SKAZANY NA SUKCES KARIERA W DATA SCIENCE NOLIS J. ROBINSON E. Księgarnia

Skazany na sukces

Kariera w Data Science

Nauka o danych, zwana danologią, zyskuje na znaczeniu. Dane dla gospodarki są tym, czym dotąd były węgiel, stal i ropa naftowa. Umiejętność korzystania z wiedzy zawartej w danych decyduje o efektywności prowadzenia działalności gospodarczej i determinuje rozwój nowych modeli, rozwiązań i relacji gospodarczych. Już teraz specjaliści danolodzy są rozchwytywani na rynku pracy. Aby jednak w pełni i do końca wykorzystać pojawiające się możliwości, trzeba wiedzieć, w jaki sposób podejść do trudnego zagadnienia, jakim jest budowanie ścieżki kariery i podążanie nią w odpowiednim dla siebie tempie.

To praktyczny przewodnik, dzięki któremu łatwiej zdobędziesz pierwszą pracę związaną z badaniem danych, szybciej staniesz się cenionym specjalistą i w miarę rozwoju zawodowego będziesz coraz trafniej wychwytywać pojawiające się możliwości awansu i zmiany pracy na atrakcyjniejszą.

Dowiesz się, jak zdobyć podstawowe umiejętności i jak faktycznie wyglądają konkretne stanowiska pracy. Opisano tu również, jak pomyślnie przejść przez proces rekrutacji i zaaklimatyzować się w nowych warunkach. Nie zabrakło cennych wskazówek dotyczących awansowania na stanowiska kierownicze. Jako danolog prędko się przekonasz, że zawarta tutaj wiedza nietechniczna jest bardzo potrzebna do osiągnięcia sukcesu na polu badania danych.

Dzięki tej książce dowiesz się, jak:

tworzyć świetne portfolio projektów z zakresu badania danych
wyszukiwać, oceniać i negocjować oferty
z klasą zmieniać miejsca pracy
wybierać i skutecznie realizować scenariusze kariery
poradzili sobie inni wybitni analitycy danych!

Wstęp 13
Podziękowania 15
O niniejszej książce 17
O autorkach 21

CZĘŚĆ I. ROZPOCZĘCIE PRZYGODY Z BADANIEM DANYCH 23

1. Czym jest danologia? 25

1.1. Czym jest danologia? 27
1.1.1. Matematyka/statystyka 29
1.1.2. Bazy danych/programowanie 30
1.1.3. Zrozumienie biznesu 32
1.2. Różne rodzaje prac związanych z badaniem danych 33
1.2.1. Analiza 34
1.2.2. Uczenie maszynowe 34
1.2.3. Nauka o podejmowaniu decyzji 35
1.2.4. Pokrewne prace 36
1.3. Wybór swojej drogi 37
1.4. Wywiad z Robertem Changiem, badaczem danych w Airbnb 38
Jak zaczęła się twoja podróż badacza danych? 39
Czego ludzie powinni szukać w pracy związanej z danologią? 39
Jakich umiejętności potrzeba, aby zostać badaczem danych? 40

2. Firmy działające w obszarze danologii 41

2.1. MTC - potężna firma technologiczna 42
2.1.1. Twój zespół - jeden z wielu w MTC 42
2.1.2. Technologia - zaawansowana, ale obecna w firmie w systemie silosowym 43
2.1.3. Zalety i wady pracy w MTC 44
2.2. HandbagLOVE - uznany sprzedawca detaliczny 45
2.2.1. Twój zespół - grupka ludzi walczących o rozwój 46
2.2.2. Twoja technologia - stos technologiczny, który zaczyna się zmieniać 46
2.2.3. Wady i zalety pracy w HandbagLOVE 47
2.3. Seg-Metra - nowo powstały start-up 48
2.3.1. Twój zespół (jaki zespół?) 48
2.3.2. Technologia - najnowsza, wewnętrznie spójna technologia 49
2.3.3. Wady i zalety pracy w Seg-Metra 50
2.4. Videory - udany start-up technologiczny na późnym etapie rozwoju 52
2.4.1. Zespół - wyspecjalizowany, ale z przestrzenią do działania 52
2.4.2. Technologia - próby pokonania kodu odziedziczonego 53
2.4.3. Zalety i wady pracy w Videory 53
2.5. Global Aerospace Dynamics - wielki dostawca rządowy 54
2.5.1. Zespół - danolog w morzu inżynierów 55
2.5.2. Technologia - stara, skostniała i wyposażona w blokadę bezpieczeństwa 56
2.5.3. Zalety i wady pracy w GAD 56
2.6. Podsumowanie 57
2.7. Wywiad z Randym Au, specjalistą Google'a ds. badań ilościowych w zakresie doświadczenia użytkownika (ang. user experience) 58
Czy istnieją duże różnice pomiędzy dużymi a małymi firmami? 58
Czy istnieją różnice w zależności od branży, w jakiej działa dana firma? 59
Jaka jest twoja ostatnia rada dla początkujących badaczy danych? 59

