向数据科学过渡--求职

Question

从数学背景过渡，是否有可能找到一份数据科学的工作，只要能够写我自己的代码(kmeans，kNNs，logistic回归等)，而不使用任何流行的商业软件？

Answer 1

基本的答案是肯定的，你所描述的是可能的。但真正的问题是你应该吗？

我想多听听你这么做的动机。事实是，数据科学需要一种大多数人(即使是聪明人)所没有的热情和好奇心。他们只想要数据科学上的钱。

我每天都会读一些简历，其中最困难的部分是那些有数学背景的人，因为他们不具备所需的商业知识。对于我们大多数在这个领域工作的人来说，数据科学并不是理论上的，这些算法实际上是被部署起来的，人们也在使用它们。更重要的是，它们致力于解决核心业务问题/用例。大多数应用数据科学(即支付您费用的项目)将从业务用例开始。

你能有效地站在一间几十年没有上过数学课程的高管面前，解释你想要做什么，而没有任何公式或任何会失去听众的行话？您能否有效地跨多个团队工作以创建所需的所有基础设施(数据管道、存储、处理能力等)？

从这里开始，您还必须“出售”您的解决方案和实现，因为这是一个用例，您可能要求一个大公司将他们的方法从一个方向完全转换到另一个方向。是的，你知道算法有效。但对他们来说，你是在说，“把你的生意交给我，让这个算法，你看不见也摸不到，就可以经营你的公司”。剧透警报:你会让很多高管盯着你看--这不是一件容易的事！

因此，你应该问问自己，你是否是某一特定业务领域的专家，或者在商业讨论中你带来了哪些项目？这些部分，以及对数据科学缺乏热情，将成为实现这一转变的最大障碍。

Answer 2

请接受我的回答，一点盐，纯粹是基于我的经验，在过去几年的数据科学行业。

从数学背景来看，你应该会发现学习和实现像Logistic回归、kmeans等算法相对容易一些。然而，在这个行业中，了解如何将它们作为有效的解决方案使用是很重要的，而从头编写它们的选项要小得多，因为有几个科学包，比如scipy、sklearn，已经很好地实现了这些算法，并且已经被数据科学界多次测试过。但是，您可以使用您的技能为这些包贡献，因为它们大多是开源的。

另外，数据科学是一个广阔的领域，找到工作意味着理解你真正想要用数据做什么，以及你选择进入的领域。

考虑到你的数学背景和编程经验，获得一份数据科学工作的障碍最好要轻得多。