【数据科学】2024年数据科学工作导航：角色、团队和技能

无论你是申请第一次实习，还是管理一个由分析师和工程师组成的多学科团队，数据科学职业都会面临一系列特定的挑战。其中一些可能比其他更令人兴奋，而另一些则可能非常乏味——当然，在任何工作中都是如此——但我们相信，将所有这些潜在的缺点都视为深化知识、扩展技能和考虑新观点的机会。

本周，我们的阵容汇集了围绕数据职业中常见障碍的广泛观点和经验，并提出了克服这些障碍的有效方法。无论您在自己的数据科学之旅中身处何处，我们都希望您探索我们推荐的阅读内容，并找到将其融入自己工作的见解。

• 数据ROI金字塔：一种衡量和最大化数据团队的方法。虽然Barr Moses的可操作路线图面向数据领导和高管，但它是公司层级上下数据专业人员的重要资源。毕竟，每个人都可以从了解他们的工作如何为业务做出贡献，以及如何向更广泛的非技术受众展示他们的影响中受益。
• 重建为我找到数据科学家工作的投资组合。一年前，马特·查普曼（Matt Chapman）撰写了关于构建数据科学投资组合的权威实践指南（并在这个过程中迅速走红）。在他的最新帖子中，Matt重新审视了他的方法，并提出了几个关键更新，以实现更精简的工作流程和更可定制的最终产品。
• Spotify资深数据科学家用来提高生产力的5个习惯。在为找到一份好的数据工作付出了所有努力之后，真正的工作开始了：你能做些什么来在新职位上表现出色，而不会有倦怠和/或冒名顶替综合症的风险？Khouloud El Alami提出了五个具体的想法，你可以根据自己的需求进行调整，也不会吝啬细节。
• 英特尔ML实习的7堂课。在银行业长期担任数据科学家后，康纳·奥沙利文最近的职业转折使他在科技巨头英特尔进行了机器学习实习；不要错过他在那里的经历，以及他在探索一个新的行业和组织文化时所学到的教训。

和往常一样，最近几周，我们的作者涵盖了令人眼花缭乱的广泛主题，从人工智能的新兴技能到预测建模和深度学习。以下是我们不希望您错过的突出帖子示例。

• 多模式模型在视觉单词谜题上的表现如何？Yennie Jun测试了GPT-4 Vision和Gemini Pro Vision的能力，试图衡量他们这一代模特的创作过程水平。
• 以物理为基础的神经网络听起来可能是一个崇高的、理论含量很高的概念，但正如郭在一篇全面综述中所展示的那样，它们在现实世界中的应用有很多——而且正在以健康的速度增长。
• 在一个易于理解、图文并茂的解释中，Shrya Rao继续探索基本的深度学习主题，这一次打开了允许神经网络学习的过程。
• 在她的TDS首秀中，Nithya（Nithhya）Ramamorthy提供了一个简单有效的框架，帮助您在数据演示中建立信心。
• 如果你正在寻找一个清晰、详细的R平方指南，也就是决定系数，不要错过Roberta Rocca的一站式资源，它将消除人们对这个无处不在的指标的困惑。
• 有心情进行一次引人入胜、亲力亲为的深潜吗？Tim Forster带领我们完成了使用线性求解器在一维以上优化非线性神经网络的过程。

感谢您对我们作者工作的支持！如果你觉得加入他们的行列很有灵感，为什么不写你的第一篇帖子呢？我们很想读一读。