Привет и добро пожаловать, «энергичные молодые умы»

В настоящее время я получаю много вопросов от разных людей, имеющих разный опыт изучения рассеянного склероза в DS. Путь мастеров зависит от нескольких факторов. Что ж, здесь я излагаю свой опыт и перспективы того же путешествия для любого человека.

Прежде всего, немного о себе. Я Нисарг Дэйв. В настоящее время я работаю специалистом по анализу данных в Group K Diagnostics, медицинской фирме, расположенной в Филадельфии, штат Пенсильвания, США. Я получил степень магистра наук о данных в Michigan Tech. Вернувшись в Индию, я получил степень бакалавра информационных технологий в Университете Нирма, Ахмедабад, Гуджарат ».

С помощью этой платформы я пытаюсь помочь тем, кто сомневается в том, чтобы продолжить лечение РС за границей. Прежде всего, я хочу прояснить одну вещь:

  • MS не следует указывать в поле «XYZ», потому что он имеет гораздо больший спрос или очень хороший пакет заработной платы. Эти вещи имеют значение, но для меня важны только ваш интерес и страсть.

Общее руководство для РС

  • Определите действительно хорошие программы. Определение добра у каждого свое. При этом следует учитывать качество образования, исследования и перспективы трудоустройства.
  • Основное намерение людей, страдающих рассеянным склерозом, - получить больше знаний для своего личностного роста. Так что сделайте это приоритетом и включите в список то, что может повысить ценность вашей карьеры.
  • Другой факт: университет не имеет значения. Все, что имеет значение, - это ваша самоотдача и страсть. Поступление в престижный вуз ничего не гарантирует. нужно много работать и приложить все усилия, чтобы добиться успеха. Всегда помните: Бесплатного обеда НЕТ!
  • Чтобы принять решение, вам необходимо провести тщательное исследование своего плана на следующие 5 лет. Спросите себя: Почему вы хотите это сделать? Кем вы хотите стать? Наконец, поработайте над тем, как вы станете тем человеком, которым хотите быть.
  • Создание вашего профиля является самым важным. Ваши результаты GRE, TOEFL или GPA ничего не гарантируют. Вам нужно укрепить свой профиль, добавив исследовательские работы, проекты домашних животных, опыт работы в отрасли или стажировки.
  • Проведите тщательное исследование, связанное с университетом. Вам необходимо просмотреть структуру курса, типы курсов, типы исследовательских проектов и профили профессоров.
  • Свяжитесь с выпускниками, чтобы узнать больше о ярмарках вакансий, возможностях и аспектах, связанных с поиском работы.

Помимо этого, есть и другие важные факторы.

  • Выбор подходящего университета с учетом всех вышеперечисленных факторов для вашего случая.
  • Выберите университеты в соответствии с вашим профилем. Вы можете разделить их на простые, умеренные, амбициозные!
  • Всегда учитывайте иммиграционный аспект страны. В США студенческая виза F1 имеет определенные ограничения. Для университетов США я бы порекомендовал записаться на программу STEM MS.
  • Всегда помните, что рейтинг и репутация университета - это еще не все! Есть много других факторов, которые гораздо важнее этого.
  • МЕСТО имеет самое большое значение! При поиске работы большую роль играет местоположение. Всегда тщательно изучайте сценарий работы в близлежащих районах.
  • Финансы имеют значение! Сделайте расчет и выберите экономичный путь. Наконец, все, что имеет значение, - это простой возврат инвестиций.

Теперь я расскажу о своем путешествии немного подробнее. Смысл здесь в том, чтобы вы научились чему-то из моей истории.

