Аннотация
Книга, написанная Эмили Робинсон и Жаклин Нолис, погружает читателя в мир Data Science и акцентирует внимание на важности соавторства. Эмили делится личными наблюдениями о Жаклин, подчеркивая её великий ум, богатый опыт и умения передавать знания в доступной форме. Жаклин — профессионал с докторской степенью, активно участвующая в образовательной деятельности, что делает их совместную работу не только плодотворной, но и вдохновляющей. Эмили отмечает, как счастлива работать с таким соавтором, чей талант и поддержка делают процесс написания увлекательным и продуктивным.
Далее авторы обсуждают культурное значение обложки книги, выполненной на основе исторической иллюстрации XVIII века. Обложка изображает "Арагонскую женщину" и служит символом разнообразия и культурных различий, которые были актуальны в прошлом. Это подчеркивает идею о том, что, несмотря на взаимосвязанное современное общество, стирание культурных границ может привести к утрате уникальной идентичности регионов. Издательство Manning намерено выделить эту индивидуальность и смелость, используя исторические иллюстрации, которые демонстрируют богатство различных культур.
В первой части книги читатель знакомится с основами Data Science, где поднимается вопрос необходимых навыков и путей для начала карьеры в этой области. Авторы делают акцент на том, что не существует единственного "правильного" пути к тому, чтобы стать дата-сайентистом. Каждому специалисту присущи уникальные навыки и специализации, и понимание этих различий критически важно для определения своего карьерного пути. Глава вводит читателя в базовые концепции Data Science и выделяет три основных направления этой профессии.
Авторы объясняют, что работа дата-сайентиста сейчас считается одной из самых востребованных в мире, но при этом есть и свои сложности. Например, часто работодатели имеют завышенные ожидания, что может стать препятствием для начинающих специалистов. Также подчеркивается, что несмотря на множество источников, предлагающих советы по карьере в этой сфере, важность практического опыта является ключевой. На протяжении книги обсуждаются пути получения этого опыта, создание портфолио и подготовка к поиску работы, включая как активные, так и пассивные стратегии для достижения успеха.
Следующие главы рассматривают роли специалистов по принятию решений. Эти специалисты анализируют данные и предоставляют рекомендации, основанные на статистических методах, что требует навыков программирования и статистики, а также способности создавать визуализации, которые будут понятны для не технических сотрудников. Авторы также рассматривают смежные роли, такие как бизнес-аналитики, инженеры данных и исследовательские ученые. Каждая из этих профессий имеет свою специфику: бизнес-аналитики работают с менее сложными инструментами и сосредотачиваются на интерпретации данных, в то время как инженеры данных занимаются хранением и подготовкой данных для анализа.
Наконец, авторы обращают внимание на актуальные тенденции на рынке труда в области Data Science. С ростом числа специалистов конкуренция за вакансии становится серьезной, и собеседования могут быть довольно сложными. Читателям рекомендуется тщательно продумывать свой карьерный путь, принимая во внимание свои навыки и опыт, чтобы определить, какое направление будет для них наиболее подходящим. Кроме того, книга намекает на возможность перекрестных навыков из различных профессий, которые могут создать дополнительные пути для карьерного роста в сфере науки о данных.
Таким образом, книга представляет собой ценный ресурс для всех, кто хочет понять, как начать карьеру в Data Science, избежать подводных камней и использовать свои уникальные навыки для достижения успеха в этой зависимости от данных профессии.
