41次申请，一半石沉大海18次被拒，我如何找到第一份数据科学工作？全文共3620字，预计学习时长12分钟图源：unsplash回顾过去的半年，这是我人生中最变幻莫测的时期，从布里斯班来到悉尼，放弃了3年的微生物学博士后合同决心转行，却又被新冠疫情耽误。经过近半年的准备和努力，我终于拿到了两个数据科学领域的工作机会。我总共申请过41次数据科学相关工作，为了每份工作申请准备了专门的简历和求职信。在这些申请中，有21份没有回复，18份被拒，2份面试邀请也是到了4月底才收到。这并不是一段鼓舞人心的经历。但终究，我还是走出了这段黑暗的时期。我想和大家分享一下我是如何完成从博士后研究员到数据分析师的转变，以及我一路走来的经验教训。虽然情况会因人而异，但希望我的经验能为那些正在考虑转行、但仍不确定从何入手的早期职业研究员，尤其是自然科学领域的研究人员提供一条新的转行之路。我为什么离开学术圈说实话，我其实挺喜欢做研究，或者说喜欢 “解决问题”。在整个学术生涯中，我系统地学习了如何阅读文献、剖析问题、设计实验、检验假设、分析数据、撰写文章。然而，4年博士加3年博士后，我发现自己的研究领域越来越局限，这并不是我所期望的。我更希望自己的未来充满多种可能性，我想利用这些在学术界获得的技能来解决更多实际问题，这也是我离开学术界的一个原因。学术界已经有不少关于早期职业研究员工作局限性的讨论。工作不稳定、超长时间工作（尤其是生命科学领域的实验室研究人员）、升职、“不发表就出局”的学术压力、定期合约，所有这些都一直牵动着我的神经。图源：unsplash我能明白学术聘任制的意义，是通过在各种实验室中进行多轮博士后研究，培养下一代研究人员，直到他们能够独立负责一个研究课题或研究领域。换句话说，早期职业研究员不太可能在一个实验室里度过整个学术生涯。然而，从现实的角度来看，对于短期研究合同，大多数博士后无法承担抵押贷款，我们不知道这份合同结束之后又将何去何从。如果牵扯到伴侣或家庭，这个问题会变得更加复杂。我可能面临分离，去另一个城市或国家的“著名实验室”做研究。我绝没有要诋毁学术界的意思，我想传递的是：选择职业，一定要有开放的眼光。现阶段，我需要一份与我的目标最匹配的工作，并且要让我感到放弃这些年在学术界的经营是值得的。为什么选择数据科学进入数据科学这个领域是基于技能和热爱做出的慎重考虑。作为生物科学的博士后，我一直在使用多变量分析、回归分析、组网分析和显著性检验来分析数据。所有这些知识都可以很容易地运用到数据科学中。此外，由于平时处理的数据量很大（例如高通量DNA测序），我对Python、R、bash scripts和SQL等工具非常熟悉，这也与数据科学中使用的工具差不多。除了必要的技能和科学的思维方式，在设定职业目标时，热爱也是不可或缺的一部分。我们肯定不希望走出一个死胡同，又进入了另一个死胡同，确定我们热爱什么十分重要。当我们是出于好奇和兴奋而做某件事情时，那便是我们的热爱所在。对我来说，我的热爱是利用数据来讲述故事和解决问题。我喜欢用现代统计学和数据可视化的方法，从相互交织的数据集中提取模型。图源：unsplash有了这些思想基础，我便明确了数据科学将是我下一个职业目标领域的最佳选择。不过话说回来，当时的我还没有完全准备好进入职场。我需要将我所知道的知识运用到更适合职场的技能中去，也就是以下几个部分。在线学习虽然我对数据科学所需的一些技能已经相当熟悉了，但并没有连贯地学习过。在分析数据的时候，还是需要时不时的上网查资料来获取帮助。这在日常工作中完全没有问题，但我不想在面试时被简单的问题（如贝叶斯定理、中心极限定理、t检验、pandas分组操作、SQL中的JOIN语句等），把这些知识点系统地过一遍是很有必要的。图源：unsplash这里我列出了有关统计学、python和SQL方面的在线课程和资料：Statistics and probability (Khan Academy, free): 这个课程对统计学所有的基础知识提供了极为详细的解释和练习。Essential Statistics with Python andR: 这本书用直接、简洁的方式介绍了统计学的基本思想。更重要的是，它提供了Python和R语言的一些统计分析代码。The Complete SQL Bootcamp 2020: Go from Zero to Hero: 这里有很多免费且详细的SQL教程。我买这个课程主要有两个原因：一是它提供了很多数据库，我可以拿到pgAdmin中练习；二是Udemy折扣价超低（约20澳元），它绝对物超所值。IBM Data Science Professional Certificate: 这个学习项目包含9门课程，提供了工作所需的技能和技术，涵盖了大量的数据科学主题，包括Jupyter notebook、Github、Python、SQL、数据可视化和机器学习。在最后一门课程中，需要完成一个数据分析项目，形成一份报告并发表。