چطور اولین شغل دیتا را بگیریم؟ | نقشه راه ورود به Data Analytics از صفر

جاهای مختلف می‌پرسم. قبل اینکه شروع

بکنیم پادکستو یه خواهشی دارم اینه که تا

جایی که می‌تونید پادکستو معرفی بکنید به

دوستانتون

و اگه کانالو ساب ندارید لطفاً سابسکرایب

کنید کامنت و لایکم لطفاً یادتون نره

که انشاالله بتونیم این روندو ادامه بدیم

هم پادکستمونو بیشتر بکنیم هم حالا بقیه

دوره‌هایی که داریم ضبط می‌کنیمو ادامه

بدیم

قبل اینکه شروع بکنیم یه نکته رو کوچیک

بگم میگم این پادکستم مثل پادکست جلسه

قبلمون

بر مبنای هم تجربه خودمه هم خلاصه‌ای از

یک پادکست

خارجیه که در حقیقت یک دوست عزیزی که تو

این حوزه داره کار می‌کنه در حقیقت صحبت

کرده خب بریم شروع بکنیم

پادکستمون راجع به اینه که چهجوری ما وارد

دنیای دیتا بشیم و بتونیم اولین شغلمون رو

تو این حوزه بگیریم

طبیعتاً کسایی که می‌خوان وارد حوزه دیتا بشن

یکی از این سؤا به ذهنشون قطعاً خطور کرده

اصلا شک نکنید

اولین سؤال اینه که من چقدر باید بلد باشم

که بخوام برای حوزه دیتا اقدام بکنم این

اولین سؤاله که هم از خودتون می‌پرسید و

هم از بقیه

حالا این سؤال خودش یه سری زیرمجموعه داره

مثلاً اینکه من چقدر پایتون باید بلد باشم

اس کی چطور اصلاً باید آمار و احتمال و

جبر خطی بلد باشم و چقدر

ماشین لرنینگ باید بلد باشم

مدرک دانشگاهی مهمه تو دهتا

پروژه باید داشته باشم توی رزومم و قبل

پروژه کار کرده باشم

مشکل اینجاست که بچه‌ها اگه بخواید صبر بکنید که جواب کامل به همه

این سؤا داشته باشید

احتمالاً و حتی نظر منو بخواید قطعاً

هیچوقت

درخواست شغلی اصلاً ارسال نمی‌کنید چه

برسه که بخواید کار جای کارتون شروع بکنید

دنیای دیتا بچه‌ها انقدر بزرگه [صدای سرفه] عذرخواه می‌کنم

که هیچ‌کس نمی‌تونه این جمله رو بگه.

چه جمله‌ای؟ این جمله که من همه چیزو یاد

گرفتم. هیچ‌کس نمی‌تونه بگه. انقدر که

فرکانس و دامنه تغییرات توی حوزه دیتا

زیاده.

همیشه یه سری ابزار جدید وجود داره. تکنولوژی جدید میاد. کتابخونه‌های جدید

میاد، مدلای جدید، روش‌های جدید.

پس نتیجه می‌گیریم که سؤال درست این نیست

که چطور همه چیزو یاد بگیرم.

سؤال درست اینه که یا بهتره اینجوری سؤالو

بپرسیم که حداقل من چه چیزایی رو یاد

بگیرم

تا وارد بازار کار بشم

و ادامه یادگیری رو داخل محیط واقعی کار

انجام بدم.

ما تو این اپیزود قراره راجع به این موضوع

صحبت بکنیم. بریم سراغ قسمت اول پادکستا.

احتمالاً اولین کسی که درخواست شغلی شما رو رد می‌کنه خودتون هستید. خیلی جمله

عجیبیه ولی واقعیت داره.

قبل از اینکه سراغ اکسل و اس کی و پایتون و اینجور چیزا بریم باید راجع به مسئله

مهمی صحبت بکنیم.

خیلی از افرادی که قصد ورود به حوزه دیتا

رو دارن قبل از اینکه یک

در حقیقت شخصی که مسئول مصاحبهست اونا رو

رد بکنه خودشون خودشونو رد می‌کنن

چهجوری این اتفاق میفته میرن یه آگهی رو

باز می‌کنن

شروع می‌کنن اون نیازمندی‌های آگهی رو

دیدن توی سایت‌های کاریابی دیدید دیگه

مثلاً این قسمت نیازمندیهاست معمولاً ۳۰

۴۰ تا چیزم نوشتن خب مثلاً مثلاً نروز

میگه اسکو میگه خب بلدم مثلاً اکسل بلدم

پاور بیای یه کوچولو بلدم پایتون متوسطم

سه سابق کار ندارم تمام سفر رو می‌بنده

بعد از اینکه سفر رو می‌بنده چی به خودش میگه میگه پس من مناسب این موقعیت شغلی

نیستم اینو خودش خودشو رد کرد

ولی بچه‌ها امکان داره شیر کرد اصلاً بخواد با شما صحبت بکنه بکنه حالا سابقه

کاری نوشته شده ولی شما شانس خودتون

امتحان بکنید

یکی از بزرگ‌ترین اشتباهی که در شروع مسیر

شغلی می‌تونیم انجام بدیم اینه که تصور

کنیم برای استخدام شدن باید کامل باشیم

دستی که اصلاً اینجوری نیست

خیلی از شرکتها وقتی یک موقعیت شغلیو قرار میدن اصلاً انتظار ندارن که شما یا هر

شخصی

اون چیزایی که نوشته شده رو در سطح

حرفه‌ای بلد باشم

اصلاً بدترین اتفاقی که امکان داره بیفته

چیه؟ وقتی شما ریکوستو می‌فرستید ریجکت

بشید. خب بهتر از اینه که ارسال نکنید

اصلاً شانستون امتحان نکنید.