3. Zdobywanie umiejętności 61

3.1. Uzyskiwanie tytułu zawodowego lub stopnia naukowego w zakresie danologii 62
3.1.1. Wybór uczelni 64
3.1.2. Dostanie się do programu akademickiego 66
3.1.3. Podsumowanie kwestii tytułów zawodowych oraz stopni naukowych 68
3.2. Przejście przez intensywny kurs 69
3.2.1. Czego się nauczysz 69
3.2.2. Koszt 71
3.2.3. Wybór programu 71
3.2.4. Podsumowanie intensywnych kursów danologicznych 72
3.3. Zdobycie pracy z zakresu badania danych w swojej firmie 72
3.3.1. Podsumowanie nauki w pracy 75
3.4. Uczenie się na własną rękę 75
3.4.1. Podsumowanie nauki na własną rękę 76
3.5. Dokonanie wyboru 77
3.6. Wywiad z Julią Silge, badaczką danych i programistką w RStudio 78
Zanim zostałaś badaczką danych, pracowałaś na uczelni. Jak zdobyte w środowisku akademickim umiejętności pomogły ci w danologii? 78
Po podjęciu decyzji o zostaniu badaczką danych w jaki sposób zaczęłaś nabywać nowych umiejętności? 79
Czy wiedziałaś, wkraczając do domeny badania danych, jaką pracę chciałabyś wykonywać? 79
Co poleciłabyś osobom, które chciałyby zdobyć umiejętności potrzebne do zostania badaczem danych? 80

4. Tworzenie portfolio 81

4.1. Tworzenie projektu 82
4.1.1. Identyfikowanie danych i zadanie pytania 82
4.1.2. Wybór kierunku 85
4.1.3. Wypełnianie pliku README na GitHubie 86
4.2. Założenie bloga 87
4.2.1. Potencjalne tematy 87
4.2.2. Logistyka 88
4.3. Praca nad przykładowymi projektami 90
4.3.1. Freelancerzy zajmujący się badaniem danych 90
4.3.2. Uczenie sieci neuronowej na podstawie kontrowersyjnych tablic rejestracyjnych 91
4.4. Wywiad z Davidem Robinsonem, danologiem 93
Jak zaczęła się twoja przygoda z blogowaniem? 93
Czy działalność publiczna przyniosła ci konkretne korzyści? 93
Czy są ludzie, którzy twoim zdaniem szczególnie skorzystaliby na działalności publicznej? 93
Jak zmieniał się z czasem twój pogląd na wartość działalności publicznej? 94
Jak powstają pomysły na posty dotyczące analizy danych? 94
Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych? 94
Zasoby do rozdziałów 1. - 4. 95
Książki 95
Posty na blogu 96

CZĘŚĆ II. ZNALEZIENIE PRACY ZWIĄZANEJ Z ANALIZĄ DANYCH 99

5. Poszukiwania - znalezienie odpowiedniej dla siebie pracy 101

5.1. Znalezienie pracy 102
5.1.1. Dekodowanie opisów 103
5.1.2. Szukanie znaków ostrzegawczych 105
5.1.3. Określanie swoich oczekiwań 106
5.1.4. Uczestnictwo w spotkaniach 107
5.1.5. Korzystanie z mediów społecznościowych 109
5.2. Podejmowanie decyzji o tym, o jaką pracę się ubiegać 110
5.3. Wywiad z Jesse Mostipak, rzeczniczką ds. rozwoju oprogramowania w Kaggle'u 112
Jakie masz porady co do rozpoczęcia poszukiwania pracy? 112
Jak można zbudować swoją sieć kontaktów? 112
Co robić, gdy brak nam pewności, żeby odpowiadać na oferty pracy z zakresu badania danych? 113
Co byś powiedziała komuś, kto uważa, że "nie spełnia wszystkich wymogów na to stanowisko"? 113
Jaka będzie twoja ostatnia porada dla początkujących badaczy danych? 113

