Путь аспиранта 2-го курса физики к карьере специалиста по данным

Если вы участвуете в соревнованиях Kaggle или в соревнованиях по физиотерапии (и выигрываете), это во многом доказывает, что вы надежный специалист по данным, независимо от вашей степени.

Да, вы абсолютно точно можете пройти путь от доктора философии по физике до карьеры в науке о данных.

Я видел три основных маршрута:

• Подайте заявку на участие в такой программе, как Insight Data Science Fellows (таких много), где они берут студентов с сильными количественными знаниями и развивают некоторые из их наиболее важных для отрасли навыков, а затем устраивают их на работу. Они могут быть довольно конкурентоспособными, и у меня сложилось впечатление, что студенты, которые попадают в эти стипендии, уже проделали значительную работу над «побочными проектами» в области науки о данных, т.е. вы создаете свою собственную тему исследования и обнаруживаете что-то интересное. [Кроме того, поскольку они конкурентоспособны, я подозреваю, что студенты из престижных университетов имеют преимущество.]
• Найти стажировку в местной компании; используйте это, чтобы начать свой путь в индустрию (или просто идите туда работать, если вам это нравится!). Опять же, обычно, прежде чем вы получите стажировку, вам обычно нужно проявить некоторый интерес, работая над побочным проектом, более тесно связанным с наукой о данных, или предлагая решение на конкурсе Kaggle.
• Личные связи. Следите за выпускниками прямо сейчас и смотрите, что они делают! Многим компаниям нужны программисты с сильными количественными навыками, и они могут предлагать реферальные бонусы — кто-то, кто выпустился за несколько лет до меня, однажды обратился ко мне из-за этого.

Поскольку вы только начинаете, у вас также есть важная возможность сделать ваш проект PhD более тесно связанным с интересными идеями в области науки о данных. Можно заниматься как физикой, так и наукой о данных — например, если я посмотрю на список сессий на мартовском собрании APS 2017 года, я увижу три или четыре с «машинным обучением» только в названии. Конечно, это зависит от консультанта, который готов это сделать и может научить вас нужным вещам!

Тем не менее, по-прежнему важно помнить, что докторская степень по физике — это долгосрочное обязательство, и вам нужно выбрать консультанта и проект, которым вы будете довольны в то же время, а не только то, что будет популярным в отрасли. (В конце концов, через 3-4 года рынок специалистов по данным может быть далеко не таким хорошим.)

Я сделал именно это (от доктора физики до науки о данных). Я не делал никаких «конкретных проектов», но занимался самоучкой.

Если вы хотите помочь себе, вы можете узнать:

• Освежить в памяти линейную алгебру.
• Хорошее знание одного из языков программирования высокого уровня (Python, R и т.д.)
• Знание алгоритмов машинного обучения.

Я уже был компетентен в Python и занимался базовым машинным обучением (т. е. регрессией и базовой классификацией изображений). Я также прочитал первую половину книги:

«Практическое машинное обучение с помощью Scikit-Learn и TensorFlow», А. Герон. (Я не имею никакого отношения к этой книге или автору).

Самое главное – сосредоточиться на получении докторской степени! Хороший доктор даст вам работу в этой области, а не базовые знания, которые вы могли бы получить в свободное время. Все свои знания я получил, работая на другой работе в течение нескольких месяцев после защиты докторской диссертации.

После этого я подошел к некоторым вакансиям в области науки о данных и был честен: у меня хороший опыт в области арифметики, но у меня очень мало знаний о науке о данных, но я хочу учиться. Несколько компаний были очень рады, что я «обучился» из-за потенциала, который есть у человека с докторской степенью! В частности, будучи кандидатом наук по физике, вы научитесь отличным навыкам исследования и решения проблем.