پس اگر اصلاً اپلای نکنید از همون ابتدا

بدونین که اصلاً بره سمت اون شرکته

درخواست شما ریتکس شده و کسی که شما رو رد

کرده خودتون می‌تونید.

تو حوزه دیتا بچه‌ها شما قرار نیست همه چیو بدونید

پس این واقعیتو باید اول بپذیرید که هیچ

قرار نیست همه چیو بلد باشید

حتی افراد با تجربه هم که دائماً با

مسئله‌هایی مواجه میشن جوابشو نمی‌دونن

تفاوت فرد حرفه‌ای تو حوزه دیتا بای فرد مفتدی این نیست که فرد حرفه‌ای جواب همه

سؤلا رو می‌دونه نه

تفاوت اینه که وقتی جواب سؤالی رو یک فرد

حرفه‌ای نمی‌دونه می‌دونه از چه مسیری بره

که برسه به جواب تفاوت اون با یه آدم

مبتدی اینه فقط چطور مسئله رو به یه مسائل

کوچیک‌تر خورد بکنه

چطور بتونن جستجو بکنن بعد از اینکه حالا مسئله رو شکوندن به مسائل کوچیک‌تر چطور

داکیومنت بکنن اون مشکلو چطور اصلاً از

همکارشون سؤال بکنن مشورت بگیرن

چهجوری از ابزارای ایآی و هوش مصنوعی که

هست استفاده بکنن چطور اون راهحلو تست

بکنن

از کجا بفهمن که جوابشون اشتباهه

پس چیزی که ما داریم الان میگیم اینه که ت اون اسکیل یا اون مهارتی که مهم اینه اینه

توانایی حل مسئله در شرایطی که جوابو از

قبل نمی‌دونید اون اون مسئله مهم است و

تفاوت بین فرد حرفه‌ای با یه فرد مبتدی

اگه همین الان شاغل هستید شاید بهترین فرصت جلوی خودتون باشه همین اینکه شاغلیت

فرض کن شما داره تو یه حوزه‌ای کار می‌کنی

اصلاً هیچ ربطی به دیتا نداره

فکر کنید که تنها مسیر اینه که من استعفا

بدم چند ماه درس بخونم بعد برای شرکت دیگه

تو حوزه دیتا اپلای کنم این طرز تفکر

کورسون شاید این باشه اما یه مسیر دیگه

وجود داره که ریسکش به مراتب کمتره

چیه اون

اینه که تو همون شرکتی که شما دارید کار

می‌کنید کمکم وارد حوزه دیتا بشید اینجا

میخوام یه تیکه تجربه شخصیمو بهتون بگم

خود من زمانی که کار دیتاو شروع کردم توی

پوزیشن دیتا و وارد تیم دیتا شدم از لحاظ

بحث فنی و تجربه فنی خیلی عقب‌تر از بقیه

ت بودن اما تفاوت من با اونا چی بود؟ اونا

مثلاً یه چیزی حدود ۱ سال یا ۲ سال

نهایتاً سابق حضور توی اون شرکتو داشتن

ولی من بیش از ۶ سال تو اون شرکت بودم

و حتی توی بعضی بخش‌ها من دیتای مثلاً اون

دیتایی که داشتم باهاشون کار می‌کردم رو

خیلی بهتر از اونا می‌فهمیدم و حتی بعضاً

به سؤلا اونا هم جواب می‌دادم. چرا؟ چون

سابقاً طولانی‌تر بود و لازم نبود کسی

راجع به اون شرکت به من چیزی بگه ولی راجع

به دیتاش. من حفظ بودم دیگه. ۶ سال تو اون

شرکت داشتم کار می‌کردم. اصلاً دلیلی که

منو قبول کردن که وارد اون تیم بشم همین

بود. بدون سابقه کاری.

پس بودن شما توی شرکت یک مزیت بزرگه برای

ورود به یه حوزه دیتا تو اون شرکت بهخاطر

اینکه شما آشنا هستید با اون شرکت و

دیتاش.

دلیل دیگهش اینه که بچه‌ها شرکت شما رو می‌شناسه.

می‌دونه شما چه‌جور آدمی هستید، چطور کار

می‌کنید. چون یکی از چالش‌هایی که وجود

داره تو استخدام افراد جدید اینه که شما

تازه می‌خواید با یه فرد جدید آشنا بشید

اصلاً چهجوری هست؟ اخلاقش چه‌جوریه؟

چه‌جوری کار می‌کنه؟ ولی اون آدمایی که با

شما قبلاً کار کردن خیلی راحت راجع به شما

می‌تونن تصمیم بگیرن.

پس خیلی راحت می‌تونید این کارو بکنید که مثلاً مدتی بشید اس کی و دیتاالیز و چیزا

این چی سبکو بخونید یاد بگیرید

و کمکم مثلاً برید سراغ اینکه روی

گزارش‌های که اون بخش مربوط هست کار بکنید

و کم‌کم مثلاً باهاشون ارتباط بگیرید رو

پروژه‌هاشون کار کنید.

اینجا بچه‌ها شرکت خیلی ریسک کمتری داره

تا اینکه بخواد یه نیرو از بیرون بیاره.

و حتی لازم نیست که اون روز اول مثلاً به شما یک عنوان شغلی دیتا آنالیز بدم نیاز

نیست.