Моя история

Ахмадабадский университет и университет Нирмы,

  • Нирма - один из престижных университетов Ахмадабада. Мне посчастливилось попасть в Нирму! Как ученик государственного совета Гуджарата, я отличился в 11 и 12 классах. В школьные годы я был так называемым учеником-ранкером. Мой глубокий интерес к науке и технике привел меня на этот путь. Я взял направление науки и подумал о дальнейшем расширении своих технологических знаний в качестве технолога. Я никогда не хотел быть вторым в чем-либо. Это ОКР помогло мне всегда оставаться на высоте: P

(Я учился в Nirma почти бесплатно из-за стипендии NITAA)

  • Во время моей работы в Nirma я начал изучать различные области информатики. Я придерживался «подхода к расширению знаний», а не «углублению знаний». Я считаю, что нужно попробовать все, чтобы выбрать для себя лучшее. Вы не поймете этого, пока не попробуете. Чрезвычайно необходимо изучить по кусочкам многие области вашей области. После того, как все испытали, вы можете остановиться на своем самом любимом!
  • Я начал пробовать разные вещи, беря разные факультативы. В свободное время я учился самостоятельно. Я начал развивать некоторые навыки вне академической среды. Пример: обучение программированию приложения для iOS или обучение программированию ядра Linux. В основном я узнал что-то, используя практические занятия и книги! В основном путем самообучения и все в одиночестве. Я начал быть активным исследователем и автором, опубликованным IEEE для нескольких статей на конференции. Я провел одно исследование в области «Система на кристалле» и одно в области «Цифровые системы». За годы работы в Nirma я изучил некоторые концепции разработки игр и кодирования на основе чертежей в Unreal Engine и Unity. (Спасибо моему дорогому другу Кетулу Маджмудару)
  • Мой интерес к машинному обучению проявился, когда я прочитал книгу под названием «Искусственный интеллект: современный подход Питера Норвига». Для меня это было очень интересно. Большинство концепций были для меня интуитивно понятными. Я мог легко понять и осознал, что мой повышенный глубокий интерес к слову ИИ. На третьем курсе Nirma я прошел курс машинного обучения и полностью его изучил. Курс, который предлагала Нирма, также был базовым, но я глубоко погрузился в него в свободное время. Я сделал все возможное, начав изучать глубокое обучение. Было несколько других курсов, которые я прошел на 3-м и 4-м курсах Nirma, включая интеллектуальный анализ данных, системы поиска информации, аналитику больших данных, а также разработку и анализ алгоритмов. Поскольку меня интересовали области искусственного интеллекта и науки о данных, я выполнял все свои мини-и крупные проекты непосредственно в этой области. Опять же, самообучение было здесь инструментом! Один из моих любимых проектов независимых технических исследований был на тему «Дифференциальная конфиденциальность в машинном обучении». Я благодарю доктора Сапана Манкада и доктора Приянка Таккара за их поддержку и помощь. Мы действительно сотрудничали с Sapan Sir, чтобы создать лабораторию высокопроизводительных вычислений в Нирме, в основном для глубокого обучения и вычислений на GPU. Я также занимался исследованиями в области дополненной и виртуальной реальности под руководством доктора Приянки Шарма.
  • Результат того, что я не ограничивался чем-то одним, был совсем неплохим. Наука о данных - это междисциплинарная область. он имеет более широкий спектр применения в различных областях. Опыт, который я получил во время учебы, очень помог мне в процветании как успешного специалиста по данным.

Гордый хаски из Мичиганского технологического института,

  • Я думал о том, чтобы получить степень магистра в области науки о данных, потому что наука о данных - моя страсть. Одна из причин заключалась в том, чтобы подготовиться к работе в индустрии. Я выбрал Michigan Tech, в основном из-за его репутации хорошо ориентированного на исследования государственного университета США. Мне понравилась работа некоторых профессоров в Michigan Tech, и это также привлекло меня, чтобы стать частью MTU.
  • Курсовая работа в MTU очень гибкая, и вы можете настроить ее в соответствии с вашими интересами. Я прошел курсы в области искусственного интеллекта, анализа данных, бизнеса и психологии. Курсы, которые мне понравились больше всего, включают Adv. AI, научные вычисления, вычислительный интеллект, управление инновациями и технологиями и интеллектуальный анализ данных. Я был избран ассистентом аспиранта Adv. Статистический анализ и дизайн II, магистерский курс, где я получил важный и плодотворный опыт преподавания, наставничества и руководства студентами для их исследовательских проектов.
  • Во время учебы в Мичиганском технологическом институте я решил несколько реальных проблем, используя науку о данных и инструменты. Центр исполнительских искусств Розы при MTU не собирал и не использовал данные для своего бизнеса. У центра был огромный потенциал для сбора и использования данных для увеличения стоимости бизнеса. Я помог им создать надежный механизм сбора данных после каждого шоу, которое они проводят или организуют. Опрос и другие механизмы сбора данных помогли им получить полезные данные. Я взял на себя инициативу создать начальные модели машинного обучения, чтобы предоставлять более полезную информацию и аналитику на основе поведения их потребителей. В основном проект был посвящен моделированию данных о потребителях, чтобы понять их предпочтения, поведение и интересы. Используя этот центр, можно организовать или провести шоу, которое больше всего интересует потребителей. В некотором смысле я улучшил их общую операционную эффективность. Используя модели, они могли лучше понять своих потребителей.
  • Во время учебы в Мичиганском технологическом институте я получил исследовательскую стипендию DARPA за их программу Explainable AI. Я работал научным сотрудником в этом проекте, чтобы сделать модели ИИ более объяснимыми и менее нечеткими. Благодаря доктору Шейну Мюллеру мне выпала честь работать с ним в этой области, чтобы раскрыть скрытую силу психологии в области науки о данных и машинного обучения. Хороший факт в том, что благодаря стипендии я получил отказ от платы за обучение в течение всего года! Наконец, мы опубликовали результаты нашего исследования на конференции Human Factors and Ergonomics Society 2020. На протяжении всего этого проекта я выполнял несколько задач в разных областях. Моя склонность к учебе во всем и вся мне очень помогла.
  • Мне понравился курс Научные вычисления, поскольку он имел дело с решением реальных научных задач с помощью высокопроизводительных вычислений или суперкомпьютеров. В ходе курса мы помогли одному из друзей профессора из Окриджской национальной лаборатории создать автоматизированный рабочий процесс для создания PDF-форм. Вычислительная техника может решить множество проблем, если вы создадите новаторские и творческие решения для каждой проблемы. Научные решения связаны с проблемой оптимизации, согласованности и эффективности для соответствия реальным настройкам и данным. Еще один прекрасный курс, который мне больше всего понравился, - это вычислительный интеллект. В курсе рассматриваются алгоритмы, основанные на нечеткой логике, где нельзя применять вероятностные алгоритмы. Еще одним интересным аспектом курса было изучение нейронных сетей, оптимизации, генетических алгоритмов, алгоритмов, вдохновленных природой (оптимизация Swarm и т. Д.), И многого другого! Кривая обучения была хорошей только потому, что я сосредоточился на практической работе, а не только на изучении концепций и теории.
  • Технологический институт Мичигана стал одним из самых ярких событий в моей жизни. Я хотел получить MS, чтобы получить знания, мой профессиональный рост и стать экспертом в своей области. Здесь я действительно следовал правилу углубления знаний, потому что в этом заинтересованы мастера! Не только это, но я также хотел выйти из своей зоны комфорта, чтобы бросить вызов себе новыми вещами. Переезд из Ахмедабада в США был большим событием, но я стал полностью независимым и способен решать многие задачи одновременно. У каждого процесса всегда есть свои плюсы и минусы.

Первый в отрасли опыт работы в качестве специалиста по данным в Group K Diagnostics

Я работаю в Группе К уже год. Я присоединился к их команде разработки продуктов, исследований и разработок как единственный специалист по данным в команде. Для меня было много проблем. Я никогда не работал в промышленной среде в качестве единственного специалиста по данным. Это означает, что мне нужно делать все, не обращаясь за помощью. Я несу ответственность за свою работу, сроки и исследования. Конечно, ответственность была огромной, но я отнесся к ней достаточно справедливо. Иногда я застревал и чувствовал, что это своего рода преграда. Но я всегда помнил об этом, продолжай пытаться, пока не умрешь, пытаясь. Поверьте, это работает и всегда есть выход.

