KY=MX+B
Борьба за то, чтобы найти свою первую работу в качестве специалиста по данным
В самой последней части этой странной личной колонки, которую я выбрал для написания, я рассказал о происхождении моего интереса к науке о данных и о своем решении посетить учебный курс по программированию. Хотя сама статья была забавной, она также была эгоцентричной, сфокусированной на моем опыте и не более того.
Что еще более важно, он мало что дал тем из вас, кто искал информацию о самом важном шаге в построении карьеры в области науки о данных - поиске своей первой работы в области науки о данных .
Эта пандемия, несомненно, страшное время для поиска работы, особенно если вы заканчиваете учебу и хотите получить свою первую роль в машинном обучении. Как человек, который в настоящее время берет интервью у специалистов по данным начального уровня, я хочу поделиться своей историей и взглянуть на то, на чем новые специалисты по данным могут лучше сосредоточить свои усилия.
Итак, на этот раз я хотел бы рассказать о своем опыте поиска своей первой работы в области науки о данных - о неудачах, недостатках и всем остальном.
Неважно, посещали ли вы или посещаете учебный курс по программированию, заканчиваете ли вы его со степенью в данной области или просто хотите использовать это время для смены карьеры, я надеюсь, что смогу поделиться некоторыми мыслями о своих собственных ошибках и ошибках, которые я сделал. засвидетельствовал, как делают другие.
Писать о прошлой наивности немного неловко, но я надеюсь, что смогу дать несколько советов, которые я хотел бы иметь под рукой, когда искал свою первую работу на полную ставку.
Фон
Если вы не читали последний пост в этом столбце, я посетил учебный курс по науке о данных после окончания MS в 2016 году (в несвязанной области). Я также работал аналитиком данных в течение года, выполняя очень базовый R для биотехнологической компании. После того, как я действительно заинтересовался данными, я стал искать учебные курсы по науке о данных, чтобы получить более формальное техническое образование.
С этого момента я начал свой путь от новичка с небольшими техническими навыками до соискателя в области науки о данных.
Месяц 1: экраны телефонов и ложная уверенность
Я закончил свой учебный курс по науке о данных всесторонним кандидатом. Сам буткемп был всеобъемлющим. Я почти ничего не понимал в этом (ты не хрен, мне пришлось спросить у однокурсника, что такое машинное обучение на второй неделе), и вышел универсальным специалистом по науке о данных - практиковал в R , Python, SQL и множество разнообразных знаний машинного обучения.
Когда я получил аккредитацию и начал подавать заявки и работать в сети, я практиковал Python, SQL и общее машинное обучение, чтобы подготовиться к техническим собеседованиям. Не проявляя излишней осторожности и избирательности, я разослал список простых приложений для каждой подходящей работы в области науки о данных, которую смог найти. За такое ленивое поведение я был вознагражден 4-5 телефонными экранами - две биотехнологические компании, учитывая мой опыт работы в биологии, и несколько стартапов.
Для тех, кто не знаком, собеседование на должности в области науки о данных часто включает два или более следующих шага:
- Начальный экран телефона с рекрутером или членом команды
- Технический экран телефона или домашнее задание по кодированию
- Личное собеседование с членами команды (часто также техническое)
Сами экраны телефонов довольно просты. Многие рекрутеры, вероятно, будут больше говорить о должности и самой компании, а не спрашивать вас о каких-либо технических вопросах. На этом этапе я провел минимальное исследование компаний. Меня больше волновала перспектива получить работу, чем компании, в которых я потенциально буду работать. Я изложил те части своего опыта, которые казались особенно важными. Экраны телефонов всегда выглядели хорошо. Очень быстро у меня было несколько собеседований на втором этапе.
Я уверенно взял трубку на свое первое техническое собеседование с тем же менталитетом и подготовкой, что я раньше использовал для университетских экзаменов и менее технических работ: запомнил кучу важной информации и отвечал на все сразу.
Уверен, вы можете представить, как именно это произошло.
Интервьюер задал относительно простой вопрос Python, вероятно, что-то вроде «Напишите мне функцию, чтобы определить, равны ли 0 какие-либо два числа в списке». И я его полностью разбомбил. Перед этим собеседованием я просмотрел информацию о Python, но еще недостаточно практиковался в программировании. Я не спешил находить решение и не был уверен в своем синтаксисе или логике. Я оставил звонок, позорно зная об ответе (или его отсутствии), который я собирался получить от этой компании.
Месяц 2: длинная серия технических собеседований
Смирившись с этим незнакомым опытом, я начал практиковать всевозможные вопросы Python. Сумма каких чисел в списке равна 0? Какие значения пересекаются между двумя списками? Я задавал себе вопросы, пока не почувствовал себя готовым к следующему интервью.