پس این مسیر مسیر خیلی کوتاه‌تریه اگر جایی مشغول هستید و تیم دیتا داره اون

شرکت این نکته هم هست

البته که الان روند اینجوری شده که تقریباً تو هر بیزینس و کسب و کاری کار

دیتا وجود داره خیلی بعیده وجود نداشته

باشه

یه مثال مثالی خود این بنده خدا تو پادکست می‌زنه میگه یه شخصی بود که راننده بود

دلیوری می‌کردی مثلاً یه سری چیز میزو

می‌برد تحویل می‌داد

شغلش ظاهراً هیچ ربطی به دیتا آنالیز و

اینجور چیزا نداشت

اما متوجه شده بود که وقتی می‌خواد وارد یه سری مجتمع بشه که ورودی داره و ورودش

کنترل میشه باید به مشتری پیام بده

پس شروع کرد چیکار کرد اون پیام پیامی که

می‌داد به اون مشتریا جلوی در ساختمون

حالتهای مختلفشو تست کرد.

عملاً داشت چیکار می‌کرد بچه‌ها به

نظرتون؟ این کاری که این دوستمون به عنوان

راننده داشت انجام می‌داد داشت ایست

می‌کرد بدون اینکه خودش بفهمه. حالا شایدم

بفهمه‌ها ولی مفهومش اویتسته.

یه متن می‌فرستاد بعد یه متن دیگه

می‌فرستاد و بررسی می‌کرد ببینه کدومش

جواب میده و اون آدمه مثلاً ریاکشن نشون

میده.

آیا اون داشت یه آزمایش پیچیده انجام

می‌داد؟ نه فقط مثل یه تحلیل‌گر داشت فکر

می‌کرد

و همین بچه‌ها می‌تونه تبدیل بشه یک رزومه تو خود اون شرکت.

پس اول سؤالی که الان باید خودتون بپرسید

همین الان که تو شغلی که الان دارید کار

می‌کنید چه چیزی قابل اندازه‌گیریه؟ زمان

انجام کارها تعداد مشتریا فروش هزینه نرخ

پاسخ موجودی رضایت مشتری خطاها زمان تحویل

[صدای خرناس] تقریباً بچه‌ها قطعیت داره

در هر کسب و کار و بیزینس یه چیزی هست که

بشه اندازه‌گیری کرد از همون جا شروع کنید

از همون سکشنی که الان هستید شروع کنید

کار دیتا رو

باز میخوام یه تعجب شخصی بگم من توی شرکتی که کار می‌کردم اولین پوزیشنی که داشتم

داشتم کاشاز کار سنتر بودم [صدای خرناس] و

تو همون بخش خودمون شروع کردم با دیتای

تماس و چت‌ها و ایمیلایی که وجود داشت یه

کار دیتای ساده انجام دادم یعنی با همونا

تمرین می‌کردم

از چیزهایی که نمی‌خواید هم می‌تونید انگیزه بگیرید یعنی چی؟

معمولاً تو بحث هدف‌گذاری میگیم که شغل

رویت رویای‌تون چیه؟ ۵ سالگی خودتونو کجا

می‌بینین؟ چه درآمدی می‌خواید؟ اما یه روش

دیگه هم وجود داره بهش میگن آنتی‌گل

ضد هدف.

یعنی بهجای اینکه فقط بپرسید چه چیزی

می‌خوام بپرسید چه چیزی رو دیگه نمی‌خوام.

نمی‌خوام ۵ سال دیگه همین کارو انجام بدم.

نمی‌خوام هر روز ۲ ساعت تو رفت و آمد

باشم. نمی‌خوام در شغلی باشم که هیچ چیز

جدیدی یاد نمی‌گیرم. نمی‌خوام درآمدم همین

اندازه باشه. نمی‌خوام کاری انجام بدم که

برام هیچ جذابیتی نداره.

گاهی فرار کردن از یه وضعیت نامطلوب

انگیزه بیشتری از دنبال کردن یک رویای

مبهم ایجاد می‌کنه. بچه‌ها

اگر از شرایطی که الان دارید ناراضی هستید این ناراحتی بچه‌ها یک مشکل بهش نگاه

نکنید می‌تونید به عنوان یک محرک و انرژی

نگاه بکنید برای تغییر

خب بریم سراغ بخشی بریم سر اون سؤال اصلیه حالا من چه چیزا

رو باید یاد بگیرم برای اینکه بخوام وارد

حوزه دیتا بشم

رسیدیم به بخش در حقیقت اون پرکتیکال یا عملی داستان اگه هدف شما ورود سریع به

حوزه دیتاالیسته

باید یک نبرد یه نردبون نبردبون نردبون یادگیری درست بکنید برای خودتون اول اکسل

تلو اس کی پایتون مثلاً

اکسل بچه‌ها بچه‌ها شاید براتون عجیب باشه

ولی واقعاً چیز کاربردیه و هنوز تو خیلی

جا استفاده میشه. تبلو یه چیزی شبیه پاور

بیایه فرقیم نمی‌کنه جفتشون این شبیه همه

بیسش یکیه اس کیم بچه‌ها واقعاً خیلی جا

نیاز دارید

و پایتونم که دیگه اصل داستان

اما چرا این ترتیبه؟ مرحله اول اکسهل

شاید فکر کنید اکسل به منز پایتون جذاب

نیست

شاید مثلاً شما پیوت تیبل تو اکسل یاد

بگیرید نرید یه جا پوزشو بدید بگید من

پیوت تیبل بلدم

اما اگه قراره اولین شغل حوزه دیتاتون رو

بگیرید باید بین د تا چیز تفاوت قائل بشید

چیزی که جذابه و چیزی که بازار کار واقعاً

از شما می‌خواد آره مثلاً الان چه می‌دونم

می‌دونم مثلاً ایآی فلان خیلی جذابه ولی

آقای بازار کار الان اکسل نیاز داره شما

تو خیلی از شرکت بید دارن با اکسل کار

می‌کنن

دیگه همتون یه کوچولو تجربه با اکسل دارید پس باعث میشه که یادگیریتون خیلی سریع‌تر

اتفاق بیفته

و لازم نیست بچه‌ها روز اول استاد اکسل بشید نه تا یه حد معقولی اکسلو یاد بگیرید

کفایت می‌کنه. مثلاً بتونید داده‌ها رو

مرتب کنید، فیلتر کنید، فرموهای مثلاً

معروفو بلد باشید، لوکاپو بلد باشید،

پیوتو حتماً بلد باشید

و کلی هم دیتاست تست هست تو اینترنت

می‌تونید باهاش کار بکنید و روش مثلاً یه

سری کارای کوچولو دیتایی انجام بدید.

