMindsAI的合作创办者，兴趣领域包括物理，机器学习，哲学，创业。

相关阅读：

· The Most in Demand Skills for Data Scientists
· Diversity in Data Science: Overview and Strategy
· Data Scientist Interviews Demystified