Praktikum im Bereich Data Science | Anfängerleitfaden für ein Data Science-Praktikum

Dieser Artikel wurde im Rahmen der Data Science Blogathon.

Einführung

Allgemein, Jeder, der sich mit Data Science beschäftigt, wird eine Exposition wünschen, eine Gelegenheit in diesem Bereich sich wohl zu fühlen, motiviert weiterzumachen und ein renommierter Data Scientist zu werden. Eine der wichtigsten und sinnvollsten Möglichkeiten, die ein Student in diesem Bereich haben kann, ist die Wahl als Data Scientist Praktikant. Es gibt weitere Schulungen und Aufgaben, mit denen Sie Ihr Profil schärfen und stärken können / Lebenslauf, aber da ich seit Februar ein Data Scientist Praktiker bin 2021, Ich werde meine Gedanken mit dir teilen, die Reise, die ich gemacht habe; um zumindest für diesen Post in Frage zu kommen.

Über meine Phase

Start, Lassen Sie mich das ganz klar sagen, dass ich kein Technikgenie bin, das steht in der Computercodierung aus der Klasse 6 du 8 oder auch 11. Ich bin Künstler und war es schon immer, singen für den letzten 8 Jahre, zum Schluss Theater machen 7 Jahre, klassischer und lyrischer Tanz, Zeichnung, und alle Arten von kreativen Fähigkeiten, die diesen populäreren Kunstformen ähnlich sind. Also definitiv, Ich war in der Anfangsphase meines Informatikstudiums an meiner Universität hinter den meisten meiner Kollegen zurück (UPES). Das ganze erste Jahr, Ich habe nichts gut genug gemacht.

Dann kommt das zweite Jahr, in dem Moment, als ich anfing, im technischen Bereich nach Dingen zu suchen, die mich interessieren. Ich habe mich für die Entwicklung von mobilen Anwendungen und künstlicher Intelligenz entschieden, Entwicklung mobiler Anwendungen; weil es echt cool aussah, Ich dachte, ich könnte diese Apps erstellen, die die Leute in ihrem täglichen Leben auf ihren Telefonen verwenden werden, und künstliche Intelligenz, weil ich mich schon lange heimlich in die menschliche Psychologie verliebt habe, Also habe ich viel alleine gelernt, und als ich entdeckte, dass Menschen begonnen haben, die Funktionsweise eines Neurons in der Technologie zusammenzusetzen (Neurales Netzwerk). Mir lief es kalt über den Rücken vor Aufregung. Diesen beiden Bereichen habe ich Ihre individuelle Aufmerksamkeit und Zeit geschenkt..

Die Saat ist gesät

Wir alle stehen irgendwann vor solchen Dilemmata, eine Wahl, die wir nicht treffen können. Für mich, Ausschlaggebend war mein Unbehagen, als ich die Neugier, mehr über neuronale Netze zu wissen, nicht befriedigen konnte und zu dieser Zeit als Entwickler von mobilen Apps tätig war. Als ich erkannte, dass die mobile Anwendung nicht meine Priorität ist, sah ich meine Begeisterung für künstliche Intelligenz, Ich machte eine Kehrtwende von der App-Entwicklung und begann meinen ersten Kurs über neuronale Netze, Ich habe vorher kein maschinelles Lernen gemacht, weil ich nicht viel wusste. darüber Deshalb, direkt angefangen von Neuronale Netze mit Pytorch. Creme, Ich habe es sehr genossen, etwas über die Theorie neuronaler Netze und die tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit... allgemein, aber beim Codieren mit Pytorch, konnte nichts von seiner Funktionsweise verstehen, Ich musste mir merken, wann, wo und welche Funktionen ich beim Codieren neuronaler Netze verwenden soll, um sicherzustellen, dass ich weiß, wie man ein rotes neuronalesNeuronale Netze sind Rechenmodelle, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Sie nutzen Strukturen, die als künstliche Neuronen bekannt sind, um Daten zu verarbeiten und daraus zu lernen. Diese Netze sind grundlegend im Bereich der künstlichen Intelligenz, Dies ermöglicht erhebliche Fortschritte bei Aufgaben wie der Bilderkennung, Verarbeitung natürlicher Sprache und Vorhersage von Zeitreihen, unter anderen. Ihre Fähigkeit, komplexe Muster zu erlernen, macht sie zu mächtigen Werkzeugen...