مرحله دوم باید دیتا ویژوالیزیشنو بچه‌ها

یاد بگیرید.

مثلاً می‌تونید از همون تبلو استفاده کنید

یا پاور بیا یا خیلی ابزار دیگه هم هست.

حالا به غیر از این د تا

باید یاد بگیرید چهجوری بتونید دیتا رو به

یه شکل قابل فهم نمایش بدید این اصل دیتا

ویژوالیزیشنه

چرا باید اینو اول یاد بگیرید بعد برید سراغ برنامه‌نویسی پایتون اینا چون بچه‌ها

ابزار مثل تبلو و پاور بیاهه یه حالت درگ

اندراپ داره یعنی شما موز کار می‌کنید از

اینو بکشید اونور اینو بکشید این‌ور خیلی

سادهست

یعنی بدون که درگیر برنامه‌نویسی و سینتکس

و اینجور چیزا بشید، می‌تونید مثلاً یه

چیز اولیه برای خودتون درست بکنید داشبورد

و اینا

بعد یاد بگیرید که چهجوری نمودار مناسب

انتخاب بکنید. این خودش یه حوزه جداییه

بهش میگن ده استروتلینک که کتاب داره

می‌تونید کتابه رو بخونید البته که الان

ایآی هست می‌تونید از اونم مشورت بگیرید

چهجوری یک کیپیآیو نمایش بدید؟ چه‌جوری

داشبورد شلوغ نسازیم؟ داشبورد ترتمیز

بسازیم.

چه‌جوری وقتی یه شخصی داشبورد شما رو

می‌بینه در سریع‌تر زمان و ممکن و دیتایی

که می‌خواد استخراج کنه؟ این مهالت‌هایی

که بچه‌ها به معنای واقعی تو هر شرکتی

الان استفاده میشه.

مرحله بعد اس کیه.

مهارتی که تقریباً می‌تونم بگم هر دیتا

آنالیستی باید بلد باشه

باید بتونه از یک دیتابیس دیتا استخراج

بکنه.

اس کی بچه‌ها یه جور زمان برنامه‌نویسی اما نسبت به پایتون و اینجام خیلی سریع‌تر

شما می‌تونید یاد بگیرید.

لازم نیست بچه‌ها همه جزئیاتو بلد باش تو

خیلی از شرکتها می‌بینید هنوز دارن با اس

کی ورژن قدیمی کار می‌کنن اصلاً سینتکس

جدیدشو استفاده نمی‌کنن پس خیلی چالش نشه

من همشو باید یاد بگیرم البته که الان

ایآی هم هست اصلاً کلاً نمی‌خواد شما در

حده معقول بلد باشید کفایت می‌کنه

مثلاً در حد سلکت و ور و گروه بای و اردر

بای و جوین و اگریگیشن و سابوری و همینقدر

بلد باشید کفایت می‌کنه حتی مفاهیم مثل

ویندو فانکشنم بلد نبودید ایراد نداره چون

تو خیلی از شرکت اس کی اس کی قدیمیه اصلاً

ویندو فانکشن نمی‌دونه چیه

در حدی که بتونید از چند تا جدول مختلف یه دیتا رو بکشید بیرون تحلیل بکنید کفایت

می‌کنه این میشه نقطه ورود شما

محل بعد تازه میشه پایتون

حالا چرا پایتونو گذاشتیم آخر

نه به خاطر اینکه بچه‌ها مهم نیستا نه اتفاق خیلی مهمه پایتون

مسئله اینکه اگر شما هیچ تجربه برنامه‌نویسی از قبل نداشته باشید طول مدت

آمی که طول می‌کشه شما پایتونو یاد بگیرید

خیلی طولانیه برای همین گذاشتمش آخر

حالا چیا رو باید یاد بگیری تو پایتون

مثلاً در حد وریبل و کاندیشن و لوپ و

فانکشن و لایبرری و دیتا استراکچر و دیباگ

و ارور و حتی دیباگ ارورم ندونسید فدا سمت

خب خب حالا بعدش می‌تونید برید سراغ

ابزارایی مثل پانداس کتابخونه‌هایی مثل

پانداس و پانپای و مد پلاتلیب و و حالا

کلی کتابخونه دیگه

پس حتماً پایتونو بذارید آخر یعنی قبل شما یک بکگراندی داشته باشید از دیتا بعد برید

سراغ پایتون چون اول بری سراغ پایتون گیر

می‌کنید توش بچه یعنی باتلاگ میمونه

واقعاً

به قول گفتنی قابلیت استخدام داشته باشید بعد برید عمیق

بشید تو اون حوزه دیتا. یعنی آدمه به

اینجوری بگه که من حداقل یک سل به این

دادم این می‌تونه د تا نمودار بکشه نه

اینکه فقط پایتون بلده.

بهترین حالت یادگیری بچه‌ها یادگیری داخل خود شغله. واقعاً این اصلاً هیچ ردخورد

نداره. خب یعنی شما تو کار خیلی چیزا رو

تازه یاد می‌گیرید.

هرچقدر شما دوره بگذرونید دوره ببینید

آنلاین تا وارد محیط واقعی کار نشید خیلی

چیز دستتون نمیاد.

