· kodolamacz · 2 min
Nie tylko eksperymenty. Co jeszcze Data Scientist powinien umieć?
Zapraszamy do wysłuchania podcastu Stacji IT, w którym Łukasz Kobyliński rozmawia z naszym trenerem Patrykiem Palejem.
Podcast skupia się na kluczowych umiejętnościach wymaganych w Data Science, w tym programowaniu, pozyskiwaniu i przetwarzaniu danych. W rozmowie poruszone są praktyczne kwestie, takie jak wykorzystanie API, wizualizacja wyników oraz skuteczna komunikacja wniosków z analiz. Porusza też kwestie rozwoju zawodowego, identyfikując najważniejsze trendy i obszary do eksploracji, by pozostać konkurencyjnym na rynku pracy.
| Patryk Palej - Data Scientist, Trener IT |
|---|
| Od 2018 roku zajmuje się analizą danych, uczeniem maszynowym oraz programowaniem w Pythonie. W międzyczasie ukończył studia na kierunku Energetyka w trakcie których zajmował się matematycznym modelowaniem procesów transportu ciepła i masy. Szybko jednak przebranżowił się do IT i jako data scientist pracował przy projektach dla takich sektorów jak finanse, telekomunikacja czy media. Poza tym prowadzi szkolenia, warsztaty oraz zajęcia na bootcampie z zagadnień na pograniczu Pythona i data science. W wolnych chwilach podróżuje motocyklem i aktywnie spędza czas. |
| Kursy PRO, na których Patryk prowadzi zajęcia: Analityka danych, AI & Data Science, Web Development w Data Science. |
Streszczenie podcastu
- Jakie są podstawowe umiejętności związane z rolą Data Science?
- Czy Data Scientist to też programista?
- Jaki zakres wiedzy programistycznej jest według Ciebie istotny dla osoby zajmującej się analizą danych?
- Do eksperymentów potrzebne są dane. Jak można je pozyskać? Jakie są możliwe źródła danych? Jak tutaj przydają się umiejętności programistyczne?
- Jakie są aspekty prawne i etyczne, na jakie trzeba zwrócić uwagę przy pozyskiwaniu danych?
- Co trzeba zrobić z danymi, zanim da się je analizować?
- Gdzie przechowywać pobrane i przetworzone dane?
- Do czego może nam się przydać API?
- Kiedy warto samodzielnie tworzyć API?
- Jak wizualizować dane i wyniki eksperymentów?
- Jak dużo musimy wiedzieć o technologiach frontendowych?
- Jak właściwie komunikować wyniki analiz i wnioski z badań?
- Rozwój zawodowy: Jakie są najważniejsze trendy i dziedziny w Data Science, które warto zgłębiać, by utrzymać konkurencyjność na rynku pracy?
Udostępnij:
