Conquiste seu primeiro emprego em Data Science
Nos últimos anos, recebi emails e mensagens sobre como arrumar um emprego como cientista de dados. Resolvi compilar 5 dicas para aumentar as suas chances de começar na profissão mais sexy do século 21!
A primeira dica: Não desista, tem muita vaga e os desafios são sensacionais!
As perguntas que mais recebo com suas respectivas respostas:
- Qual linguagem devo aprender? R, Python, C? Não sei!
- Qual curso de data science devo fazer primeiro? Não sei!
- Onde é melhor entrar, startup ou grande empresa? Não sei!
- Preciso saber inglês? Sim!
Você deve está se perguntando: Se você não sabe nada, porque devo continuar lendo? Calma… confia no flop!
Qual linguagem aprender, qual curso fazer ou até mesmo o tipo de empresa, são, de fato, perguntas importantes a serem feitas mas as respostas dependem do que você está buscando! Por exemplo, caso você decidir estudar R mas a empresa para onde você aplicou é rigorosa na stack de tecnologia e só usa Julia, talvez o seu esforço não tenha o devido reconhecimento.
Voltando para a linha das perguntas frequentes, qual curso fazer é muito recorrente. Afinal, estamos falando do recurso mais escasso que você tem: seu tempo! E saber onde investi-lo é fundamental. Aquele curso maneiro que você fez de classificação de imagens certamente terá menos valor do que um de NLP para uma empresa que trabalhe com textos. Mas por onde começar? Para onde o mercado está indo?
Um dos melhores cursos que já fiz foi a especialização em Deep Learning do Andrew NG. O curso em si não é muito difícil mas cada dúvida que eu tinha sobre determinado assunto ia atrás de outros materiais até entender o que estava acontecendo.
Independente dos conhecimentos técnicos que você adquira, a empresa quer saber se você conseguirá colocá-los em prática.
E com isso chego a segunda dica: Saiba onde ou com o quê você quer trabalhar.
Talvez você não tenha certeza em qual empresa quer trabalhar, mas deve ter algumas em mente. Liste-as. Pesquisa mais sobre elas. Que linguagens elas usam? Que problemas elas resolvem? Você pode usar o Google, Linkedin da empresa ou dos funcionários, Stackshare, membros do DH, entre outros.
Devo aplicar para startups ou grandes empresas? Em grandes empresas, espere um processo mais moroso de contratação e maior burocracia para executar projetos, afinal já possuem uma reputação e um legado a ser respeitado. Em contrapartida, oferecem funções mais bem definidas, projetos maiores e equipes experientes, que te ajudam a focar em uma única área de conhecimento. Por outro lado, em startups, talvez o ambiente ainda não esteja maduro e você precise fazer um pouco de tudo, dispersando seu aprendizado. O que pode ser uma ótima para quem está começando. O principal é saber com quem você irá trabalhar. Trabalhar com alguém que seja uma referência técnica, no início da carreira, faz toda a diferença.
Uma outra abordagem é focar em algum problema mais específico. Quer ajudar a diagnosticar doenças através de exames de imagem? Ajudar carros autônomos a dirigirem por aí? Detectar fraude em cartões de crédito? Prever as vendas do próximo mês? As opções são muito vastas, dado que, basicamente, um projeto de machine learning visa resolver um problema! Então, onde há um problema, há um potencial projeto de ML! Escolha algo do seu interesse ou que tenha facilidade. Entender o problema a ser resolvido é fundamental para o sucesso do projeto.
A terceira, e talvez mais importante, dica: Busque o seu propósito
O mercado de Data Science está aquecido. Muitas pessoas tem se preparado para entrar. Frequentemente vejo candidatos com vários desafios finalizados no Kaggle, projetos pessoais no GitHub, vários cursos completos no Coursera, Udemy, Alura ou Udacity. Mas, se todos estão fazendo a mesma coisa, como você irá se diferenciar? Propósito!
Mostre para a empresa que você está alinhado com a missão dela. E que esse é o fator mais importante pra você e por isso quer ir trabalhar lá. Dê demonstrações de que isso é verdade. Se você tiver um propósito claro, por exemplo, educação, busque resolver problemas nessa área. Coloque seus esforços na resolução de problemas desse tema. Assim, ficará muito mais fácil para a empresa perceber o quão motivado você está. É muito melhor escolher um candidato alinhado a missão da empresa e então capacitá-lo em um tecnologia específica do que ao contrário. Uma ótima maneira de começar é ir atrás de datasets públicos e abertos e buscar respostas para os problemas mais comuns. O Google disponibilizou uma toolbox para isso, além de diversos outros, inclusive com dados brasileiros.
A quarta, mas não menos importante, dica: Envolva-se com a comunidade
Contratar alguém é sempre uma aposta, para ambos os lados. Por isso, participar de eventos, meetups, comunidades no slack, telegram ou whatsapp é muito importante. Dessa forma, você conhece melhor a empresa ao interagir com funcionários em um ambiente fora do trabalho. Use esse momento para entender os atuais desafios da empresa e, principalmente, para expor as suas ideias. Não seja um mero consumidor de informação. Aproveite para fazer perguntas, postar dúvidas e compartilhar nas coisas em que você acredita. Essa é uma ótima maneira de aprender e de ajudar os outros.
A quinta dica: Independente do que decidir fazer, termine.
Mais importante do que começar: um desafio do Kaggle, a ler um livro, a escutar um podcast ou uma trilha no DataCamp é terminá-los! É muito comum que, por falta de tempo e prioridade, essas atividades extras acabem ficando de lado e nunca sejam concluídas. Tenha uma rotina de estudos e siga-a rigorosamente. Defina prazos para terminar. Busque ajuda em grupos ou colegas para se manter no cronograma e, ao final, compartilhe seu sucesso e aprendizado durante a jornada.
Para fechar, uma lista dos meus recursos favoritos:
- Como arrumar seu primeiro emprego em Data Science produzido pelo pessoal do Data Camp.
- O dia a dia de um cientista de dados pela turma do Data Hackers. 😉
- O que um engenheiro de dados faz, também pelo Data Hackers.
- Data Science em Fintechs, de novo, pelo Data Hackers (melhot podcast do ano, até o momento).
- O bom e velho SQL, do básico ao avançado pelo Mode.
- Pra começar a AMAR estatística com o livro do Charles Wheelan, Naked Statistics.
- Livro gratuito sobre Deep Learning do Yoshua Bengio, Ian Goodfellow e Aaron Courville.
Quais outras dicas vocês gostariam de ver por aqui? Essas dicas fazem sentido pra você? Alguma delas já te ajudou? Conseguiu aquela vaga? Não serviram para nada? Compartilha com a gente e deixe aqui seus comentários! Se quiser conectar comigo, me adiciona no linkedin, twitter ou DM no Slack do Data Hackers!
Mãos à obra!