مخصوصاً وقتی با دیتای واقعی روبهرو میشید

با چالشاش روبهرو میشید خب میاد می‌بینید

مثلاً دیتا ناقصه اسمای عجیب غریب داره

داکیومنت نداره

تیمای مختلف اختلاف نظر دارن راجع به اون

دیتا

بعد مثلاً مدیرتون میاد اصلاً خودش

نمی‌دونه چه گزارشی میخواد از این چیزا

زیاده ددلاین ددلاین

و مثلاً محدودیتهای فنی مشکلات دسترسی و کلی موضع دیگه که میاد تو کار تازه

می‌فهمید چیه؟

یادگیری تو محیط کار بچه‌ها یادگیری شما

رو چند برابر سریع‌تر می‌کنه

و یه نکته خیلی خیلی خیلی خیلی خیلی مهم

اینه که شما به جای اینکه پول بدید کار

یاد بگیرید تازه تازه پولم می‌گیرید کار

یاد می‌گیرید و خیلی نکته نکته جذابیه

پس هدفتون نباشه قبل از اینکه اول شغلتون رو بگیرید تبدیل بشید به یک سنیور دیتا

ساینتیست نه برید کار بگیرید به عنوان

جونیور و کم‌کم یاد می‌گیرید. نگران

نباشید. واقعاً اگه انگیزهشو داشته باشید

و اون خودتون بخواید یاد می‌گیرید.

اما سؤال بزرگی که این روزا خیلی می‌پرسن

من ایآیو یاد بگیرم و استفاده بکنم یا نه؟

کلا چت جی بیتی

ابزار مختلف ایآی که هستن

آیا اصلاً باید اجازه بدیم ایآی برای ما

کد بزنه یا خودمون کد بزنیم

یا این کار اصلاً باعث میشه ما چیزی یاد

نگیریم؟

بچه‌ها جواب یه چیزی وسط این د تاست نه

باید ۱۰۰ همه چیو بندازید گردن چل جی بیتی

و اینجور چیزا نه اینکه اصلاً کلاً

استفاده نکنید نه وسطو بگیرید یعنی هم

خودتون کد بزنید هم ازش کمک بگیرید

خب مثلاً اگه شما میخواید یه کوری بنویسید

می‌تونید اون نسخه اولی کوری رو از مثلاً

کلاد یا چجب بیتی بگیرید بعد خودتون بشید

مثلاً روش یه ذره تغییرات بدید

خب خب

پس ایآی نباید جایگزین شما بشه باید به شما کمک بکنه که سرعت و روند یادگیریتون

سریع‌تر بشه

چرا این کارو چرا این نکته خیلی مهمه

بچه‌ها یه چیزی همیشه یادتون باشه ایآی

امکان اشتباه داره اساساً ۱۰۰ روش اطمینان

نکنید

اگر اون چیزی که ایآی تولید می‌کنن رو شما

نتونید درک بکنید یه جایی واقعاً به مشکل

می‌خورید

پس به این فکر نکنید که چون ایآی هست من

دیگه پایتون یاد نگیرم یا اس کیو یاد

نگیرم نه باید یاد بگیرید

ایا قرار نیست جای شما رو تو فکر کردن

بگیره قراره توانایی شما رو تقویت بکنه

در آینده بچه‌ها این نظر منه نظر اونم هست آدمایی حرفه‌این که خوب یاد گرفتن چهجوری

از ابزار ایآی استفاده کنن این خیلی نکته

مهمه پس حتماً ایا یاد بگیرید کار کردن

باهاشو یاد بگیرید ولی ۱۰ بهش احتم اعتماد

نکنید ۱۰۰ هم جایگزین خودتون نکنید

خب اما سه ستون اصلی گرفتن اولین شغل دیتا

چیه

فرض کنید شما اکسلو بلدید اس کی بلدید

ویژوالیزیشن بلدید یه کوچولوهم پایتون

بلدید آیا استخدام میشید نه لزوماً چون

اسکیل بچه‌ها فقط یه بخشی از ماجراست

۳ تا ستون داره برای اینکه شما استخدام بشید یکی اسکیله یکی پورتفولیو یکی نتورک

یعنی چی؟

یعنی مهارت، پورتفولیو و شبکه ارتباطی.

معمولاً همه تمام زور و انرژیشونو می‌زنن

رو ستون اول یعنی مهارت و اون د تای دیگه

رو بی‌خیال میشن. یه کورس می‌بینن مدرکشو

می‌گیرن میرن سراغ کورس بعدی. اونو تموم

می‌کنن میرن سراغ کورس بعدی و تو اسکیل

می‌مونن.

ولی بچه‌ها مهارت تنها چیزی نیست که الزاماً شما رو از بقیه آدم‌هایی که

می‌خوان اپلای کنن متمایز می‌کنه.

پورتفولیو یعنی مدرک واقعی توانایی شما

مثلاً روی رزومهتون می‌تونید بنویسید

پایتون اس کی تبلو ماشین لرنینگ

اما یه آدمی که می‌خواد با شما مصاحبه کنه

از کجا بدونه شما چقدر بلدید

خب

اصطلاحاً میگن که رزومه‌ها حرف می‌زنن پروژه‌ها راه میرن یه اصطلاح

یعنی اینجوری فارسیشو بگم که رزومه‌ها میگن شما چی بلدید

اما وقتی روی پروژه هستید تازه می‌فهمن که

شما چهجوری می‌تونید انجامش بدید آیا

اصلاً می‌تونید انجامش بدید یا نه

مثلاً شما هستید میر تو یه مصاحبه میگید

من پایتون بلدم بعد طرف میگه خب یه کد

بنویس همونجا گیر می‌کنید

نه اینکه پایتون بلد نباشه شد پایتون بلد

باشید ولی تو پروژه نتونید ازش استفاده

کارت

پروژه خوب حتی می‌تونه مصاحبه رو بچه‌ها تغییر بده. یکی از استرس‌هایی که مصاحبه

داره اینه که نمی‌دونید چه سؤالی قراره از

شما بپرسن.

