آیا به یادگیری علم داده‌ علاقه‌مندید اما نمی‌دانید چطور در برنامه‌ی پرمشغله‌تان جایی برای یادگیری اختصاص دهید؟نگران نباشید، در این پست، ما چند راهکار برای شروع یادگیری علم داده‌ یا دیتاساینس در حالی که به عنوان یک کارمند تمام وقت مشغول هستید، را خدمت شما ارائه خواهیم داد.

همچنین، لیستی از منابعی را که می‌توانید برای شروع از آنها استفاده کنید، معرفی خواهیم داد.

در شروع یادگیری چه توقعی باید داشته باشیم؟

در هنگام شروع به یادگیری علم داده‌، احتمالن با مفاهیم و اصطلاحات مختلفی آشنا می‌شوید. در ابتدا، ممکن است مدیریت این حجم از مفاهیم سخت باشد، اما نگران نباشید، این موضوع طبیعی است. در زیر، برخی از مهم‌ترین مفاهیمی که در حین مطالعه علم داده‌ یاد خواهید گرفت، آورده شده است:

داده‌کاوی: داده کاوی در واقع استخراج اطلاعات ارزشمند از مجموعه‌های بزرگ داده است.

تحلیل داده‌ها: این فرایند تجزیه و تحلیل داده‌ها را به منظور تصمیم‌گیری‌های آگاهانه انجام می‌دهد.

استنتاج آماری: این فرایند مسئولیت استفاده از آمار برای استخراج نتایج و نتیجه‌گیری از داده‌ها را بعهده دارد.

یادگیری ماشین: این حوزه از علوم کامپیوتر شامل آموزش ماشین برای یادگیری از داده‌ها و انجام پیش‌بینی‌های بر اساس آن اطلاعات است. در واقع این شاخه قصد دارد تا با نوشتن الگوریتم‌هایی که پایه‌ی ریاضی دارند، از دل داده اطلاعات مفیدی را استخراج کند و با کمک آنها رویدادهای آتی را بنوعی پیشگویی یا پیش‌بینی کند.

یادگیری عمیق: یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که در آن از شبکه‌های عصبی برای یادگیری الگوهای موجود در داده‌ها و بدون دخالت انسانی استفاده می‌شود. یعنی با کمترین نیاز به حضور یک متخصص که نیاز داشته باشد الگوریتم را آموزش دهد، کارها پیش خواهد رفت.

اگر موضوعات فوق برای شما سخت به نظر می‌رسند، نگران نباشید. با ادامه‌ی فرایند یادگیری علم داده‌، شما بیشتر در مورد هر یک از این موضوعات آموزش خواهید دید و ابهامات‌تان بیشتر رفع خواهد شد. رمز موفقیت و پیروزی، تداوم در آموزش و انجام کارهای عملی است.

مطالعه از 6 الی 9

اگر قصد دارید وارد صنعت کار با دیتا یا داده‌ها شوید (در واقع هر شاخه‌ای که مرتبط با تکنولوژی و دیتا باشد)، استفاده‌ی بهینه از وقت آزاد شما بسیار مهم و حیاتی است. یک روش خوب برای این کار، مطالعه‌ی کتب مختلف در زمینه‌ی علوم داده‌ از شنبه تا پنجشنبه، از حدود ساعت 6 تا 9 شب است.

اگر حدود ۳ ساعت در روز برای مطالعه در روزهای هفته زمان تخصیص دهید، در کوتاه‌ترین زمان ممکن سطح قابل توجهی از پیشرفت را تجربه خواهید نمود و همواره یک سر و گردن نسبت به سایر رقبای خود پیشی خواهید گرفت، چون اشخاص کمتر دست به کتاب می‌شوند. در حالی که بهترین، ظریف‌ترین و بزرگ‌ترین نکات درون کتاب‌ها نوشته شده‌اند.