6. Aplikowanie - życiorysy i listy motywacyjne 115

6.1. Życiorys - podstawy 116
6.1.1. Struktura 118
6.1.2. Zanurzenie się w szczegółach dotyczących doświadczenia zawodowego - generowanie treści 123
6.2. Listy motywacyjne - podstawy 125
6.2.1. Struktura 126
6.3. Szycie na miarę 127
6.4. Polecenie 128
6.5. Wywiad z Kristen Kehrer, wykładowczynią i autorką kursów danologicznych 130
Ile razy, według twoich szacunków, przeredagowywałaś swój życiorys? 130
Jakie są częste błędy, które twoim zdaniem ludzie popełniają? 131
Czy dostosowujesz swoje CV do stanowiska, na które aplikujesz? 131
Jakie strategie polecasz do opisania stanowisk pracy w CV? 131
Jaką masz ostatnią radę dla początkujących danologów? 132

7. Rozmowa kwalifikacyjna - czego należy się spodziewać i jak sobie z tym poradzić 133

7.1. Czego pragną firmy? 134
7.1.1. Proces rozmowy rekrutacyjnej 135
7.2. Krok 1. Wstępna rozmowa telefoniczna 136
7.3. Krok 2. Rozmowa w siedzibie firmy 138
7.3.1. Rozmowa na tematy techniczne 140
7.3.2. Pytania behawioralne 144
7.4. Krok 3. Analiza przypadku 146
7.5. Krok 4. Rozmowa końcowa 148
7.6. Oferta 149
7.7. Wywiad z Ryanem Williamsem, doświadczonym analitykiem decyzyjnym w Starbucksie 150
Co trzeba zrobić, żeby świetnie wypaść na rozmowie o pracę? 150
Jak sobie radzisz w sytuacjach, gdy nie znasz odpowiedzi? 150
Co należy zrobić w przypadku, gdy odpowiedź spotka się z negatywną reakcją? 151
Czego na temat kandydatów nauczyło cię prowadzenie rozmów o pracę? 151

8. Oferta - co można zaakceptować 153

8.1. Proces 154
8.2. Otrzymanie oferty 154
8.3. Negocjacje 156
8.3.1. Co podlega negocjacji? 157
8.3.2. Jak bardzo możesz negocjować 159
8.4. Taktyki negocjacyjne 162
8.5. Jak wybrać jedną spośród dwóch "dobrych" ofert pracy 163
8.6. Wywiad z Brooke Watson Madubuonwu, starszą badaczką danych w ACLU 165
Co należy wziąć pod uwagę, oprócz wynagrodzenia, gdy rozważa się przyjęcie oferty? 165
Jakie są sposoby na przygotowanie się do negocjacji? 165
Co zrobić, kiedy mamy już jedną ofertę, ale nadal czekamy na inną? 166
Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych? 166
Zasoby do rozdziałów 5. - 8. 167
Książki 167
Posty na blogach i kursy 168

CZĘŚĆ III. ZADOMOWIENIE SIĘ W ŚWIECIE BADANIA DANYCH 171

9. Pierwsze miesiące w nowym miejscu pracy 173

9.1. Pierwszy miesiąc 174
9.1.1. Wdrożenie w dużej organizacji - dobrze naoliwiona maszyna 174
9.1.2. Wdrożenie w małej firmie. Jakie wdrożenie? 175
9.1.3. Zrozumienie i ustalenie oczekiwań 175
9.1.4. Znajomość własnych danych 177
9.2. Stawanie się produktywnym pracownikiem 180
9.2.1. Zadawanie pytań 181
9.2.2. Budowanie relacji 182
9.3. Jeśli jesteś pierwszym zatrudnionym badaczem danych 184
9.4. Kiedy praca nie jest tym, co Ci obiecywano 185
9.4.1. Charakter pracy jest okropny 185
9.4.2. Środowisko pracy jest toksyczne 186
9.4.3. Decyzja o odejściu z pracy 187
9.5. Wywiad z Jarvisem Millerem, badaczem danych w firmie Spotify 189
Co cię zaskoczyło w twojej pierwszej pracy naukowej w dziedzinie danologii? 189
Z jakimi problemami się stykałeś? 190
Możesz nam opowiedzieć o jednym ze swoich pierwszych projektów? 190
Jaka byłaby twoja najważniejsza rada na kilka pierwszych miesięcy pracy? 191

