ဒီနေ့ one on one အတန်းက ညီမလေးတစ်ယောက် Data Science ကို လုပ်နေရင်း လုပ်ရမှာတွေ/ မသိတာတွေ ပိုပိုများလာလို့ သူ့ခမျာ တစ်ဖြည်းဖြည်းအားကုန်လာပြီ ဆိုတဲ့ အကြောင်း စကားပြောရင်း အမ ပြောပြခဲ့တာလေးတွေကို ပြန်ပြီး sharing လုပ်ပေးချင်လို့ပါ။
အတော်များများ self-study လုပ်နေတဲ့သူတွေဖြစ်လေ့ဖြစ်ထ ရှိတဲ့ လုပ်နေရင်း အများကြီး သိရဦးမှာပါလား/ လိုက်နိုင်ပါ့မလား ဆိုပြီး stress တွေရလာတာမျိုး ဖြစ်ကြပါလိမ့်မယ်။ ဒါလေးနဲ့ ပတ်သတ်ပြီး အမ ရဲ့ career advice လေးပါ။ (တစ်ယောက်နဲ့ တစ်ယောက် အမြင်ကွဲလွဲနိုင်ပါတယ်။)
အပေါ်က အကြောင်းပြန်ဆက်ရရင် ဒါလိုမျိုးက အခုမှ လေ့လာနေတဲ့သူတွေတင်မဟုတ်ပါဘူး အမတို့ ကိုယ်တိုင်လည်း ကြုံတွေ့နေရတာပါ။ အလုပ်ထဲမှာဆို ၆ လလောက် တစ်ခုခုကို လေ့လာပြီးရင် နောက်ထပ်တစ်ခုကို အသစ်ထပ်လေ့လာဖို့ ပြင်ရတော့တာပါ။
Data Scientist ရယ်မှ မဟုတ်ဘူး တစ်ခြား IT အလုပ်တွေ programmer ၊ software developer ၊ Data Analyst၊ Data Engineer အကုန်လုံးက အမြဲ continuous learning လုပ်နေဖို့လိုပါတယ်။ IT က အခု ၆လ နဲ့ နောက် ၆လ က တူမှမတူတာပဲ။ အမြဲ up-to-date ဖြစ်နေဖို့တော့ လိုတာပေါ့။
Data Scientist တစ်ယောက်အတွက် ကျတော့ requirements လေးတွေက အနည်းငယ်လေး တော့များတယ်။ Programming လည်း သိရမယ်၊ Machine Learning/Deep Learning and Statistics အကုန် အစုံပဲ။ ပြီးရင် cloud ပိုင်းလည်း သိဖို့ပြောကြသေးတယ်ပေါ့။
အတန်းထဲက မောင်လေးညီမလေးတွေဆို အမ ပြောပြဖူးတဲ့ roadmap ကို ဖတ်ရင်း လုပ်ရမှာတွေများပြီး အားကုန်သွားတယ်လို့ ပြောတာလေးတွေလည်း တွေ့ဖူးတယ်။ Roadmap တိုင်း တစ်သွေမတိမ်းလိုက်လုပ်ရမယ်လည်း မဟုတ်ဘူးရယ်။
ပြီးတော့ Roadmap ထဲပါသမျှ ရှိသမျှ skill အကုန်လုံးကို 100% သိရမယ်လို့ မပြောခဲ့ပါဘူး။ အမ ကိုယ်တိုင် အခု အလုပ်လုပ်နေချိန်မှာ Statistics ကို 100% ရနေပါပြီ တို့ ML/DL Algorithm တွေအလုပ်လုပ်ပုံတွေကို Maths နဲ့ သေချာပေါက် နားလည်နေပါပြီ လို့ မပြောပါဘူး။ အမသည် လက်ရှိ အလုပ်မှာ လိုတဲ့ အပိုင်းတွေကို သေချာပေါက် ကျွမ်းကျင်ပေမယ့် တစ်ခြား မသိတာတွေ အများကြီးပါ။ အခုအလုပ်က Python Programming ကို 100% လောက် ကျွမ်းကျွမ်းကျင်ကျင် သိရမှာဖြစ် ပြီး Statistics ကို 20% လောက် သိဖို့လိုတဲ့ job role လည်း ဖြစ်နိုင်ပါတယ်။ ဥပမာပြောပြတာပါ။