Я снова поднял трубку, полон уверенности и гордости за свои навыки, желая, чтобы мне задали любой из вопросов Python, которые я практиковал.
Только на этот раз мне не задавали никаких вопросов о Python. Вместо этого мне задали вопрос SQL - такой же относительной сложности, как вопрос о Python в моем первом собеседовании. Получите некоторую статистику из базы данных при замене некоторых строк, в основном оператора CASE на GROUP BY и HAVING.
В ярости я прислушивался к себе, когда (снова) спотыкался по тому же пути, по которому ковылял в первом интервью. До смешного простые вещи, которые, я был уверен, я знал за две недели до этого, ускользнули из моей головы. Беспокойство перед собеседованием в сочетании с отсутствием у меня опыта работы с SQL выразилось в очевидном недоверии к моему ответу. И снова я оставил звонок, зная, каким будет ответ компании.
Этот цикл длился дольше, чем я хотел бы признать, поэтому я просто резюмирую его здесь: на каждом техническом собеседовании меня спрашивали о вещах, которые я, казалось бы, не практиковал, и, хотя я значительно улучшался после каждого собеседования, я все равно терпел неудачу. проактивно реагировать на этот шаблон.
И дело не в том, что я был плохим программистом. Я просто полагался на то, что мой текстовый редактор и учебные материалы были под рукой. От более сложных вопросов (выполнить логистическую регрессию на бумаге) до самых простых из простых (в чем разница между списком и кортежем) я начал понимать проблемы, связанные с моим подходом.
Я счастлив сказать, что все мои неудачи не обязательно были вызваны техническими проблемами. Поскольку это была моя первая работа, было также несколько мест, где я хорошо работал, но не соответствовал минимальной планке опыта. Я не совсем уверен в соотношении технических ошибок и неудач, связанных с опытом, но неприятные и неудобные технические недостатки, безусловно, были теми, которые меня больше всего запомнили, и, как следствие, они заставили меня стараться еще больше.
Забрать домой технические задачи определенно пошли намного лучше (очевидно). Обилие материала, полученного мной из учебного лагеря, помогло мне поддержать мой подход к решению проблем. Мне даже поступали предложения! Однако они были больше ориентированы на аналитику (что меня не интересовало) или не предлагали зарплату, которую я считал способной жить в Нью-Йорке.
В целом, у меня должно было быть около 15 технических собеседований, которые охватывали удручающе широкий спектр содержания - ни одно из которых не привело к успеху. У меня был выбор: я мог продолжить оттачивать свои навыки, переживая свои неудачи, или я мог работать над тем, чтобы стать проактивным вместо реактивного.
Пришло время пересмотреть свой подход.
Месяц 3: В поисках своего ритма
Хотя здесь я сосредоточился на своих неудачах, у меня все же были некоторые успехи: я закончил работу на неполный рабочий день в учебном лагере, который окончил, и устроился на еще одну должность специалиста по данным на неполный рабочий день в небольшом стартапе приложения.
Теперь, когда у меня было две работы неполный рабочий день, я замедлил свой неистовый, всенаправленный процесс подачи заявки на вакансию и пересмотрел свой подход. Я подавал заявку на множество вакансий и был линейно вознагражден массой собеседований.
Однако к собеседованиям я применял ту же философию, что и к рассылке заявок: количество важнее качества. Поначалу было нормально подать заявку сразу и попытаться изучить все навыки науки о данных под солнцем. Однако, когда дело дошло до конкретных интервью, мне очень не хватало подготовки и исследований.
Итак, я изменил свой процесс. Я перестал анализировать миссию компании и требования к должности и стал глубже вникать в то, что компания искала. Я начал тщательно прорабатывать свое резюме для каждой открытой вакансии. Еще до первого экрана телефона я более подробно перечитал описание должности. Возможно, самое важное, что я понял, - это то, что не все рабочие места в области науки о данных созданы равными. Может быть, это тяжелая роль в бизнес-аналитике, может быть, она больше ориентирована на инженерию данных, или, может быть, для этого требуется машинное обучение на Python.
Я сосредоточил свои приложения на ролях, в которых мои навыки стали наиболее сильными: программировании. Я начал отказываться от ролей, в которых я мог либо плохо работать, либо не был заинтересован в продолжении долгосрочной карьеры.
В результате техническая часть моих собеседований резко улучшилась. Описание вакансии было в основном моим листом для учебы на экзамене - моим обзором. Я пытался овладеть всей дисциплиной и ничего не сохранил, в то время как на каждой вакансии публично публикуется список навыков, которые они считают важными, и даже заказывается их для вас.