وقتی که بنده در حال یادگیری علم داده‌ بودم، برنامه‌ی کاری من به این شکل بود: کار از ساعت 8 صبح تا 4 عصر، بعد از کار به خانه برمی‌گشتم و غذایی می‌خوردم، سپس از ساعت 18 تا 21 مطالعه می‌کردم و سپس از ساعت 21 تا 22 به باشگاه می‌رفتم. این روش برای من بسیار موثر بود و همچنان زمان کافی برای تفریح در آخر هفته داشتم. روزها در دفتر کارم هم تا وقت آزاد می‌یافتم، کدها را نوشته و تمرین می‌کردم.

البته، این روش برای همه شاید مناسب نباشد، شما با توجه به شرایط خود، این روتین (روزمرگی) را کمی تغییر بدهید.

یک دوره آموزشی جامع برای خود تهیه کنید

اگر به دنبال یک تجربه‌ی یادگیری سازمان‌یافته‌تر و دقیق‌تر هستید، در نظر داشته باشید که یک دوره‌ی آموزشی آنلاین بخرید. هیچ‌گاه تجربه‌ی دیگران را دوباره تکرا نکنید و تا حد توان از آنها بیاموزید.

این دوره‌های آموزشی معمولاً حدود ۱۲ هفته طول می‌کشند و شما را از مبانی علم داده‌ تا مباحث پیشرفته مانند یادگیری ماشین و یادگیری عمیق آموزش می‌دهند.

برخی از دوره‌های مورد علاقه ما عبارتند از:

• دوره‌های مختلف علم دادهاز کورسرا (انگلیسی- مثلن این کورس)
• دوره‌های مختلف آموزشی از اداکس (انگلیسی- مثلن این کورس)
• دوره‌های مختلف علم داده از یودمی (انگلیسی- مثلن این کورس)
• لیست‌ پخش‌های برخی از یوتیوبرها (فقط سعی کنید دوره‌ای را در یوتیوب انتخاب کنید که به پایان رسیده باشد. چون افراد زیادی چنین دوره‌هایی را آغاز می‌کنند و شما درگیر آنها می‌شوید. ولی بعد از مدتی دیگر هیچ ویدیویی منتشر نخواهد شما و شما می‌مانید و وقت هدر رفته). بعنوان مثال دوره صفر تا صد علم داده که 35 ساعت و توسط مجموعه‌ی ما منتشر شده است را می‌توانید مشاهده نمائید. اینجا را کلیک نمائید.
• دوره آموزشی دانشگاه تهران
• افراد و موسسات مختلف در کشور که باید خودتان با جستجو آنها را بیابید. این‌روزها همه مدعی بهترین و جامع‌ترین را دارند
• مدرسه جامع علم داده از مجموعه‌ی خودمان. برای مشاهده‌ی سرفصل‌های این دوره اینجا را کلیک نمائید.

این دوره‌ها به شما مهارت‌های لازم برای ورود به حرفه‌ی علم داده‌ و تحلیل داده‌ها را می‌دهند. اما بدانید که هیچ شخصی با هیچ دوره‌ای نمی‌تواند به مرحله‌ی صد برسد. تنها تداوم در آموزش کلید رسیدن به بهترین و بالاترین جایگاه‌های شغلی است. همچنین، اگر برای برنامه زمانی شما بهتر است، می‌توانید از کتاب‌ها نیز برای یادگیری استفاده کنید. هیچ‌گاه کتاب را از جدول یادگیری خود کنار نگذارید.

ار منابع آموزشی رایگان استفاده کنید

علاوه بر منابع اشاره شده‌ی قبلی، پلت‌فرم‌های رایگان دیگری نیز وجود دارند که می‌توانید از آنها استفاده کنید. در ادامه فهرستی از محبوب‌ترین منابع را خدمت شما تقدیم خواهیم نمود:

1. یوتیوب (Youtube): در یوتیوب، محتوای فوق العاده‌ای در زمینه علم داده وجود دارد. فقط کلمه‌ی “علم داده یا دیتاساینس” را در نوار جستجو وارد کنید و ببینید چه چیزهایی برای شما پیدا می‌کند. در اینجا همه چیز از ویدئوهای مقدماتی تا آموزش‌های عمیق و فوق پیشرفته قابل دسترس و استفاده هست.
2. خان آکادمی: اگر به دنبال مطالب مقدماتی در زمینه‌ی علم داده و علوم مرتبط هستید، خان آکادمی یک مکان بسیار خوب برای شروع است.
3. استک اورفلو (Stack Overflow): استک اورفلو یک وب‌سایت پرسش و پاسخ است که اشخاص می‌توانند در مورد موضوعات مختلف، از جمله علم داده، سوالات خود را مطرح کنند و پاسخ مطلوب را بیابند. این مجموعه یک مکان عالی برای یادگیری است خصوصن اگر به دنبال راه حل‌های خاص برای مسائل خود یا یادگیری بیشتر درباره یک موضوع خاص هستید.
4. گیت هاب (GitHub): گیت هاب یک پلتفرم نگهداری کد (و داده) است که توسعه دهندگان می‌توانند کد خود را با دیگران به اشتراک بگذارند. همچنین، یک مکان عالی برای یافتن پروژه‌های علم داده و هوش مصنوعی منبع باز است که می‌توانید آنها را دانلود نموده و برای خودتان امتحان کنید.

البته تعداد منابع بسیار بیشتر از این عناوین است. اما شما با همین‌ها کار خودتان را آغاز کنید و رفته رفته با سایر پلت‌فرم‌ها نیز آشنا خواهید شد.

چیزی را که یاد گرفتید با تمرین در ذهن خود، عمیق سازید

هنگامی که به مفاهیم اساسی و تا حدودی پیشرفته در دنیای علم دادهتسلط پیدا کردید و با پایتون یا هر زبان برنامه‌نویسی دیگری آشنا شدید، وقت آن رسیده است که آنها را در عمل به کار ببندید.

بهترین راه برای یادگیری، انجام کار است، بنابراین پیشنهاد می‌کنیم که برای خود پروژه‌های تعریف کنید که مستقیمن با آنچه علاقه‌ی زیادی دارید، هماهنگ باشد. مثلن اگر کار اصلی شما دیجیتال مارکتینگ است، پروژه‌ای را در این راستا تعریف کرده و ادامه دهید. تا حد امکان سعی نمائید که کارتان با ساختن یک MVP (minimum viable product) به اوج برسانید. ام وی پی در واقع یک محصول کوچک و شبیه‌سازی شده از چیزی است که شما در ذهن دارید و با توانایی‌هایی خود آنرا برای ارائه و جلب توجه سایر متخصصین و دریافت اسپانسر، می‌سازید.

به عنوان مثال دوم، اگر به دنیای ورزش علاقه‌مندید، سعی کنید یک مدل پیش‌بینی کننده‌ی نتایج بازیهای NBA (لیگ بسکتبال آمریکا) بسازید و اگر از موسیقی لذت می‌برید، شاید یک مدلی که بر اساس متن آهنگ‌ها می‌تواند سبک‌های مختلف موسیقی را شناسایی کند، بسازید.

فراموش نکنید که در پروژه‌های علم داده و هوش مصنوعی که بی‌پایان هستند، از خلاقیت خود تا حدی که توانایی‌هایی شما اجازه می‌دهند، بهره ببرید و به هیچ وجه نترسید.

از کگل ایده و کمک بگیرید

اگر به دنبال یک روش ساختاری و بدون دردسر یافتن ایده، برای انجام پروژه‌ها هستید، در نظر داشته باشید که آنها را از طریق کگل (Kaggle) انجام دهید. کگل یک وب‌سایت است که امکان شرکت در مسابقات علم داده و هوش مصنوعی را فراهم می‌کند. معمولن انواع مختلفی از مسابقات در دسترس عموم هستند (مانند رگرسیون، طبقه‌بندی و خوشه‌بندی، بینایی کامپیوتر و …) و در سطح سختی متفاوتی قرار دارند.