10. Przeprowadzanie skutecznej analizy 193

10.1. Wniosek 196
10.2. Plan analizy 198
10.3. Przeprowadzenie analizy 201
10.3.1. Importowanie i czyszczenie danych 201
10.3.2. Eksplorowanie i modelowanie danych 203
10.3.3. Ważne punkty dotyczące eksplorowania i modelowania 205
10.4. Odpowiednia otoczka 209
10.4.1. Finalna prezentacja 210
10.4.2. Kończenie pracy 211
10.5. Wywiad z Hilary Parker, badaczką danych w Stitch Fix 211
W jaki sposób myślenie o innych ludziach pomaga w twoich analizach? 212
Jaką strukturę nadajesz swoim analizom? 212
Jakiego rodzaju korektę przeprowadzasz w ramach wersji ostatecznej? 212
Jak sobie radzisz z osobami proszącymi o wprowadzenie zmian do analizy? 213

11. Wdrażanie modelu do środowiska produkcyjnego 215

11.1. Czym w ogóle jest wdrożenie do środowiska produkcyjnego? 216
11.2. Tworzenie systemu produkcyjnego 218
11.2.1. Gromadzenie danych 219
11.2.2. Budowa modelu 220
11.2.3. Serwowanie modeli przy użyciu interfejsu programowania aplikacji 221
11.2.4. Budowa interfejsu programowania aplikacji 222
11.2.5. Dokumentacja 224
11.2.6. Testowanie 225
11.2.7. Wdrażanie API 225
11.2.8. Testy obciążeniowe 229
11.3. Utrzymanie działającego systemu 229
11.3.1. Monitorowanie systemu 230
11.3.2. Ponowne trenowanie modelu 230
11.3.3. Wprowadzanie zmian 231
11.4. Na zakończenie 232
11.5. Rozmowa z Heather Nolis, inżynierem zajmującym się uczeniem maszynowym w T-Mobile 232
Co oznacza bycie "inżynierem zajmującym się uczeniem maszynowym" w twoim zespole? 232
Jakie to było uczucie, gdy po raz pierwszy wdrażałaś fragment kodu do środowiska produkcyjnego? 233
Jeśli coś pójdzie nie tak w środowisku produkcyjnym, to co wtedy? 233
Jaka będzie twoja ostatnia rada dla danologów pracujących z inżynierami? 234

12. Współpraca z interesariuszami 235

12.1. Typy interesariuszy 236
12.1.1. Interesariusze biznesowi 236
12.1.2. Interesariusze inżynieryjni 237
12.1.3. Korporacyjne kierownictwo 239
12.1.4. Twój menedżer 240
12.2. Współpraca z interesariuszami 240
12.2.1. Zrozumienie celów interesariusza 241
12.2.2. Ciągła komunikacja 243
12.2.3. Bycie konsekwentnym 245
12.3. Ustalanie priorytetów w pracy 247
12.3.1. Praca zarówno innowacyjna, jak i wywierająca wpływ 248
12.3.2. Praca, która nie jest innowacyjna, ale wciąż wywiera wpływ 249
12.3.3. Praca innowacyjna, która jednak nie wywiera żadnego wpływu 249
12.3.4. Praca, która ani nie jest innowacyjna, ani też nie wywiera żadnego wpływu 250
12.4. Uwagi końcowe 251
12.5. Wywiad z Sade Snowden-Akintunde, badaczką danych w Etsy 251
Dlaczego zarządzanie interesariuszami jest ważne? 252
Jak nauczyłaś się zarządzać interesariuszami? 252
Czy miałaś kiedyś problemy z interesariuszem? 252
Co młodzi badacze danych często robią źle? 252
Czy zawsze starasz się wyjaśniać techniczne aspekty danologii? 253
Jaka jest twoja ostatnia porada dla młodszych lub początkujących danologów? 253
Zasoby do rozdziałów 9. - 12. 253
Książki 253
Blogi 255

CZĘŚĆ IV. TWÓJ ROZWÓJ W ROLI BADACZA DANYCH 257

13. Kiedy Twój projekt danologiczny kończy się niepowodzeniem 259

13.1. Dlaczego projekty danologiczne kończą się niepowodzeniem 261
13.1.1. Dane nie spełniają Twoich oczekiwań 261
13.1.2. Brak sygnału w zakresie danych 262
13.1.3. Utrata zainteresowania klientów 264
13.2. Zarządzanie ryzykiem 266
13.3. Co możesz zrobić, gdy Twój projekt kończy się niepowodzeniem? 267
13.3.1. Co należy zrobić z projektem? 267
13.3.2. Radzenie sobie z negatywnymi emocjami 269
13.4. Wywiad z Michelle Keim, dyrektorką ds. danologii i uczenia maszynowego w Pluralsight 270
Czy zdarzyło ci się doświadczyć porażki w swojej karierze? 271
Czy potrafisz rozpoznać sygnały ostrzegawcze przed rozpoczęciem projektu? 271
Czy firmy różnią się w sposobie podejścia do niepowodzeń? 271
Skąd wiesz, że projekt, który realizujesz, skończy się niepowodzeniem? 272
Jak pokonać strach przed porażką? 272