课程全部完成后还会得到一张证书，可以丰富你的Linkedin个人资料和简历。建立作品集如今，简历不再是展示自身技能和经验的唯一方式，作品才是硬道理。招聘者或面试官很有可能会浏览我们的Linkedin、Github、个人博客和项目网站，就数据科学的本质而言，这些更加重要。我们网站上显示的所有内容都可以成为我们简历中“漂亮数字 ”的证明。此外，作为一个没有任何行业经验的学术界候选人，通过在线学习、个人项目和博客来丰富我们的作品集是最具成效的方式，这可以帮助我们脱颖而出。作品集至少要传递两个信息：你对数据科学充满热情；对数据科学的工作积极主动、坚持不懈且专业。我是这么丰富自己的作品集的：图源：unsplash创建自己的博客: 这是人们了解我本人、我的文章和项目的主要通道。在建设和维护自己博客时，我还学习了HTML、CSS和DNS等基础建站知识。有了个人博客，我就不只是被动地投递简历，而是把我的资料主动地提供给每一个潜在的雇主或客户。在开通博客并发布了几篇技术性文章后，一位美国的数字制片人联系我去参加一个数据可视化项目。撰写技术文章：作为一名准备中的数据分析师/数据科学家，清晰有效的数据沟通技能是必备的。对我来说，写技术性文章是练习这种技能的最好方法。除此之外，我写文章的原因还有三个：能帮助我清晰而有条理地学习知识；让我在贡献自己在该领域的经验、技能和知识的同时，获得反馈；可以建立自己的受众，扩大我的专业人脉。1月份的Medium文章相关数据统计在Medium上发布文章: 为了让我的博客接触到更多的受众，我选择在Medium上发布文章。Medium还对我发布的文章进行详细的数据统计，这些都可以列入我的简历中。我还加入了Medium合作伙伴计划，每一篇文章都能帮我获得收入。整理 Linkedin 资料: Linkedin是我们在寻找新工作必会使用的职业社交网络平台，这是除了个人博客之外的第二个表现途径。我整理Linkedin个人资料的一个原则是与简历保持一致。具体来说，个人资料的摘要部分经过了精心设计，体现了我的热情、个性和技能，个人项目和博客都放到了主页上，在线学习证书会更新在证书 & 资历证件部分。开发自己的项目：作为“土生土长的学术人员”，我们可能缺乏数据科学项目的实践经验，这往往比所学的课程更重要。因此，我们最好完整地开发自己的项目。我们就不得不面临一系列的技术挑战，从而倒逼阅读和学习更多的知识。这就是为什么我要开发自己的项目。新冠肺炎全球监测统计我在2020年2月开发了新冠肺炎全球监测项目。通过这个项目，我的数据科学能力有了很大的提高，也获得了很多自信。我学会了如何从动态加载的网站上进行网页抓取，我使用NumPy和Pandas进行数据整理的技能有了明显的提高，现在，我很擅长使用Python中的Dash来构建表盘。网络现如今我们找工作，网络的重要性是毋庸置疑的。网络可以生成信息、提供建议、推荐工作机会。作为博士后，我长时间待在实验室内，与研究课题以外的人交流的时间有限。如果真的想要改变，就需要走出舒适区，认识新的人脉，人脉是一种互惠的长期投资。以下是我的一些建议：同在目标公司工作的人联系: 只要你把自己的目的简明扼要说清楚，大多数人都愿意提供帮助。我就是这样在Linkedin上与人联系，认识了Chuxin Huang，她提供了一些关于面试的宝贵建议。参加有意义的活动: 在DataScience Sydney主办的一次活动中，我遇到了Hieu Tran，他是一名数据分析师，我们聊得很愉快。第二次交谈时他为我的简历提供了很好的修改建议，后来我也帮他解决了Python的一些问题。图源：unsplash主动被联系: 在推出新冠肺炎全球监测系统后，我在Linkedin上收到了许多联系请求和电子邮件。他们有的想为开发提供帮助，有的只是想表达他们对这个表盘的喜欢。我还收到了Nick Byrne的消息，他慷慨地赞助了表盘上Heroku的费用。当得知我在找工作，Nick Byrne甚至还把我介绍给了他的朋友。朋友介绍: 如果你有朋友在目标领域工作，他们是给你举荐的最佳人选。他们不仅比任何刚认识的人更了解你的品性，而且还了解你的技能，你也可以毫无压力地去他们那里寻求专业的建议。图源：unsplash转行是个艰难的决定，有个全面的计划很重要，困难和挫折也是难免的。如果不去尝试，便永远不知道会发生什么。只要不断尝试，接受失败，并进行改进，转折点终究会到来。推荐阅读专题留言点赞发个朋友圈我们一起分享AI学习与发展的干货编译组：刘森林、蔡雪莲相关链接：https:/towardsdatascience.com/how-i-land-my-first-job-in-data-science-e3c2d3fd3fd2如转载，请后台留言，遵守转载规范推荐文章阅读ACL2018论文集50篇解读EMNLP2017论文集28篇论文解读2018年AI三大顶会中国学术成果全链接ACL2017论文集：34篇解读干货全在这里10篇AAAI2017经典论文回顾长按识别二维码可添加关注读芯君爱你