  • Группа К - это мой первый опыт работы в сфере здравоохранения США. Быть специалистом по обработке данных в медицинской фирме - это огромное дело. Вам необходимо принять во внимание безопасность данных, управление версиями данных, эффективное и согласованное моделирование машинного обучения. Вы просто не можете вынести ложных срабатываний и ложных отрицательных результатов в результате диагностики.
  • Здесь я научился использовать AWS для машинного обучения и рабочих процессов DevOps. К тому же я стал лучше разбираться в компьютерном зрении. Мы в основном используем компьютерное зрение и инструменты машинного обучения в Group K. Как инновационный стартап в области здравоохранения, мы с гордостью создаем диагностические устройства Point of Care, которые могут дать результаты в течение нескольких минут. Это очень продвинутое решение для микрожидкостных устройств на основе бумаги, в котором в совокупности используются возможности компьютерного зрения и машинного обучения!

Одна вещь - всегда помнить, что как специалист по данным вы несете ответственность за многие вещи. Вам необходимо иметь несколько экспертов в различных областях, таких как бизнес, компьютерные алгоритмы, теория машинного обучения, автоматизация, объектно-ориентированное программирование, анализ данных и DevOps. Хотя все, что я упомянул, - это всего лишь несколько деталей. Data Science может многое предложить, и это зависит от человека, который учится в соответствии с его интересами.

Ключевые проблемы и результаты обучения

  • Моя основная задача заключалась в том, чтобы найти в США наилучшую возможную работу с полной занятостью. Как уже говорилось ранее, очень сложно попасть в отрасль в качестве специалиста по данным! Единственный результат обучения для этого - попытаться сделать свой профиль и навыки настолько сильными, насколько это возможно. Наберитесь терпения, продолжайте применять и позвольте волшебству случиться :)
  • Я не сталкивался ни с какой другой борьбой как таковой, но всегда было сложно и сложно носить несколько шляп внутри организации как специалист по анализу данных. Иногда это неприятно, беспокойно и очень-очень расплывчато. Вам нужно многое решить, потому что многое происходит на разных уровнях жизненного цикла проекта по науке о данных. Всегда будьте таким энергичным молодым умом и продолжайте расширять свои границы до следующего уровня :)

Чем занимаются специалисты по данным?

Вы все, наверное, где-то слышали, что специалист по данным - самая сексуальная работа 21 века. Я бы сказал, что быть специалистом по данным - это хорошо, но некоторые вещи в этой отрасли очень разрекламированы. Я считаю, что специалисту по данным есть чему поучиться и чему внести свой вклад. Дело не только в обработке данных для информации. это больше о добавлении стоимости бизнеса и создании плодотворного механизма для получения стратегического преимущества. Роль специалиста по данным варьируется в зависимости от отрасли. Специалисты по анализу данных в сфере финансовых технологий будут заниматься другими задачами, чем специалисты по данным в сфере здравоохранения. Это скорее прикладная сфера, в которой вы сохраняете свой ум открытым и творческим для решения проблем в различных областях. Специалисты по анализу данных носят разные шляпы. Они должны уметь выполнять очистку данных, изменение данных, инженерию данных и моделирование данных. В идеале у них есть набор навыков в различных областях, включая математику, информатику, анализ данных и оптимизацию бизнеса.

Как стать специалистом по данным? Могу ли я стать специалистом по данным, если у меня нет опыта в области компьютерных наук и инженерии?