14. Dołączenie do środowiska danologicznego 273

14.1. Rozwijanie własnego portfolio 275
14.1.1. Więcej wpisów na blogu 275
14.1.2. Więcej projektów 276
14.2. Uczestnictwo w konferencjach 277
14.2.1. Radzenie sobie z lękiem społecznym 280
14.3. Wystąpienia 281
14.3.1. Poszukiwanie możliwości wystąpienia 281
14.3.2. Przygotowanie 284
14.4. Przyczynianie się do rozwoju otwartego oprogramowania 285
14.4.1. Wkład w pracę innych ludzi 285
14.4.2. Tworzenie własnego pakietu lub biblioteki 287
14.5. Rozpoznawanie i unikanie wypalenia 288
14.6. Wywiad z Renee Teate, dyrektor ds. danologii w HelioCampus 289
Jakie są główne korzyści płynące z działalności w mediach społecznościowych? 289
Co byś powiedziała ludziom, którzy mówią, że nie mają czasu na angażowanie się w życie społeczności? 290
Czy warto wytwarzać niewielką ilość treści? 290
Stresowałaś się publikacją pierwszego wpisu na blogu lub pierwszym przemówieniem? 290

15. Jak odejść z pracy z wdziękiem 293

15.1. Decyzja o odejściu 294
15.1.1. Podsumuj swoje postępy w nauce 294
15.1.2. Omów swoją sytuację z menedżerem 295
15.2. Jak wygląda poszukiwanie pracy, kiedy masz już za sobą pierwszą pracę 297
15.2.1. Decydowanie o tym, czego chcesz 298
15.2.2. Rozmowa kwalifikacyjna 298
15.3. Znalezienie nowej pracy w trakcie zatrudnienia 300
15.4. Złożenie wypowiedzenia 301
15.4.1. Rozważanie przyjęcia kontroferty 302
15.4.2. Poinformowanie zespołu 303
15.4.3. Ułatwienie przeprowadzenia zmiany 304
15.5. Wywiad z Amandą Casari, menedżerem ds. technicznych w Google'u 305
Po czym poznać, że nadszedł czas na szukanie nowej pracy? 305
Czy kiedykolwiek rozpoczęłaś poszukiwania pracy i zdecydowałaś się jednak pozostać? 306
Widzisz ludzi, którzy zbyt długo wykonują tę samą pracę? 306
Czy można zmienić pracę zbyt szybko? 306
Jaka jest twoja ostatnia rada dla ambitnych i początkujących danologów? 307

16. Wspinanie się po szczeblach kariery 309

16.1. Ścieżka menedżerska 311
16.1.1. Zalety bycia menedżerem 312
16.1.2. Wady bycia menedżerem 312
16.1.3. Jak zostać menedżerem 313
16.2. Ścieżka głównego danologa 315
16.2.1. Zalety bycia głównym danologiem 317
16.2.2. Wady bycia głównym danologiem 318
16.2.3. Jak zostać głównym danologiem 318
16.3. Zostanie niezależnym konsultantem 319
16.3.1. Zalety bycia niezależnym konsultantem 321
16.3.2. Wady bycia niezależnym konsultantem 321
16.3.3. Jak zostać niezależnym konsultantem 322
16.4. Wybór ścieżki 323
16.5. Wywiad z Angelą Bassą, dyrektorką ds. danologii, inżynierii danych i uczenia maszynowego w iRobot 323

Jaka wygląda codzienna praca na stanowisku menedżerskim? 324
Jakie są oznaki tego, że należy przestać być szeregowym pracownikiem? 324
Czy musisz w końcu całkiem przestać wykonywać robotę szeregowego pracownika? 324
Jakiej rady udzieliłabyś komuś, kto chce zostać technicznym liderem, ale jeszcze nie jest na to gotowy? 325
Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych? 325
Zasoby dla rozdziałów 13. - 16. 326

Książki 326
Blogi 327

360 stron, Format: 16.8x24.0cm, oprawa miękka

Po otrzymaniu zamówienia poinformujemy,
czy wybrany tytuł polskojęzyczny lub anglojęzyczny jest aktualnie na półce księgarni.