Mich „ZONE“

Dann kam die Covid-19-Blockierung (22 Marsch 2020), Beeindruckend! Was für ein Segen für mich. Ich hatte schon diese große Flamme in mir, um Deep Learning zu studieren und als ich in Dehradun wegen eines Absturzes auf meinem PG stecken blieb, Ich habe eine so enge Routine geschaffen, eine so konsequente Angewohnheit, dass ich sie gelernt und programmiert habe 12-14. Stunden pro Tag. Dies war das erste Mal in meinem Leben, dass mir das Lernen so viel Spaß gemacht hat, dass all diese Stunden wie nichts erschienen, was mich erschöpfen könnte, diese Beharrlichkeit dauerte bis Februar 2021 und die Dinge änderten sich, nachdem ich meine Praktikantin als Data Scientist für wundervolle Gastfreundschaft bekommen habe. Anlaufen: „Kognitive Hospitality-Lösungen im Aufschwung“.

Das sind die Dinge, die ich während meiner „Zone”(Wie ich es gerne in Bezug auf das Wort Psychologie nenne) und ich denke, es wird Ihnen helfen, Ihre Fähigkeiten in den Bereichen Data Science und maschinelles Lernen wirklich scharf und nützlich zu machen.

1. Erstellen Sie eine Karte für sich selbst

Wie ich dir gesagt habe, bevor es angefangen hat, Ich habe mit Deep Learning angefangen, wo, jedoch, Ich hätte einen Weg von Basics zu Advanced wählen sollen, So lernt Ihr Gehirn Schritt für Schritt und die Dinge werden konkret verstanden. Deswegen, Nehmen Sie sich Zeit und entdecken Sie verschiedene Richtungen, die mit Data Science möglich sind, maschinelles Lernen, etc. Es wird viele mögliche Wege geben, aber sei nicht zu spezifisch mit allen; segmentieren Sie nur die Dinge, die Sie interessieren (in meinem Fall, es war Deep Learning mit Data Science) in den Grundlagen, dazwischenliegend, fortschrittlich.

Beginnen Sie mit den Grundlagen und bleiben Sie konzentriert, Behandeln Sie zuerst alle grundlegenden Themen, die Sie interessieren, und lösen Sie dann Probleme basierend auf diesen Themen ohne Hilfe. Zuerst, Sie sollten sich mit dem, was Sie gerade tun, wohlfühlen und dann eine Änderung in Bezug auf den Schwierigkeitsgrad der Themen vornehmen.

2. Entwickle parallel weitere Fähigkeiten neben dieser weiter

Hinzufügen ‚Científico‘ auf der Rückseite von ‚Daten‘ Nicht besonders etwas, das Sie tun können, nachdem Sie einige Bibliotheken in Python oder R oder einer anderen Sprache zur Unterstützung von Data Science gelernt haben. Ein Datenwissenschaftler muss wissen, wie er verschiedene Technologien integriert, um das Endergebnis des Problems zu erreichen. Damit meine ich, dass Sie mit Datenbanken vertraut sein müssen, Git, Github, Bereitstellungsbezogene Technologie, Es kann ein einfacher Webentwickler sein, der Ihre Anwendung online hostet, oder ein Docker, um einen Container zu erstellen und in der Cloud bereitzustellen usw..

Ich bitte dich nicht, alles zu lernen, wenn dein Endziel etwas anderes ist als all dies, Entdecken Sie die Dinge, die für Ihr Ziel erforderlich sind, zusammen mit Data-Science-Konzepten und Programmierkenntnissen. Eine unverzichtbare Fähigkeit, auf die sich meiner Meinung nach jeder Datenwissenschaftler konzentrieren sollte, ist Schreiben, ist eine grundlegende Fähigkeit, die ein Data Scientist benötigt, um am Ende eines Projekts einen Bericht für seine Stakeholder zu erstellen, und das Einreichen dieses Berichts ist für einen Data Scientist einer der wichtigsten Schritte im gesamten Arbeitszyklus..

