Data Science

Предыдущие части: Часть 1, Часть 2

Значение социальных сетей

Этот раздел очень похож на «Значение портфолио», просто поделенный на подразделы.

Как сказал Дэвид Робинсон:

Когда я оцениваю кандидата, для меня очень важным фактором является то, что он выкладывает свои проекты на всеобщее обозрение, даже если проект не закончен или не отредактирован. Потому что я считаю, что делиться с окружающими информацией, пусть и не законченной, всегда лучше, чем вообще не делиться.

Уилл Стэнтон озвучил причину, по которой Data Scientist’ам нравится видеть, что человек всем делится с окружающими:

Data Scientist’ы используют социальные сети для того, чтобы поделиться своими трудами с остальными и найти ответы на интересующие их вопросы. Если они видят, что человек использует социальные сети для этих же целей, они могут принять его за своего, даже если он никогда не работал в этой сфере.

Помимо того, что социальные сети предоставляют ценный опыт, так они еще и могут помочь вам найти работу. На ваше резюме могут наткнуться через различные источники (LinkedIn, GitHub, Twitter, Kaggle, Medium, Stack Overflow, Tableau Public, Quora, Youtube и тому подобное).

GitHub

GitHub профили Дженнифер Брайан и Ян (Терри) Тан

Профиль на GitHub является ничем иным, как сигналом о том, что вы опытный и компетентный Data Scientist. В резюме, в графе «Проекты», люди очень часто оставляют ссылку на свой профиль на GitHub, где расположен код их проекта. Также, на GitHub можно просмотреть журнал проекта, в котором указывается ход разработки проекта. В некоторых компаниях, менеджеры по найму ориентируются, прежде всего, на профиль кандидата на GitHub. Поэтому, если потратите чуть больше времени на создание профиля, в дальнейшем вас могут выделить на фоне остальных кандидатов.

Чуть не забыл напомнить, что вам обязательно следует создать файл README.md, в котором будет четко описано, что из себя представляет ваш проект, что он делает и как запустить его код.

Kaggle

Участие в соревнованиях Kaggle, участие в разработке ядра, участие в дискуссиях позволят показать вашу компетентность в качестве Data Scientist’а. Важно упомянуть, что Kaggle был разработан не для того, чтобы пользователей нанимали на работу, опираясь на их результаты в соревнованиях. Об этом сказала Колин Фарелли под одним из вопросов на платформе Quora. Соревнования на Kaggle дают возможность попрактиковаться в анализе данных и разработке решения для той или иной проблемы. У Решамы Шайх есть статья на тему «Переходить на Kaggle или нет?», в которой она говорит о ценности соревнований на Kaggle. Цитата из ее статьи:

Это правда, участие только в одном соревновании не сделает из вас Data Scientist’а, также как и прочтение одной книги по Data Science, прохождение одного курса, анализ одного набора данных или участие в одной конференции. Постоянное участие в таких соревнованиях будет прибавлять вам ценный опыт и расширять портфолио.

Вот поэтому, даже профессионалы с сотней соревнований за плечами, продолжают принимать в них участие.

LinkedIn

На LinkedIn, в отличие от других сайтов, вы можете более подробно рассказать о своем опыте работы и проектах. На сайте Udacity есть целая статья, посвященная тому, как сделать профиль на LinkedIn более интересным и запоминающимся для рекрутеров. Важной частью LinkedIn являются инструменты расширенного поиска. Обычно ими пользуются те, кто ищет новых сотрудников. Чтобы вы не остались без внимания, не забудьте добавить ключевые слова в свой профиль. Если ваш профиль кто-то искал или просматривал, вы сможете увидеть это в специальной вкладке.

Помимо того, что на LinkedIn есть расширенный поиск, он также имеет множество других функций, например, «Найти посредника»Джейсон Гудманв своей статье «Советы по получения должности в сфере Data Science», использует именно LinkedIn для привлечения посредников:

Я никогда не обращаюсь в компании, предварительно не пообщавшись с сотрудниками. Как только компания становится мне интересна, я захожу на LinkedIn и ищу сотрудников разной степени квалификации. Затем я пишу им и расспрашиваю о работе в данной компании, а также прошу дать мне контакт кого-нибудь, кто работает в отделе Data Science. Всякий раз, если позволяют обстоятельства, я предлагаю Data Scientist’ам встретиться и выпить по чашечке кофе. Кстати, недавно Трей Каузи как раз написал статью о том, как устраивать такие встречи, лицом к лицу. Вернемся к основной теме, на этих встречах я бы ни за что не попросил о должности напрямую, обычно Data Scientist’ы сами просят мое резюме, и говорят о том, что замолвят за меня словечко перед менеджером по найму. Если же они не хотят продолжать общение, я благодарю их за потраченное время и ухожу.

Обратите внимание, что без портфолио, опыта работы или какого-то другого доказательства вашей компетентности — не будет никакого результата от встречи с посредниками. Ваше обаяние тут точно не поможет.

Аман Далмиа пришел к тому же выводу, опросив несколько AI компаний и стартапов:

Интернет — это не то место, где можно установить хорошие отношения с посредником. Когда я только начинал, я слишком часто допускал эту ошибку, пока не наткнулся на эту замечательную статью Марка Мелуна, в которой он говорит о том, как важно наладить реальную связь с людьми, которые, возможно, помогут вам получить работу и, возможно, станут вашими коллегами.

Также он говорил о том, что LinkedIn прекрасное место для размещения вашего резюме и портфолио:

Еще одним важным шагом на пути к должности является общедоступность ваших знаний. Например, если вы хорошо в чем-то разбираетесь, поделитесь этим с миром. Заведите себе блог и поделитесь им на Facebook или LinkedIn. Это поможет не только другим, но и вам в первую очередь.

В следующей, заключительной части нашего цикла, мы продолжим тему социальных сетей, а также затронем тему блоггинга: как, где и зачем будущему Data Science-специалисту вести свой блог!

Перевод статьи Michael GalarnykHow to Build a Data Science Portfolio

Предыдущая статьяПочему компании терпят неудачи, применяя искусственный интеллект?
Следующая статьяПочему вы должны начать использовать .npy файл чаще…