Vous vous intéressez au métier de Data Scientist, mais vous ne savez pas comment choisir votre formation pour devenir Data Scientist ? Dans cet article, nous avons recensé les questions les plus récurrentes et nous vous proposons quelques critères pour vous guider dans votre choix.
How do I become a Data Scientist?
Are online videos enough to become a Data Scientist?
If you've never done data before, taking MOOCs and online courses isn't enough. But don't worry, these courses still provide useful skills that will be valuable additions to your LinkedIn profile and CV.
The problem comes with training courses, which for the most part don't confront you with real problems that companies have to face.
Pour rendre votre profil plus attrayant, il faudra trouver une formation qui justement propose de vous confronter à ces types de problèmes pour montrer que vous saurez gérer des situations complexes ou des situations avec des données en désordre, peu fiables ou encore difficiles d’accès. Votre parcours de formation doit être en mesure de vous proposer des expériences immersives et collaboratives pour développer vos compétences techniques mais aussi vos capacités sociales qui seront au service du travail collaboratif. Le Data Scientist étant en interaction permanente avec les différents acteurs, internes et externes, de la chaîne de valeur, le développement des soft skills est primordial.
How to choose the right course?
To ensure the best possible learning experience, it's important to choose a course with a large proportion of hands-on practice. Indeed, machine learning requires a lot of programming, and this can only be learned by practicing again and again until it is mastered.
What's more, it's essential to choose a course that includes projects. Once again, the point is to practice in order to learn better: what is commonly called Learning by doing. The advantage of projects is that you can code the models you've learned yourself, come across errors when testing the models and correct them.
Another tip is to choose, if possible, a course where the trainers can evaluate your work. The advantage is that the trainers can see areas for improvement in your work and explain how you can progress.
La formation doit, en plus des compétences techniques, permettre le développement des soft skills. L’esprit critique, la capacité à communiquer, la proactivité, la curiosité intellectuelle sont autant de compétences indispensables pour résoudre les problématiques liées au métier du Data Scientist. Veillez à ce que votre formation propose une pédagogie de projet pour développer vos soft skills.
Lists of online MOOCs on Edx, Coursera and Udacity
While online courses are no substitute for the practice and feedback of direct training, they can be useful for practice! Here is a non-exhaustive list of MOOCs surveyed by KDnuggets.
How to get the best experience?
There are no quick fixes. What may be a good experience for one person may be a bad experience for another. So we're going to suggest a few avenues you can explore at your leisure.
A first avenue to explore is the internship. Investing in a good internship with a good company can have a huge positive impact on your career. However, when we say "a good company", we're not talking about its popularity, but rather its ability to focus on supporting its interns and sharing its experience to help them develop their skills effectively.
A second avenue to explore is on-the-job training. This opens many doors for your career and allows you to learn quickly. Also, the "Choose your professional future" law of September 2018 incorporates a new training modality, the AFEST, which enables companies to value learning experiences in a formal way and broaden the skills of its employees.
These first two tracks will enable you to learn from your peers and their experiences, which we believe is the best way to learn.
Une autre piste est d’élaborer des projets personnels. Les entreprises recherchent des candidats qui sont capables de penser comme un Data scientist et donc qui soient capables de programmer. Ils veulent voir vos travaux, que vous avez résolu des problèmes, les données que vous avez utilisées et avec quel code vous avez résolu ces problèmes.
Si vous avez déjà une idée du secteur d’activité où vous voulez devenir Data scientist, nous vous recommandons d’aller sur Kaggle pour trouver des bases de données liées à votre secteur d’activité sur lesquels travailler. Autrement, des projets plus personnels, comme une application qui prédit les résultats de matchs de votre sport préféré est également une bonne chose. Dans les deux cas, il s’agit d’avoir des projets sur lesquels discuter lors des entretiens.
Before becoming a Data Scientist
Avant de prendre le tournant pour devenir Data scientist, certaines choses doivent être dites. Apprendre la Data Science et la programmation passe par une courbe d’apprentissage relativement élevée et les personnes qui apprennent lentement risquent d’avoir des moments difficiles avant d’avoir le déclic.
De plus, un Data scientist DOIT avoir envie de toujours en apprendre plus et NE PAS ÊTRE CONTRE le changement car il travaille dans un milieu qui évolue continuellement et qui est vite frappé par l’obsolescence des compétences.
On ne va pas se le cacher, ce n’est pas simple voire même frustrant parfois. Donc avant d’investir des mois de votre vie, SOYEZ SÛR que vous voulez vraiment devenir Data scientist.
Mais rassurez-vous, que vous deveniez Data scientist ou pas, nous croyons fortement que les connaissances acquises en Data science vous seront bénéfiques dans le futur, et vous permettront de mieux comprendre les technologies avec lesquelles nous vivons.
Chez DATAROCKSTARS nous vous formons à devenir Data Scientist grâce à notre Bootcamp Data Full Stack !
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data Science, vous pouvez nous suivre sur Facebook, LinkedIn, Instagram et Twitter pour être notifié lorsqu’un nouvel article est publié !
This article was inspired by : How to make a successful switch to data science career by Julia Di Russo!