အမ စစချင်း လုပ်တုန်းကဆို AWS, Docker ဒါတွေဆို ထိတောင်မထိရပါဘူး။ နောက်ပိုင်း စလုံးကို ရောက်လာမှ ဒါတွေလုပ်ရတာပါ။ စလုံးရောက်တော့လည်း ပထမတုန်းက production delivers ပိုင်းကို ဦးစားပေးလုပ်ရတာမို့ AWS, Docker, Kubernetes တွေ လုံးဝ အစမ်းသက်သက်ကြီးတွေနဲ့ တိုင်ပတ်ပြီး “Master Docker in 24 hour” ဆိုတဲ့ ကြောင်တောင်တောင် video တွေကို ကြည့်ပြီးလည်း လုပ်ခဲ့ရတာတွေတောင် ရှိပါတယ်။
ဘယ်လိုပဲနေနေ အလုပ်က stress က တွန်းအားတစ်ခု ရပြီး ပြီးသွားတာပါပဲ။ တကယ်လည်း အဲ့ဒါတွေလုပ်နိုင်သွားကော Research Scientist လို့ job title ပြောင်းလိုက်ရတာမို့ Research ပဲထိုင်လုပ်ရပါတယ်။ ရှိသမျှ paper တွေနဲ့ ဘာတွေရှိနေမှန်း မသိတဲ့ dataset တွေကနေ insight ရှာပေးနေရတာပါ။ research ဆိုတော့ paper တွေဖတ်ဖို့ လိုလာရော။ အဲ့တော့တွေ့ကြတာပေါ့။ paper တွေက Maths တွေပါလာတာနဲ့၊ Data ကို သေချာနား လည်ဖို့ကျ Statistics တွေလိုလာတော့ အခု Cousera က အရမ်းး နာမည်ကြီးတဲ့ Imperial က Mathematics for Machine Learning ကိုပြန်တက်နေရပါတယ်။ ဒီ course ကို တက်တာဆို အမ ၃ ခါထက် မနည်းရှိနေပါပြီ။ တစ်ခါမှလည်း မမှတ်မိပါဘူး။ တကယ်လည်း applied မလုပ်ခဲ့ရတော့ မေ့တာပေါ့။
ပြောချင်တာက အမ ရဲ့ stories ကို ဖတ်ပြီး motivation ရသွားစေချင်တာမဟုတ်ပါဘူး။ ဒါက အမ မှ မဟုတ်ဘူး လက်ရှိ အလုပ်လုပ်နေတဲ့ သူတွေတိုင်း အကုန် အဲ့လိုတွေချည်းပါပဲ ဆိုတာကို information ပေးချင်တာပါ။ တော်ကြာ အလုပ်လုပ်နေတဲ့သူတွေက 100% အကုန်လုံးကို ပိုင်နိုင်နေကြပြီ ထင်မစိုးလို့ပါ။ ရှိရင်တော့ အကောင်းဆုံးပေါ့။ ဒါပေမယ့် super power တွေရှိတာမှမဟုတ်တာ အကုန်လုံး သေချာကျွမ်းကျင်နေဖို့ဆိုတာ အချိန်/အားထုတ်မှု အများကြီးလိုတယ်။ skill အကုန်လုံးရမှ အလုပ်လုပ်မယ်ဆိုလည်း ထမင်းစားဖို့ ခွက်ပျောက်လိမ့်မယ်။ ငယ်ငယ်က ကျောင်းမှာ exam ဖြေသလို အောင်မှတ်လောက်ရအောင်လုပ်တာနဲ့ A+ ရအောင်လုပ်တာနဲ့ သဘောထားချင်း အတူတူပါပဲ။ ကိုယ်က ပိုကောင်းတဲ့နေရာ ရောက်ချင်ရင် “All Straight A+s“ တွေရအောင်လုပ်ရမှာပေါ့။
အလုပ်မှာတော့ လုပ်ငန်း သဘောထားအရ အချို့ လိုတဲ့ skill ကိုတော့ အချိန်တို အတွင်း လေ့လာနိုင်အောင် လုပ်ဖို့လိုပါတယ်။ ဒါသည် Data Scientist မှ မဟုတ်ဘူး ကျန်တဲ့ IT အလုပ်တွေလည်း အဲ့လိုပါပဲ။
ဒါဆို ဘာတွေကို ဘယ်လို ဘယ်လောက် အတိုင်းအတာ လေ့လာရမှာလဲလို့ အမ ကို မေးရင် အမ အနေနဲ့ ပြန်မေးချင်တာက ကိုယ့်ရဲ့ goal က ဘာလဲပေါ့။
ယေဘုယျ ခွဲရရင် ကျောင်းတက်ဖို့လား၊ အလုပ်လုပ်ဖို့လားပေါ့။ အလုပ်ဆိုရင်ကော ဘယ်အလုပ်လဲ ။ Data Scientist မှာက သူ့အပြင် အခြား title တွေ အများကြီးရှိတာသိကြတယ်ဟုတ်။
စာအရှည်ကြီးကို ဖတ်ပေးကြတဲ့ အတွက်လည်း ကျေးဇူးအများကြီးတင်ပါတယ်။
Stay tune for more updates ပါ