مثلاً امکان داره یهو یه دونه مثلاً چ یه

سؤال اس کی بذارن جلوتون یا یه سؤال آماری

بپرسن ازتون.

اما اگه مثلاً قبل از مصاحبه شما یه پروژه

خیلی خوب داشته باشید و اونو بذارید جلو

راجع به اون صحبت کنید یه دو سه قدم

جلوترید.

یه امکان داره بخش زیادی از مصاحبه بره

سراغ همون پروژهتون.

مثلاً ازت بپرسه چرا این دیتاستو انتخاب

کردی؟ چ چه‌جوری دیتا رو تمیز کردی؟

ویژوالیزیشن رو مثلاً چرا این نمودارو

انتخاب کردی؟ چرا اینجا این تصمویمو

گرفتی؟ چه مشکلی رو حل کردی؟ اگه بخواید

دوباره این پروژه رو انجام بدی چیشو عوض

می‌کنی؟

و اینا سؤلاییه که بچه‌ها شما قرار نیست

توش گیر بکنید چون یه بار اون پروژه رو

خودتون انجام دادید ولی راحت‌تر می‌تونید

به این سؤا جواب بدید.

حالا سؤال بعدی که پیش میاد این که چند تا پروژه لازم دارید.

اینجا خیلیا بچه‌ها گرفتار ایدآل‌گرایی

میشن.

یعنی چی؟

میگه اول پروژه اکسل بعد یه پروژه اس کی

یه دونههم ایتیL یه دونه دشبورد یه پایتون

یه ماشین یعنی ۵ تا پروژمو تموم کردم برم

اپلای کنم و این اشتباهه

شما باید

پیشرفت و اولویت بدید به ایدارگری

یه پروژه خوبو شما اگه بتونید تموم بکنید

خیلی بهتر از ۵ تا پروژه نصف نیمهست

خب مثلاً اصلاً شما می‌تونید مثلاً با د تا پروژه خوب برید جلو لازم نیست حتماً تو

همه این حوزه‌ها یه پروژه داشته باشید

بعد مثلاً در حین اپلای کردن می‌تونید

پروژه بعدی رم بسازید

خب یعنی بچه‌ها یادگیری و پیدا کردن شغل

قرار نیست جدا از همدیگه اتفاق میفته

می‌تونه با هم بره جلو یعنی در حینی که

دنبال کار هستید آموزشم ببینید

بهترین پروژه پروژه‌ای که واقعاً واقعاً براتون جالب باشه.

پروژه شخصی بچه‌ها یه مزعیت مهم داره.

احتمال اینکه تمامش کنید خیلی زیاده.

مثلاً فرض کنید موسیقی علاقه دارید. مثلاً

یه داده‌های اسپاتیفای بررسی می‌کنید

مثلاً کدوم آ

هنرمندا بیشترین بیشترین موزیکو مثلاً ازش

گوش دادن. تو چه روزایی بیشتر آهنگو گوش

میدن کاربرا؟ چه ژانرهای مورد علاقه

کاربراست.

یا مثلاً اهل پیاده‌روی کوهنوردی باشید.

می‌تونید داده‌های جی‌ پی‌ اسو برید تحلیل

بکنید. خب

موضوع بچه‌ها نیست که پروژه خیلی عجیب غریب و پیچیده باشه موضوع اینه که شما

واقعاً نسبت به اون مسئله کنجکاب باشید

خب

چون بچه‌ها شما وقتی یه پروژه شروع

می‌کنید تو در حین این پروژه ۱۰۰ تا مشکل

پیش میاد اگر علاقه‌مند نباشید وسطش ول

می‌کنید ولی اگه علاقه‌مند باشید تا تهش

میرید

ولی بچه‌ها تو یه دام خیلی مهم نیفتید. پروژه شخصی نباید ۳ ماه مثلاً از زندگی

شما رو کامل بگیره.

یه مواقعی امکان داره که جمع‌آوری دیتا برای پروژه ش شخصی خیلی سخت بشه. پس

تعادلو رعایت کنید. قرار نیست پروژه شما

بچه‌ها یک استارتآپ کامل باشه. هدف اینه

که شما یه دیتا رو پیدا کنید.

ترتمیزش کنید تحلیل کنید از یه ابزار خوب

استفاده کنید و به یه نتیجه خوب برسید

همین تمام

اصلاً قرار نیست بچه‌ها کار شق‌القمری

انجام بدید

بچه‌ها از پروژه‌هایی که همه روش کار کردن

دوری کنید مثل پروژه‌های مثل تایتانیک

مثلاً چه می‌دونم آیریس دیتاست مثلاً اینا

که دیگه تو اینترنت عینشکلی ریخته از اینا

فاصله بگیرید اینا چیزی نیست که شما به

عنوان پروژه شخصی بخواید برید جای راجع

بهش صحبت کنید خب چون اون کسی که می‌خواد

با شما مصاحبه کنه احتمالاً اینو ۱۰۰ بار

دیده.

سعی کنید یه دونه

دیتا ست برید سراغش که مثلاً کمتر سراغش

رفتم و علاقه دارید بهش. از یه زاویه دیگه

هم بهش نگاه کنید.

این خیلی نکته مهمه

بچه‌ها. گیت‌ها به تنهایی پورتفولیو شما نمی‌تونه باشه. گیتهاب خیلی ابزار

بی‌نظیریا و بایدم بلد باشیم. اصلاً بحثی

توش نیست. خب

ولی اساساً برای نگهداری و همکاری رو کد

ساخته شده.