3. Bleiben Sie nicht mittendrin

Damit meine ich, dass jeder seine Komfortzone hat, was das Lernen angeht., seien es Videos oder Bücher, etc. Aber sich auf nur eine Form von Medium zu verlassen, kann einschränkend sein.. Es gibt helle Bücher, absolut verfügbare Kunstwerke, die Sie gerne lesen sollten, auch wenn Sie gerne aus Online-Videos lernen. Dies Flexibilität wird dir mehr helfen, als du dir vorstellst, Forschungsartikel lesen, Blogs und alles.

Für Leute, die vom Lesen lernen, Sie können sich einige der unten genannten großartigen Videokurse ansehen, um die Konzepte mit solcher Leichtigkeit und Spaß zu visualisieren.

4. Sozialisieren

Dieser Schritt bezieht sich insbesondere darauf, Ihre Chancen auf Praktika oder sogar Jobs zu erhöhen. Wir können nur so viel mit unserer Zeit machen, und prägen uns durch unsere Arbeit und unsere sozialen Beziehungen, Wir erhöhen exponentiell unsere Chancen, entdeckt zu werden und eine Chance zu bieten.

mir geht es genauso, im fünften Semester, Ich habe eine Punktzahl von 96 bei der Python-Semesterabschlussprüfung, als sich die Firma an einige Fakultäten meiner Universität wandte, meine pythonlehrerin hat mich der zuständigen lehrerin empfohlen und sie hat ein foto mit mir gemacht, danach habe ich mein Vorstellungsgespräch gegeben und wurde als Praktikant ausgewählt.

5. Lernen Sie über das Gewöhnliche hinaus

Halten Sie Ihre Ermittlungsseite aktiv Beim Erlernen der Konzepte, Datenwissenschaft, Machine Learning und Deep Learning führen kontinuierlich umfangreiche Forschungen in allen Teilen der Welt durch. Deswegen, Behalte einen breiten Kopf und lerne Dinge, die über die Schritte des Data Science-Arbeitszyklus hinausgehen. Ich sage dies, weil kein erworbenes Wissen verschwendet wird und die Integration Ihres Wissens aus verschiedenen Phasen und Dimensionen Ihres Lebens Sie zu dem macht, was Sie heute sind., Außerdem gibt es dir eine einzigartige Identität und einen Denkprozess. Dann, benutze es.

Ich erwähne ein paar Dinge, die ich als nächstes gelernt habe:

1. IA verantwortlich (Ethik in der KI)

2. Wie Menschen verschiedene Arten von Visualisierungen wahrnehmen (Radmaße anzeigen)

6. Lernen Sie von den besten Ressourcen

• Videokurse:

  • Youtube Kanal, freeCodeCamp

  • Coursera-Kurse:

    • IBM Data Science Professional-Zertifikat

    • Angewandte Datenwissenschaft von der University of Michigan

    • DeepLearning.ai-Kurse, wenn Sie an Deep Learning interessiert sind

    • Data Science AZ und Udemy von Kirill Eremenko

    • IBM Angewandte Datenwissenschaft

  • Datencamp: meine Lieblingsressource für Data Science. Entdecke es nach Herzenslust, Sie werden es lieben, Data Science bei DataCamp zu machen und zu lernen.

• Lesekurse:

  • Praktische Statistik für Data Scientists Mehr als 50 Grundlegende Konzepte mit R und Python von Peter Bruce, Andrew Bruce, Peter Gedeck

  • Python Data Science Handbook von Jake VanderPlas, herausgegeben von O'Reilly

  • Die Kunst der Statistik, aus Daten zu lernen von David Spiegelhalter

  • Die visuelle Präsentation quantitativer Informationen von Edward R. Tufte

  • Data Mining Praktische Tools und Techniken des maschinellen Lernens von Ian H. Witten y Eibe Frank

7. Mach dir die richtigen Notizen

Dieser Punkt ist selbsterklärend. Du kannst dich nicht an alles erinnern, was du gelesen hast, lernst oder studierst du?. Also um dein zu machen persönliche Suchmaschine (Gehirn) effizienter und schneller Notizen richtig machen ist der beste Weg. Sie werden sich jedes Mal psychologisch leistungsfähiger fühlen, wenn Sie Ihre Notizen sehen, sie repräsentieren deine harte Arbeit, Fortschritt und so viel Wissen, das du dir bisher angeeignet hast.

