歡迎光臨
每天分享高質量文章

乾貨 :5種專案助你找到資料科學工作

或許您已經在網上看了許多的MOOC,閱讀了很多工具書,但是您有可能仍然擔心找不到工作或根本沒有找到工作。在資料科學領域找到合適的工作的確有一定難度。最好的向HR展現您能力的方式就是準備一個檔案夾。在檔案夾中放入以下五種您做過的資料科學專案。


1

資料清洗



通常來講,資料科學家在一個新的專案中預計會花80%的時間來清洗資料。這對於團隊來說是一個長而痛苦的過程。如果您能展示您在清洗資料上具有豐富的經驗,您就會變得很有價值。您可以找一些雜亂無章的資料集練習清理資料來增加您的經驗。

如果您用的是Python,Pandas是一個很好用的包;如果您用的是R,dplyr包將會是一個不錯的選擇。確保您展示出以下的技能:

  • 標註重點資料

  • 連接多個資料集

  • 檢測缺失資料

  • 檢測異常值

  • 填充缺失資料

  • 確認資料質量


2
探索性資料分析



另一項有關資料科學的重要內容是探索性資料分析(EDA)。這是提出問題的過程,需要您用可視化技術來研究這個資料集。EDA使得分析師能夠從資料中得出一些能驅動商業決策的結論。或許您能從客戶的資料、銷售的趨勢、季節的影像中得到有趣的結論。甚至有時候您能有一些和您最初設想完全不同的發現。

用於探索性分析的一些有用的Python包是PandasMatplotlib。對於R用戶,ggplot2包將很有用。EDA專案應該顯示以下技能:

用於探索性分析的一些有用的Python包是PandasMatplotlib。對於R用戶,ggplot2包將很有用。EDA專案應該顯示以下技能:

  • 能夠為調查制定相關問題

  • 識別趨勢

  • 識別變數之間的相關關係

  • 使用可視化技術(散點圖,直方圖,箱線圖等)有效地傳達結果


3
交互式資料可視化


交互式資料可視化包括儀錶板等工具。這些工具對資料科學團隊以及更多面向業務的最終用戶都很有用。儀錶板允許資料科學團隊進行協作,並一起繪製見解。更重要的是,它們為面向業務的客戶提供了一種交互式工具。這些人專註於戰略標的而非技術細節。通常,資料科學專案的可交付成果將以儀錶板的形式出現。

對於Python用戶,BokehPlotly庫非常適合創建儀錶板。對於R用戶,請務必查看RStudio的Shiny軟體包。您的儀錶板專案應突出顯示以下重要技能:

  • 包括與客戶需求相關的指標

  • 創建有用的功能

  • 邏輯佈局(“F樣式”便於掃描)

  • 創建最佳掃清率

  • 生成報告或其他自動操作




4
機器學習


機器學習專案是資料科學組合的另一個重要部分。在您開始構建一些深度學習專案之前,請退後一步。我們說的並不是建立複雜的機器學習模型,而是堅持基礎。線性回歸和邏輯回歸是很好的開始。這些模型更易於解釋和與上層管理層溝通。我還建議關註一個對業務有影響的專案,例如預測客戶流失,欺詐檢測或貸款違約。這比預測花型更貼近於工作實際。

如果您是Python用戶,請使用Scikit-learn庫。對於R用戶,請使用Caret包。您的機器學習專案應該傳達以下技能:

  • 您選擇使用特定機器學習模型的原因

  • 將資料拆分為訓練/測試集(k倍交叉驗證)以避免過擬合

  • 選擇正確的評估指標(AUC,adj-R ^ 2,混淆矩陣等)

  • 特征值的選擇

  • 超引數調整


5
溝通能力


溝通是資料科學的一個重要方面。能否有效地傳達結果是優秀資料科學家與優秀科學家之間的區別。無論您的模型多麼花哨,如果您無法向隊友或客戶解釋,您將無法獲得他們的支持。幻燈片和筆記本電腦都是很好的溝通工具。嘗試將您的一個機器學習專案放入幻燈片格式中。您還可以將Jupyter NotebookRMarkdown檔案用於需要溝通的專案。

確保瞭解您的標的受眾是誰。向高管們展示您的專案和向機器學習專家展示是非常不同的。一定要掌握這些技能:

  • 瞭解您的標的受眾

  • 使用相關的可視化技術

  • 請勿過多地提供幻燈片

  • 確保您的演示文稿流暢

  • 將結果與業務影響相結合(降低成本,增加收入)


確保在Jupyter筆記本或RMarkdown檔案中記錄您的專案。然後,您可以使用Github Pages將這些檔案免費轉換為靜態網站。這是向潛在雇主展示您的專案的好方法。



原文URL:https://www.kdnuggets.com/2018/06/5-data-science-projects-hired.html

原文作者:John  Sullivan

原文題名:5  Data  Science  Projects  That  Will  Get  You  Hired  in   2018

翻譯、校對、排版:李昊璟、朝樂門

END

版權宣告:本號內容部分來自互聯網,轉載請註明原文鏈接和作者,如有侵權或出處有誤請和我們聯繫。


關聯閱讀:

原創系列文章:

1:從0開始搭建自己的資料運營指標體系(概括篇)

2 :從0開始搭建自己的資料運營指標體系(定位篇)

3 :從0開始搭建自己的資料運營體系(業務理解篇)

4 :資料指標的構建流程與邏輯

5 :系列 :從資料指標到資料運營指標體系

6:   實戰 :為自己的公號搭建一個資料運營指標體系

7:  從0開始搭建自己的資料運營指標體系(運營活動分析)

資料運營 關聯文章閱讀:  

運營入門,從0到1搭建資料分析知識體系    

推薦 :資料分析師與運營協作的9個好習慣

乾貨 :手把手教你搭建資料化用戶運營體系

推薦 :最用心的運營資料指標解讀

乾貨 : 如何構建資料運營指標體系

從零開始,構建資料化運營體系

乾貨 :解讀產品、運營和資料三個基友關係

乾貨 :從0到1搭建資料運營體系

資料分析、資料產品 關聯文章閱讀:

乾貨 :資料分析團隊的搭建和思考

關於用戶畫像那些事,看這一文章就夠了

資料分析師必需具備的10種分析思維。

如何構建大資料層級體系,看這一文章就夠了

乾貨 : 聚焦於用戶行為分析的資料產品

如何構建大資料層級體系,看這一文章就夠了

80%的運營註定了打雜?因為你沒有搭建出一套有效的用戶運營體系

從底層到應用,那些資料人的必備技能

讀懂用戶運營體系:用戶分層和分群

做運營必須掌握的資料分析思維,你還敢說不會做資料

合作請加qq:365242293  


更多相關知識請回覆:“ 月光寶盒 ”;

資料分析(ID : ecshujufenxi )互聯網科技與資料圈自己的微信,也是WeMedia自媒體聯盟成員之一,WeMedia聯盟改寫5000萬人群。

赞(0)

分享創造快樂