[صدای خرناس] مثلاً فرض کنید مصاحبه کننده

شما وارد گیتهاب شما بشه ببینه ۲۷ تا

مثلاً ریپازیتوری دارید کدومو باید باز

کنه اصلاً کدوم پروژه مال خود شماست؟ خب

کدوم کامله

اون قرار نیست بچه‌ها مثل یه آدم بیکار

بشینه تکتک ریپازیتور شما رو از بالا تا

پایین همه رو چک کنن اینا از این خبرا

نیست خب پس گیتهاب اصلاً بهش به عنوان یه

پورتفولیو نگاه نکنید یه سایت برای خودتون

بزنید الان که دیگه با چی بیتی و کلاد و

اینا سایت زدنم عین آب خوردنه تو ۱۰ دقیقه

می‌تونید سایت بزنید

خب تو سایت یه معرفی خیلی شیک از خودتون

داشته باشید کوتاه دو سه تا پروژه مهمتون

و بذارید برای هر پروژه یه چند تا سؤالو

جواب بدید مسئله چی بوده چیکار کردید با

چه ابزار کار کردید نتیجه چی شده

[صدای خرناس] مثلاً یه لینکم تش بذارید

مثلاً برای مشاهده کد یا دمو

خب لازم نیست بچه‌ها فرانتن دولپر باشید

سایت بزنیددا الان که اینا آب خوردن میشه

با ک همه این ابزارهای چجبیتی اینا کد زد

یه سایت آورد بالا پس خیلی نکته مهمه

بریم سر ستون سوم نتورک شبکه

خیلیا ازش قافلن

بچه‌ها شاید باورتون نشه چقدر موضوع مهمیه. خیلی [صدای خرناس]

موضوع مهمه

شما امکان داره مثلاً همون یه جورایی شبیه

بند په پارتیه واقعاً شبیه پارتی می‌مونه

امکان داره برای یه موقعیت شغلی ۱۰۰ نفر

اپلای کنن شماهم یکی از اون ۱۰۰۰ نفر

باشید اون مصاحبه کننده از کجا بفهمه شما

وجود دارید تو اون ۳۰۰۰ نفر

ولی مثلاً یه سناریو رو تصور کنید مثلاً

یه هفته قبل تو یه جلسه‌ای با یکی از

اعضای تیم اون شرکته صحبت کرده باشید

پروژهتونو نشونش داده باشید یه گفتگو با

هم داشته باشید تو یه کنفرانسی تو یه جایی

ایونتی جایی خب

حالا مثلاً رزومهتون میاد اون آدمه نگاه

می‌کنه ای مثلاً این حسنه این علیه این

مثلاً فلانیه من تو اون جلسه باهاش رو به

آشنا شدم خب بچه‌ها زم اینجا واقعاً زمین

تو آسمان فرق می‌کنه با حالتی که رزومتون

حالت عادی بیاد خب بچه‌ها تو نتورکینگ

قرار شما برید پاچهخاری بکنیدا نه واقعاً

نیتتون تو نتورک باشه مثلاً بری تو

ایونت‌های مختلف تو لینکدین با آدمای

مختلف کانکت بشی راجع به پروژه‌های مختلف

صحبت کنی اسمتون بذار تو ذهنشون باشه

خب

با همکارای سابقتون یه گپی بزنید اونا

خودشون کانکتتون می‌کنه مثلاً به یک نفر

دیگه خیلی زیاده راههاش دوستاتون

همکاراتون اساتیدتون

بچه‌ها مثل یک دانشمند دنبال کار بگردید خب

یعنی چی؟ یعنی شما قراره برید دیتا کار

کنید دیگه فراآیند پیدا کردن کارتون رو هم

اونم آنالیز کنید مثلاً یه دونه جاب ترک

بسازید هر اپلیکیشن ثبت می‌کنید اسم شرکتو

بنویسید عنوان تاریخی که اپلای کردید

منبعی که پیدا کردید تمام جزئیاتو بنویسید

خب

بعد از اینکه مثلاً ۳۰ تا ۴۰ تا ۵۰ تا

ریکوست دادید خب حالا می‌تونید از خودتون

سؤال بپرسید

مثلاً از ۳۰ تا درخواستی که تو لینکدین

دادم یکیش جواب جواب گرفتم اما ۱۰ تا

درخواستی که تو سایت شرکت ثبت کردم ۳ تا

مصاحبه گرفتم پس اینجا نتیجه می‌گیرید

مثلاً سایت شرکت مسیر بهتریه

خب

پس

بعد رزومه‌هاتونم نسخه‌های مختلف ازش درست

کنید و ببینید کدوم نسخه بیشتر جواب

گرفتید اینم خیلی مهمه ایبی تست بکنید رو

رزومهتون حتماً

این حتی اون دانش دیتاتون رو بیاره تو اون

فراآیند پیدا کردن کار

اما برگردیم به سؤال اول کی برای این حوزه اپلای کنیم؟ چقدر طول می‌کشه آماده بشیم؟

بچه‌ها اگه به طور میانگین روزانه حدود ۲

ساعت وقت بذاره یعنی تقریباً ۱۴ ساعت در

هفته می‌تونه گفت حدود ۱۲ هفته طول میکه

که شما برسید به یه سطح اولیه

برای خود من فکر کنم دو سه ماه طول کشید ۲

ماه طول کشید کمتر خیلی وقت می‌ذاشتم درست

فقط یه نکته بگم بچه‌ها چند تا سکشن

قبلترمرو گفتم بهتون قرار نیست ۱۲ هفته

صبر کنید اپلای کنین نه پیدا کردن شغل

موازی با یاد یادگیری

از هفته چهارم پنجم دیگهشو می‌تونید شروع

بکنید اپلای کردن

چون پیدا کردن کارم بچه‌ها خودش زمان

می‌بره خب اون فاصله که داره زمان می‌بره

شما یادگیریتونم ادامه بدید پس لرنینگ و

اپلایینگو باید با هم انجام بدید خب

و رو هر سه تا ستون بچه‌ها کار کنید فقط رو اسکیل نمونید

بچه‌ها شرایط خودتونو رو حتماً در نظر بگیرید. مدت زمان پیدا کردن شغل برای همه

یکی نیست. مثلاً امکان داره یکی هیبرید

بخواد کار کنه، یکی دورکار باشه، یکی

حضوری مشکلی نداشته باشه. اینا شرایط

مختلفی دارن آدما با همدیگه. خب مثلاً

معمولاً توی شغلایی که مثلاً دورکاری وجود

داره، دورکاریه رقابت خیلی سنگین‌تره.

