Мы уже писали о том, как студенты нашей онлайн-магистратуры совмещают учёбу и работу, а сегодня, к началу потока флагманского курса по Data Science, делимся материалом об этом от Куен Тран, автора статьи о том, как на Python создать математическую анимацию.
Сегодня Куен Data Scientist в разрабатывающей ПО компании Ocelot Consulting, а в этой статье она рассказывает, как изменила свой подход к освоению Data Science и смогла изучать науку о данных, несмотря на занятость на работе и нагрузку в университете.
Достижение любой цели связано с выбором правильного пути
Ставя перед собой цель освоить Data Science, сначала необходимо понять, какой набор навыков вы хотите получить. Дальнейшие действия представляются элементарными — нужно просто найти время, чтобы сесть и начать накапливать искомые навыки. С таким багажом вы станете перспективным кандидатом на собеседованиях и, весьма возможно, получите работу своей мечты.
Однако жизнь вносит свои суровые коррективы и не даёт посвятить всё время изучению Data Science. Она требует, чтобы вы постоянно отвлекались на повседневные дела, но при этом ставит условие, чтобы в вашем резюме в графе «опыт работы» было указано более двух лет. Вы чувствуете опустошение и разочарование. Умом вы понимаете, что нужно учиться и набивать руку, но какой же это труд — неукоснительно соблюдать пункты этих амбициозных планов! Тогда, может быть, вообще отказаться от идеи?
Два месяца назад [статья написана в феврале 2020 года] я попала именно в такое положение. В институте я изучаю целых пять дисциплин как студент в области математики и, кроме того, ещё и работаю… Так где же мне взять время для изучения Data Science?! Но, когда я уже готова была сдаться, я сказала себе — нужно продолжать. И вот что я поняла: для этого вовсе не нужно работать больше, а нужно — умнее. Достаточно было просто пересмотреть собственные подходы к обучению.
Дело не в том, чтобы работать больше. Дело в том, что нужно поменять саму систему работы (Эван Шпигель, генеральный исполнительный директор, CEO Snapchat)
Сейчас мне удаётся доводить до конца множество интересных проектов в области Data Science, публиковать не менее двух постов в неделю, получать новые результаты в исследованиях NLP, сохраняя при этом средний балл успеваемости не ниже 4,0.
Я всё время ставлю себе цель — организовать работу эффективнее, и часто мне удаётся находить оптимальные пути к цели. Применяемые мною подходы отлично себя проявили, поэтому я хочу поделиться ими в надежде, что вы сможете, переняв мой опыт, за короткое время приобретать новые навыки и сделать изучение Data Science максимально комфортным.
Прежде чем переходить к другой работе, завершите уже начатую
Как я поступала раньше
Каждый день я один час уделяла одному проекту, другой час — другому, и так продолжалось много и много недель. Когда проекты подходили к концу, у меня складывалось впечатление, что ничего особенного я, собственно говоря, и не добилась.
Как я поступаю теперь
Я ставлю перед собой небольшую цель и иду к этой цели за малое время. Например, когда я возвращаюсь из института, я говорю себе: сегодня мне нужно сделать домашнее задание за 2 часа, после чего 2 часа поработать над проектом NLP. Завтра за 2 часа до института мне нужно написать и опубликовать небольшой пост.
Я знаю, что могу справиться с этими небольшими делами за малое время. Это меня радует: я всё время занимаюсь чем-то полезным, то есть тем, у чего есть результат. Я могу какое-то время посвящать одной определённой работе, не отвлекаясь на другие. Видя, что работа выполнена, я приобретаю мотивацию — желание приступить к новым делам.
Создайте изолированную среду
Как я поступала раньше
Для разных текущих проектов и новых статей, которые нужно прочитать, я открывала несколько экземпляров браузера. Пока я занималась одним проектом, меня всё время мучила мысль, что другие проекты в это время «простаивают», и это очень огорчало.
Как я поступаю теперь
Закончив одну работу, я закрываю все связанные с ней файлы или браузеры и перехожу к следующей. Если работа ещё не закончена и я хочу вернуться к ней, я просто использую расширение Chrome One Tab, позволяющее преобразовывать открытые вкладки в список на одной странице. Видя, что браузер свободен от лишних вкладок, я могу не отвлекаться и сосредоточиться на текущей работе. Позднее, если я захочу вернуться к прежней работе, я просто открываю One Tab.
Ещё один маленький секрет: во время работы я всегда перевожу телефон в авиарежим и отключаю все уведомления на MacBook. Я сама выбираю время, когда отвечать на сообщения. Не бывает таких сообщений, которые не могли бы подождать.
Не перемешивайте предварительное ознакомление с тщательным изучением — сначала одно, потом другое
Как я поступала раньше
Я знаю, что при изучении Data Science особенно важно получить новые знания и понимание новых технологий и методик. Поэтому каждый день уйма времени у меня уходила на изучение различных инструментов и чтение множества статей, но никогда до их практического применения дело не доходило. Весь этот процесс оставлял досадное чувство неудовлетворённости: я видела, какое громадное множество вещей должна понять, но пока не в состоянии понять ни одну из них.