8. Eroberung in Schritten

Sie müssen von Zeit zu Zeit mit sich selbst zufrieden sein, weitermachen und die Flamme des Lernens nicht aufrichtig verlöschen lassen. Ich habe viele Leute gesehen, die verängstigt oder müde waren oder einfach desinteressiert waren, nach einer Weile hart zu arbeiten. Aus meiner Sicht, Dies geschieht normalerweise, wenn Sie das Gefühl haben, das Ziel nicht erreicht zu haben und Sie gehen weiter, ohne zu wissen, wo Sie gerade stehen, Wie weit bist du mit deinem Engagement und deiner harten Arbeit gekommen.

Deswegen, Versuchen Setze dir kleine Ziele und wenn du sie überschreitest, stolz sein weil du gerade die beste version deiner selbst bist, Du gibst nicht auf und gehst mit Glück und Zufriedenheit weiter.

9. Tragen Sie zu Gemeinschaften bei

Als würdest du mit vielen wunderbaren Ressourcen studieren, Wieso nicht ab einem gewissen Wissen ein Beitrag leisten und für eine Person du selbst werden? Der Akt des Teilens von Wissen Es ist nicht gut, den Fluss neuen Wissens am Leben zu erhalten, aber mach dir auch einen namen. Diese Beiträge werden dir so viel Bedeutung beimessen, wie es sonst nichts könnte. Psychologisch wirst du dich richtig stark fühlen und das würde sich mehr in seinem nächsten Job widerspiegeln. Hält den Lernprozess stark und schärft Ihr Gesamtbild als Data Scientist oder was auch immer.

Einige Beispiele für solche Gemeinschaften sind, Kaggle, Papierbereich, Analytics-Vidya, Halb, etc.

10. Wenn möglich, einen Mentor finden

Gut, Das ist keine leichte Aufgabe, aber es ist eine Erweiterung des vorherigen Schritts von „von den besten Ressourcen lernen“. Wenn du jemanden hast (ein Experte / oder sogar eine Person mit mehr Erfahrung als du), führt Sie in die optimierte Richtung für Ihr Lernen, du wanderst weniger und fang mehr. Am besten erreichen Sie so viele Menschen wie möglich in LinkedIn (Betteln oder reizen Sie sie nicht, Sei einfach klar und direkt mit der Hilfe, die du von ihnen brauchst).

11. Glaube an dich selbst

Ich erwähne den wichtigsten Schritt am ENDE, denn auch wenn ich alle oben genannten Schritte außer diesem verstanden habe, du könntest möglicherweise scheitern oder dich in so vielen Dingen verlieren, die du definitiv nicht für dich selbst haben möchtest. Dann, egal wie lange es dauert, wenn Sie Ihre täglichen und wöchentlichen Ziele erreichen, Erweitern Sie Ihr Netzwerk von Menschen,

DU WIRST, URSACHE WENN NICHT DU DANN WER? ES WIRD DU SEIN! Glauben!

Das war das ENDE dieses Artikels, Ich hoffe du hast etwas für deine EIGENE Reise gelernt. Teilen Sie es mir jederzeit über LinkedIn.

Gargeya Sharma

B.Tech Informatik (31. Jahr)
Spezialisiert auf Data Science und Deep Learning
Data Scientist Praktikant bei Upswing Cognitive Hospitality Solutions
Für mehr Informationen, Schau dir meine GitHub-Homepage an

LinkedIn GitHub

Blog-Titelbild von Mantas Hesthaven Über Unsplash

Zonenfoto von Paul Skorupskas Über Unsplash

Verwandt