Одновременно я получал практический опыт, выполняя две должности в области науки о данных с частичной занятостью. Работа с реальными данными о клиентах на Python и попытки решить реальные бизнес-задачи сделали меня более беглым и комфортным в общении с рекрутерами. На технических собеседованиях я был заметно спокойнее. Я чувствовал себя комфортно, не торопясь, чтобы давать вдумчивые и уверенные ответы.
Не тратьте месяцы на то, чтобы научиться этому самому. Учитесь на моих ошибках. Узнайте как можно больше о техническом собеседовании, прочитав описание вакансии и задавая хорошие вопросы с экрана телефона.
Месяц 4: поиск стажировки и карьеры
Стажировка, которую я превратил в свою карьеру, была идеальным сочетанием моего общего опыта, подготовки к конкретной роли и чистой удачи.
Однажды я работал на буткемпе, когда меня внезапно прервал другой сотрудник. Он сказал, что Pfizer опрашивает людей в соседней комнате и хочет узнать, интересно ли мне. Я посмотрел на свой наряд: футболка с рисунком, джинсы скинни и фургоны. Какого черта, правда? Может, тоже.
Интервью было похоже на многие другие: смесь Python, SQL и теоретических вопросов. Только на этот раз я наконец почувствовал себя комфортно. У меня не было времени заранее настроиться на психологию, и (в отличие от многих предыдущих собеседований) у меня появился реальный опыт, на который можно было положиться. Интервью прошло гладко.
Я перешел в следующий раунд. После того, как я прошел через задачу «взять домой», меня пригласили на заключительный раунд личных собеседований - 3 часа на месте. После бесплатного изучения должностных инструкций я вошел в здание Pfizer уверенный и готовый к последнему испытанию.
Хотя я определенно не справился с этим, моя подготовка и опыт окупились. Возможно, это даже было моей самой сложной технической задачей: Python, ML, SQL, Spark, коммуникация, логика… это было определенно сложно. Как ни странно, я прошел процесс начального уровня и согласился на стажировку, которая превратилась в мою нынешнюю роль инженера по машинному обучению.
Чаевые и… ну да, чаевые.
Вот и все. Хотя это и есть история, я уверен, что будет полезнее объединить фактические выводы в отдельные функциональные единицы. Итак, пожалуйста:
Практикуйтесь каждый день. Что поможет вашему собеседованию по техническим вопросам, так это опыт и комфорт, а это не то, чему вы можете научиться за день (или запомнить за неделю). Выделяйте время каждый день на решение проблем без поддержки Google или Stack Overflow.
Используйте науку о данных для решения реальных бизнес-задач. Практикуйтесь, применяя свои навыки в реальных сценариях, которые, по вашему мнению, могут извлечь выгоду из науки о данных. Вы не будете копировать / вставлять учебники в своей роли - вы можете решать проблемы, которые еще не решены. Ставя себя на ноги, вы быстро улучшите свои навыки.
Сконцентрируйте свои навыки. Наука о данных - это плохо определенная и широкая область. Вы программист, математик, рассказчик или еще что-нибудь? Освоить все на начальном уровне невозможно. Сосредоточьтесь на развитии своих сильных сторон и интересов и подайте заявку на работу, которая соответствует этому набору навыков.
Прочтите описание должности. Не могу переоценить это перед техническим собеседованием. Хотя иногда бывает много BS рекрутера, приоритет и формулировка различных наборов навыков могут помочь вам пройти техническую часть, сосредоточив ваше обучение. Используйте это и экран телефона в качестве учебного листа для технических.
Расслабьтесь и не торопитесь во время интервью. Уверенность имеет большое значение в интервью. Лично я говорю быстро, когда нервничаю, и мне становится трудно понять. Нет ничего плохого в том, чтобы притормозить во время собеседования, чтобы организовать свои мысли так, чтобы вы могли дать краткий и ясный ответ, в отличие от непонятного потока сознания.
Не расстраивайтесь! Практика ведет к совершенству, и технические собеседования не исключение. Вы должны одновременно иметь дело со стрессом и незнакомой технической средой (кодирование на доске хуже, чем кодирование в MS Paint). Вы определенно проиграете, но это только подготовит вас к следующему.
Я буду добавлять больше советов по мере того, как они приходят мне в голову, как обычно, не стесняйтесь обращаться в LinkedIn или стать частью моих мрачных подписчиков в Twitter.
Щелкните эту ссылку или изображение ниже, чтобы пройти более подробные курсы по науке о данных!