Как я поступаю теперь
Теперь всякий раз, когда мне попадаются интересные статьи на Medium или на других сайтах, но я в этот момент занята чем-то другим, я их быстро пролистываю (чтобы понять, стоит ли такая статья изучения) и затем сохраняю их в Instapaper, помещая в определённую категорию (Data Science, программирование, математика, визуализация данных и пр.).
Теперь я могу быть спокойна — в любой момент можно вернуться к таким статьям и изучать их более внимательно. В свободные минуты (например, в автобусе, или коротая время в ожидании ответа от телефонного оператора, или в обеденный перерыв) я открываю сохранённые в приложении статьи и читаю их. Закончив чтение, я либо удаляю их, либо сохраняю, если хочу вернуться к ним позже или понять, как работает код.
Создавая атмосферу собственного читального зала и формируя соответствующие привычки, я могу узнавать что-то новое, не забывая при этом об основной работе.
Делитесь тем, чему научились
Как я поступала раньше
Каждый день я кропотливо занималась работой. Кропотливо, но и только. Когда приходило время отразить результаты в резюме, мне просто нечего было рассказывать, так как я никогда не делала посвящённых своим работам публикаций.
Как я поступаю теперь
Теперь я разбиваю один большой проект на проекты меньше. Я выкладываю свои небольшие промежуточные достижения на Github или делюсь кодом на Medium. Кроме того, я рассказываю о своих проектах и опубликованных статьях в LinkedIn, Twitter или на своём веб-сайте. Я делюсь всем, чего смогла добиться, — даже самыми незначительными успехами и достижениями.
Если вы сомневаетесь, стоит ли рассказывать о своей работе, так как думаете, что она недостаточно хороша, вы вряд ли добьётесь чего-то серьёзного. После того как вы расскажете о своей работе и получите положительные (или отрицательные) комментарии от других пользователей, у вас появится желание совершенствовать свои навыки и мотивация выкладывать более качественный контент.
Говорите себе не «я должен это сделать», а «я хочу это сделать»
Как я поступала раньше
«Может, бросить сегодня на этот надоевший проект? Ах, нет-нет, ни в коем случае, никаких поблажек, ведь я дала себе клятву, что буду посвящать изучению Data Science хотя бы час в день — без всяких исключений!»
Такие мысли порождали чувство, будто я кому-то что-то должна, и мой проект стал более походить на школьную домашнюю работу. Бывали минуты, что из-за такого подхода мне вообще не хотелось даже садиться за проект.
Как я поступаю теперь
Я говорю себе, что сама себе хозяйка: захочу — могу без проблем пропустить день работы над проектом, не писать постов или не читать умные статьи. Ведь меня к этому никто силой не принуждает.
Такой подход удивительным образом меняет отношение к работе. Я свободна в выборе — занимаюсь чем хочу, и, если я решаю всё-таки сесть за проект, это моё осознанное решение. Если я берусь за работу, это значит, она мне очень нравится! И такая работа будет приносить радость и вызывать чувство удовлетворения. Решив взяться за проект, я сразу чувствую прилив энергии и энтузиазма.
Заключение
Если ты уверен, что сможешь, — ты прав; если ты думаешь, что не сможешь, — тоже прав (Генри Форд)
Чтобы стать грамотным Data Scientist, нужно приобрести большое количество навыков. Я вижу, как мои эксперименты с новыми подходами помогают эффективно приобретать новые навыки и добиваться лучших результатов. Я знаю, что, если не сдаваться и набраться смелости изменить неработающие подходы, в конечном счёте можно покорить новые высоты.
А наши курсы созданы, чтобы не оставить вас наедине с собой: после обучения вы сможете поработать с HR, чтобы изменить карьеру, а в сложных ситуациях мы замораживаем обучение, чтобы вы могли вернуться в нужный момент. Поэтому, если вам интересна сфера данных, вы можете присмотреться к программе нашего курса по Data Science, Machine Learning и Deep Learning или курсу по аналитике данных. Также вы можете узнать, как начать карьеру или вывести ваши навыки на новый уровень в других направлениях IT:
Data Science и Machine Learning
Профессия Data Scientist
Профессия Data Analyst
Курс «Математика для Data Science»
Курс «Математика и Machine Learning для Data Science»
Курс по Data Engineering
Курс «Machine Learning и Deep Learning»
Курс по Machine Learning
Python, веб-разработка
Профессия Fullstack-разработчик на Python
Курс «Python для веб-разработки»
Профессия Frontend-разработчик
Профессия Веб-разработчик
Мобильная разработка
Профессия iOS-разработчик
Профессия Android-разработчик
Java и C#
Профессия Java-разработчик
Профессия QA-инженер на JAVA
Профессия C#-разработчик
Профессия Разработчик игр на Unity
От основ — в глубину
Курс «Алгоритмы и структуры данных»
Профессия C++ разработчик
Профессия Этичный хакер
А также:
Курс по DevOps