این یک روش عالی برای تمرین مهارت‌های دیتاساینسی شما به همراه یادگیری مهارت‌های جدید است. علاوه بر این، شما می‌توانید در برابر افرادی از سراسر جهان رقابت کنید و ببینید چقدر یاد گرفته‌اید و تا چه حد موفق هستید.

برای تداوم راه حتمن به یک انجمن از افراد علاقمند بپیوندید

در علم داده (مشابه با سایر علوم مرتبط با تکنولوژی) یکی از نکات مثبت این است که جامعه‌ یا انجمن بزرگی از افراد آنلاین وجود دارد که مایل هستند به دیگران کمک کنند. اگر به هر دلیلی در کاری به بن‌بست رسیدید و نیاز به راهنمایی داشتید، اصلن نترسید و به دنبال کمک بگردید.

یکی از بهترین راه‌ها برای حفظ انگیزه و ارتباط با دیگر افرادی که در حال یادگیری دیتاساینس هستند، پیوستن به یک گروه از افراد نخبه و با انگیزه است. تعداد زیادی از این گروه‌ها در دنیای بی‌انتهای نت وجود دارند که کاملن هم رایگان می‌باشند. پس تحقیق کنید و ببینید کدام گروه بهترین گزینه برای شماست. دست از جستجوی بهترین‌ها برندارید.

یکی از گروه‌هایی که اخیرن در گوگل پیدا کردم که در این زمینه بسیار فعال است و در صورت تمایل می‌توانید به آن ملحق شوید، گروه زیر می‌باشد:

datascience.slack.com

علاوه بر گروه فوق، یک گروه تلگرامی از مجموعه را نیز که بتازگی راه‌اندازی نموده‌ایم خدمت شما معرفی خواهیم نمود. قطعن با عضویت در آن می‌توانید اکثر سوالات و ابهامات خود را مطرح کرده و از افراد با تجربه‌تر بپرسید. در گروه زیر عضو شوید 👇👇👇

Ask Your Data Question

علاوه بر این، می‌توانید سعی کنید یک منتور یا راهنما و یا کسی که تجربه‌ی بیشتری از شما دارد را پیدا کنید تا به شما راهنمایی و پشتیبانی دهد. پیداکردن یک منتور ممکن است سخت باشد، اما اگر می‌خواهید پیشرفت خود را تسریع کنید، این تلاش ارزش آن را دارد. اگر نیاز به راهنمایی داشتید، ما صمیمانه در کنار شما هستیم. وارد این لینک شوید و فرم را کامل نمائید.

من پیشنهاد می‌کنم ابتدا به جامعه‌ها و یا انجمن‌های آنلاین سر بزنید و آنجا برای این مهم تلاش کنید و اگر نتیجه نگرفتید، به لینکداین مراجعه نمائید و شروع کنید به برقراری ارتباط تا ببینید آیا کسی مایل به کمک است یا خیر.

اجازه ندهید که دنیای کارمندی مانع پیشرفت و یادگیری شما شود

ما همه به دنبال موفقیت در شغل خود هستیم، اما همیشه این موضوع چندان آسان نیست. علم داده یک حوزه‌ی نسبتن سخت است (در بدو امر) و اگر می‌خواهید موفق شوید، باید بسیار سخت تلاش کنید تا بروز شوید و بمانید.

اگر این موضوع (دیتاساینس) چیزی است که توجه شما را جلب می‌کند، تردید نکنید؛ امروز شروع به یادگیری کنید. هر چه زودتر شروع کنید، زودتر به یک متخصص تبدیل خواهید شد! منابع آنلاین و رایگان بسیاری موجود هستند، بنابراین عدم دسترسی به منابع، شما را از دستیابی به اهدافتان باز نگه ندارد.

اگر این پست به شما کمک کرده است، من آن را یک موفقیت برای خودم و شما می‌دانم، با آرزوی موفقیت‌های بیشتر و یادگیری همیشگی. و کلام آخر؛ از مسیر لذت ببرید. این راه را پایانی نیست.

منبع (با مقداری ویرایش و دست‌کاری در متن اصلی از سمت مترجم):

How to Learn Data Science in 6 Months While Working a 9–5 Job