پس لزوماً مدت زمان پیدا کردن کار برای آدم مختلف یکسان نیست. چون شرایط آدم

مختلف متفاوته.

سؤال بعدی که پیش اومد اینه که آیا من باید خیلی ریاضیم خوب باشه برای اینکه

بخوام توضیح دیتا وارد بشم؟

اینکه ریاضی بلد باشید بچه‌ها قطعاً

ارزشمنده. خب

مخصوصاً تو حوزه‌های مثل ان ال پی و دیپ

لرنینگ و ماشین لرنینگ و اینا خیلی

می‌تونه کمک بکنه که سریع‌تر پیشرفت

بکنید.

ولی نباید جلوتونو بگیره ریاضیات بچه‌ها.

خب

اگه هدفتون فعلاً ساختن داشبورد و تحلیل و

اس کی و اینجور چیزاست اونقدر ریاضیات

بچه‌ها مهم نیست نه که اصلاً مهم نباشن

کمکم برید تو کار خودتون می‌تونید عمیق

بشید تو ریاضیات

بچه‌ها یه اصطلاحی وجود داره میگن که تا دستت کثیف نشه شما کاری یاد نمی‌گیرید پس

عمل بهتر از تئوریه اینو همیشه یادتون

باشه خب

مثلاً بهجای اینکه ۳ ساعت درباره انواع

جوین برید درس مثلاً مطالعه بکنید برید یه

دیتا ست بیاید دو سه تا دیتا ست بیارید با

همدیگه جوین کنید خب

این خیلی بیشتر بهتر یاد می‌گیرید تا

اینکه فقط هی بخونی جوین جوین جوین چیه

تئوری ارزشمنده‌ها ولی تا یه جایی

یه چرخه‌ای وجود داره که باید اینو یاد بگیرید یه چیزی رو بسازید گیر کنید یاد

بگیرید اصلاح کن دوباره بساز و دوباره

بالا از اول

یکی از روش‌های طبیعی و خوب یادگیریه.

اما اگه بخوایم یه دونه روت مپ الان درست بکنیم یه نقش راه درست بکنیم برای این

پادکستمون اول اکسلو در حد کاربرم یاد

بگیرید یه دیتا ویژوالیزیشن یاد بگیرید با

ابزار مختلف نه همه ابزارا یکی که کفایت

می‌کنم بعد اس کی بعد وارد پایتون بشید

بعد همزمان با یادگیریتون سعی کنید یکی دو

تا پروژه انجام بدید مثلاً یه پروژه اسکی

یه پروژه مثلاً ویژوالیزیشن

بعد پروژه انتخاب کنید که براتون جالبه

بچه‌ها خیلی مهمه خب خب

حتماً یه وب سایت یه صفحه پورتفولیو برای

خودتون درست کنید بعد شروع کنید نتورک

ساختن و شبکه زدنرو حتماً سریع شروع کنید

با افرادی که تو این حوزه کار می‌کنن

ارتباط بگیرید صحبت کنید تو اون شرکتی که

دارید کار می‌کنید اگه شاغل هستید دنبال

پوزیشنهای دیتا بگردید با اون دیتاش برید

کار کنید

و شروع کنید به اپلای کردن بعد تمام

فرایندتونو بچه‌ها ترک کنید گفتم بهتون یه

دونه اصلاً جاب ترکر برای خودتون درست

کنید

و بر اساس خروجی این جاب ترکره همیشه سعی کنید روند پیدا کردن شغلتون رو اصلاح

بکنید مثلاً رزومهتونو عوض کنید مسیری که

رزومه رو می‌فرستیدو عوض کنید

اما اگه بخوایم یه جمع‌بندی بکنیم

مهم‌ترین پیام این پادکستمون چیه؟ برای

ورود به دیتا لازم نیست همه چیو بلد باشید

باید به اندازه کافی بلد باشید که بتونید

شروع کنید و بعد از شروعهم بچه‌ها نباید

یادگیری متوقف کنید و هر روز باید درگیر

یادگیری باشید کلی اتفاقات و اتفاقات جدید

میفته تو این حوزه

اوکی

پس تو لوپ گرفتن سرتیفیکیت و کورس جدید دیدن نیفتید برید تو حوزه کار دستتونو

کثیف بکنید و کارو شروع بکنید

[گلویش را صاف می‌کند]

مهارتهای ضروری یاد بگیرید یه چیزی رو بسازید

کارتونو نشون بقیه بدید با آدما ارتباط

بگیرید اپلای کنید و ترک بکنید اون روند

استخدامتون رو

و یه جمله نهایی من به شما بگم قبل از اینکه عنوان شغلی دیتا آنالیستو بخواید

بگیرید باید مثل یک دیتا آنالیست فکر

بکنید. این خیلی نکته مهمی بچه‌ها.

خب امیدوارم که این پادکست براتون مفید

بوده باشه و اگر دوست داشتید حتماً به

دوستاتونم معرفی کنید گوش بدن و امیدوارم

که به درد همه بخوره. فعلاً خداحافظ تا

قسمت بعدی. ‏M.