数据科学学生的期望与现实

原文：towardsdatascience.com/expectations-realities-of-a-student-data-scientist-bb0a3b86780f?source=collection_archive---------10-----------------------#2024-04-15

我不仅仅是在电脑前输入数字

https://medium.com/@gurmankdhaliwal2?source=post_page---byline--bb0a3b86780f--------------------------------https://towardsdatascience.com/?source=post_page---byline--bb0a3b86780f-------------------------------- Gurman Dhaliwal

·发表于Towards Data Science ·4 分钟阅读·2024 年 4 月 15 日

–

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/716b19c774d00fbae06187b3f777f2e2.png

图片来自Myriam Jessier在Unsplash

选择大学专业对我来说很困难。那感觉像是迈出了投身职业生涯的第一步，而我想要什么都尝试一下。我喜欢数学和编程，但我也希望找到一个能让我发挥创造力、提供交流平台，并且足够灵活，能够探索不同领域的工作。经过一些研究，UC 圣地亚哥的 Halıcıoğlu 数据科学研究所（HDSI）的数据科学项目看起来很适合我。尽管我选择了这条道路，但我依然心存疑虑，最初的假设也反映了这种怀疑。然而，随着我进入最后几个学期，我很高兴（也很惊讶！）发现我的实际经历与最初的预期有了很大的不同。

期望 #1：数据科学会是大量重复的数学和编程课程。

现实情况：虽然数学和编程是支柱，但课程内容其实有很多变化。**‍

回顾过去，我的课程比我预期的要多样化。编程和数学课占多数，但每门课程都从不同角度探讨核心主题，并为我们提供了各种工具。该领域的多样性也显著增加，从统计公平性定义到生物信息学都有涉及。我还发现了自己特别喜欢的领域，如医疗保健、数据伦理和隐私保护。这帮助我在早期就扩大了对数据科学家角色和行业的认识。

‍

**预期 #2：我大多数时间会独自工作。

现实：我与他人合作很多，这让我变得更好。**

我喜欢与人合作。想法能更快地产生。我觉得更有创造力，也更有趣！然而，我最初还是屈服于刻板印象，想象自己会大部分时间独自一人埋头做数据科学作业，几乎整天都趴在笔记本电脑前，所以当我发现有这么多小组合作时，我感到很惊讶。几乎所有的编程和数学课程都鼓励我们与至少一个其他人合作。与我不认识的人见面和合作将我推出了舒适区，提升了我的团队合作和沟通技巧。即使在工作环境中，当我的工作是独立完成时，我也发现与其他实习生合作让我成为了一个更好的数据科学家。虽然我们每个人都有类似的基础技能，但依靠彼此利用不同的优势和关注点，使我们整体表现更好。

**预期 #3：数据科学与机器学习是一样的。

现实：机器学习只是数据科学项目生命周期的一部分。**

公平地说，刚开始我的数据科学之旅时，我对数据科学或机器学习（ML）如何定义了解不多。尽管如此，当我进入 HDSI 项目时，我认为数据科学就等同于机器学习。我想象大部分课程和工作将集中在创建预测模型和深入研究神经网络。然而，数据科学课程和工作的重点更多是在数据清洗、数据过期和可视化上，而机器学习分析所花的时间比你预期的要少… 至少目前是这样。‍

**预期 #4：我的角色可能会被自动化。

现实：某些职责可以自动化，但数据科学家作为问题解决者的创造力是无法被自动化的。**

这种担忧始于我第一次参加自然语言处理课程时，教授展示了 GPT-3 写代码的速度有多快。作为一名入门级的数据科学家，这让我感到很有压力——我该如何与那些能比我读得更快写出正确 SQL 查询的模型竞争呢？然而，这个练习的目的是为了说明，我们作为技术人员的角色，不仅仅是学习如何使用工具和理解使其发挥作用的内在过程。大型语言模型仍然无法正确完成你的作业，但最终（不可避免地）它们会不断改进，届时，我对它们将更多地作为数据科学家的帮助而非负担充满乐观。与数据科学家不同，LLM（大型语言模型）并不是问题解决者。它们无法生成原创的想法，利用创造力解决模糊的问题，也无法有效地与不同的听众沟通。未来这种情况可能会有所变化，但通过我的教育和职业经历，我相信自己依然能够在这个领域产生积极的影响。

重点总结

作为我数据科学之旅的一部分，我学会了接受现实中不可预见的挑战。我意识到数据科学的广度和深度非常适合做各种事情：研究、编程、分析以及讲故事。基于这一点，我对选择数据科学这条道路充满信心，也期待着职业生涯的下一个阶段带来什么。