Что ж, не существует особого или идеального пути для того, чтобы стать специалистом по данным. Это зависит от многих вещей. Первое, в чем вам нужно хорошо разбираться, - это математика! Наука о данных включает в себя много математики. Я видел много специалистов по обработке данных в промышленности, которые не имеют опыта в области компьютерных наук. Эта дверь открыта для всех и каждого. В идеале людям, не имеющим опыта CS, необходимо изучить некоторые основные концепции CS, такие как структуры данных, проектирование и анализ алгоритмов, базы данных, объектно-ориентированное программирование на Python и некоторый уровень использования операционной системы / BASH. Это принесет им пользу во время интервью. Вы всегда можете пропустить это, но я НЕ рекомендую это ВООБЩЕ. Вы не можете напрямую перейти к машинному обучению, искусственному интеллекту или глубокому обучению, не изучив все эти предметы.

  • Еще один замечательный способ, который я придумал, - это учиться на практических занятиях. Попытайтесь реализовать все, что вы узнали, выполнив какой-нибудь проект, посвященный вершине.
  • Самый важный ключ, который я РЕКОМЕНДУЮ, - это попытаться реализовать алгоритм машинного обучения самостоятельно с нуля с использованием C ++, C или Java. Такой подход даст вам все необходимое внутреннее понимание математики и логики. Вы ДЕЙСТВИТЕЛЬНО изучите концепцию или алгоритм таким образом. Использование пакетов Python и вызов встроенной функции - это нормально, но вы не поймете этого всесторонне, используя этот подход. Экранирование части кодирования здесь не поможет. Вам нужно провести мозговой штурм и написать код на основных языках, чтобы понять, «как это кодируется внутри»? Ключевым моментом здесь является понимание хранения, структуры и потока данных, касающихся всей математической логики, которая происходит в фоновом режиме.

У меня есть это руководство с некоторыми полезными ресурсами и рекомендациями, которые помогут вам начать работу.

(Прошу прощения, если некоторые ссылки не работают, как я редактировал их много лет назад!)

Перспектива поиска работы для специалистов по данным

Новичку сложно попасть в отрасль в качестве специалиста по данным. Я бы сказал, что даже после рассеянного склероза это сложно. Обычно специалисты по данным, которые сейчас работают в отрасли, имеют 2–3-летний опыт работы в качестве разработчика программного обеспечения или около того. В отрасли требуется минимум 1-2 года опыта. Некоторые компании нанимают новичков, но они конкурентоспособны.

  • Если вы посвежее, НИКОГДА не думайте, что вы не сможете попасть в отрасль в качестве специалиста по данным. Конечно, вы МОЖЕТЕ. Вам нужно приложить дополнительные усилия, чтобы ваш профиль стал лучше. Вы можете работать во время учебы в магистратуре. Вы можете принять участие в интересных проектах по науке о данных в своей аспирантуре под руководством разных профессоров. Так что работа в качестве ученого-исследователя или ассистента помогает в развитии хорошего профиля. Попробуйте найти стажировки в области науки о данных и машинного обучения. Всегда можно поработать над исследовательскими проектами, опубликовать свои работы в какой-нибудь известной конференции или журнале. Это наверняка увеличит ваши шансы получить звонок от хороших компаний на должности, связанные с наукой о данных.

Заключение

Я пакка Амдавади, происходящий из нормальной семьи среднего класса. Для меня было трудным решением оставить свой город, своих людей и все остальное. Я оставил все из-за каких-то неуверенных вещей, которых я хотел достичь. Знания - это все, что для меня важнее всего. У меня не было опыта в Индии. Но я проделал много проектов, исследований и практик, чтобы достичь своей цели. Сейчас я работаю специалистом по анализу данных. Я все еще расту, я все еще учусь.

Я потратил это время на то, чтобы написать свою историю, чтобы вы могли понять, с какими проблемами вы можете столкнуться. Страсть и преданность - ключ к успеху, каким бы ненадежным ни был этот мир. Держитесь там и прикладывайте все свои усилия. Желаю вам всего наилучшего!

Надеюсь, это поможет! Я пытался охватить многие вещи, но если у вас есть сомнения, не стесняйтесь написать мне или отправить мне электронное письмо. Вы всегда можете связаться со мной в Linkedin или Twitter.