Navigare in un campo in continua evoluzione
Essere uno scienziato dei dati significa iscriversi come studente a vita. Qualcosa di nuovo emerge sempre nel campo della scienza dei dati: un nuovo algoritmo, una nuova pratica, un nuovo concetto. Come dovremmo noi scienziati dei dati mantenerci aggiornati e navigare in questo campo in continua evoluzione? In questo articolo, vorrei condividere cosa imparare e come apprendere continuamente come autodidatta nella scienza dei dati e attualmente lavora in questo campo.
Perché imparare continuamente
Prima di discutere continuamente su come apprendere come data scientist, è importante capire innanzitutto il perché. Imparare senza uno scopo raramente dà un reale miglioramento delle competenze, e poiché è difficile mantenerti motivato in modo coerente. Per me, l’apprendimento continuo è quasi una necessità sul lavoro. Incontrare ostacoli sul lavoro è comune a causa della natura complessa dei problemi. Costruire qualcosa da zero o migliorare i metodi di risoluzione dei problemi richiede sempre ulteriori ricerche, letture e pratica. Inoltre, sono anche una persona curiosa e desiderosa di saperne di più sulle ultime tendenze e sulle tecnologie all’avanguardia nel mio campo. Esaminando i miei progetti e articoli passati su Medium, alcune tecniche che allora erano all’avanguardia sembrano così obsolete oggi. Sono stupito dalla velocità con cui questo campo si sta evolvendo e, allo stesso tempo, mi sento obbligato a evolvere e aggiornare le mie competenze. Per me, l’apprendimento continuo aumenta l’efficienza del lavoro, aumenta la fiducia e la sicurezza del lavoro e mi ispira nella creazione di contenuti. In effetti, una mentalità di apprendimento continuo è vantaggiosa per chiunque cerchi la crescita e sia disposto a uscire dalla propria zona di comfort, non solo limitata alla scienza dei dati o al settore tecnologico. Trova il tuo “perché” prima di iniziare.
Decidere cosa imparare è importante. Dipende dal tuo attuale livello di abilità e dai tuoi obiettivi a breve e lungo termine. Mi concentro sull’apprendimento di due tipi di competenze: competenze hard per generare intuizioni e competenze trasversali per fornire tali intuizioni in modo efficace.
Competenze difficili
Fonte: towardsdatascience.com
