不，你不需要掌握27种编程语言并拥有512个作品集项目
最近围绕数据科学和人工智能的热潮使得许多人转行进入该领域。
然而，如果你在持有另一份全职工作的同时试图做到这一点，很容易会疲惫不堪。最初看起来完全可以管理的事情（晚上上网课程），很快就会变得不堪重负，然后你会在pandas数据框架中写购物清单，并在冷汗中哼唱StatQuest主题曲。
相信我，我也曾经历过这种情况。
在过去的两年中，我转行进入了数据科学领域，虽然有时这无疑令人兴奋，但有时我也会因任务的繁重而感到完全无助。
如果你是一名有抱负的数据科学家，太棒了！你正在走一条非常令人兴奋的道路，我真诚地相信，数据科学世界是现在最令人兴奋的地方之一。但要注意——在这个旅程中航行可能会非常困难，并且可能会对你的时间造成重大压力。
通过本文，我将分享一些成功转行的顶级建议，以避免疲劳。如果你对“努力工作”或“休息一下”之类的陈词滥调感到厌倦，并想听一个实际做到的人的观点，那么这篇文章就是为你而写的。
疲劳究竟是什么？
世界卫生组织（WHO）定义疲劳为：
一种综合症，概念化为由未能成功管理的慢性工作场所压力所导致。其特征为三个维度：
（1）感到能量耗尽或精疲力竭；
（2）与工作的心理距离增加，或与工作相关的消极或愤世嫉俗的感觉；和
（3）专业效能降低
如果你和我一样，可能会惊讶地发现WHO甚至承认了疲劳。但是，正如上面的定义所证明的那样，如果不加以控制，它可能会带来巨大的医疗和社会问题。
有趣的是，疲劳似乎是目前所有行业都面临的问题——美国心理学协会甚至认为COVID-19大流行使疲劳和压力水平达到了历史最高水平。然而，虽然疲劳可以在所有职业中找到，但有特殊原因使其在数据科学家中尤为高。
数据科学中存在疲劳问题吗？
当你开始与其他数据科学家见面时，不久就会注意到一个模式。许多数据科学家是通过有意识的职业转变进入该行业，而不是仅仅“掉进来”或在本科阶段学习数据科学。以数据科学家Zeya LT为例，他在32岁时放弃了警务工作，转而从事数据科学：
我没有数学、计算机科学或编程背景，所以学习曲线很陡峭[…]我不得不在作业和照顾幼儿之间进行平衡。 COVID-19大流行导致的远程学习也为我和我的家庭带来了一系列挑战。
Zeya的故事代表了许多人的故事，包括我自己。对于我们许多人来说，数据科学并不是我们在选择大学/工作选项时就知道的职业选择。我们在年龄较大时才了解到这个领域，因此现在我们正在尝试在另一份全职工作中或兼顾家庭责任的同时进行职业转变。我们做完我们的9-5工作，然后必须在其中挤出一些时间进行学习和/或作品集项目。
这会导致一个非常紧张的时间表，并且会创造出容易导致疲劳的条件。容易在晚上工作到很晚或在周末或假期取消计划。我们对自己和我们所爱的人进行自我辩解，说一些像“我需要在个人发展上工作”或“这不算真正的工作”之类的话。
然而，问题在于，虽然编程课程和个人项目在短期内可能很有趣（例如在一个晚上），但如果持续重复，它们可能逐渐变得疲惫不堪。我的意思是真的很疲惫。短期内可持续的事情很快就变得不可持续，你的“职业转变”可能从有趣的个人发展活动变成了一项离你生活中重要事情越来越远的任务。
短期内可持续的事情很快就变得不可持续
剧透：疲劳倦怠的风险永远不会消失
当你开始职业转变之旅时，很容易通过思考彩虹尽头等待着你的“黄金”来激励自己：有趣的新职业、薪资增加、CV上的“AI”等。把目光放在这些事情上可以帮助你穿过俗语中的痛苦，并为像DataQuest和CodeAcademy这样的网站花费不成比例的时间和金钱辩护。
如果你是一位有抱负的数据科学家，你可能会惊讶地听到这个事实，即即使你获得了最初设定的“黄金”，这种疲劳倦怠的风险仍然存在。数据科学的世界以流星般的速度发展，我可以亲身告诉你，如果你努力去做，总有新的东西可以学习，新的工作在地平线的另一侧等待着你。
（至少感觉是这样的）。
认识到这一点是重要的第一步，它说明了“奋斗文化”叙述的问题，这个文化告诉我们要坚定地前进。如果永远有更多的东西可以学习，那么我们数据科学家——无论你是否已经找到第一份工作——需要找出如何以可持续的方式处理职业发展。我们需要找出如何玩这个职业的无限游戏。
提示1：认识到你不能（也不应该）学习所有的东西，集中精力学习关键的事情
这可能会让你震惊，但你不需要知道所有的东西才能成为一名数据科学家。
我知道，对吧——令人震惊。
除非你要组成一个单人/单女数据科学团队，否则你的技能总是会被公司更广泛的数据团队中的其他人所补充。在团队环境中，如果你不知道如何做某件事，那没关系，因为很可能会有其他人能够帮忙。数据科学招聘经理知道这一点，这就是为什么他们不要求人们在得到工作之前知道所有的东西。每个人都知道你必须在工作中学习一些东西，所以不必担心需要在申请工作之前学习所有东西。
当然，这比做起来容易，当我做这个转变时，我发现很难知道哪些技能是“核心”的，哪些只是“好有的”。如果你是新手数据科学家，很容易陷入“分析麻烦症”，你不确定究竟应该学习什么，最终尝试了一切，却没有真正投入。
如果你处于这种状态，我的建议与Renato Boemer的建议相同，他在30多岁时将其职业转变为数据科学：
选择Python然后继续。
是的，像R、Spark、Julia和JavaScript这样的语言可能都在某些数据科学团队中有用，但Python远远是数据科学中最主要的语言。在我看来，它也是最适合新手编程的语言，因为它的语法和逻辑相对简单。
我要补充的一件事是，你可能还需要学习SQL。自1979年以来，它一直存在，而且它不会很快消失——许多大公司已经投入了时间来构建基于它的数据基础架构，它也是开发人员中最受欢迎的语言之一。此外，SQL的好处是，它教你如何从关系上思考数据，这是在数据科学中工作时非常重要但很难解释的一种认知技能。
一旦你掌握了这些语言的基础知识，开始做一些项目作品，学习如何在GitHub上存储你的代码，并且“学以致用”。这是让概念真正深入人心的最佳方式，它将为面试和项目作品提供很好的素材。如果你没有想法，可以看看我写的这篇文章，里面介绍了如何想出一些独特的数据科学项目想法：
如何找到独特的数据科学项目想法，使你的项目作品脱颖而出
忘记泰坦尼克号和MNIST：选择一个独特的项目，建立你的技能，帮助你脱颖而出
towardsdatascience.com
但是——这是关键——在你准备申请你的第一份工作之前，那就是你需要做的。尽管你在网上可能会读到一些不同的说法，但你不需要成为数据科学家之前掌握像线性代数和离散优化这样的东西。当然，很多来自数学背景的人在进入数据科学领域之前确实学习了这些知识，但我并不认为这些知识对于大多数入门级工作来说是真正必要的。
如果你还没有被说服，你可能会发现听到这样的话会有所帮助：在人工智能/数据领域成为数据科学家与成为研究科学家是非常不同的。研究科学家在很多方面更接近于数学家和/或软件工程师。他们是在初创公司或大型科技公司工作，构建新的数据科学工具和算法，因此他们需要对底层的数学和工程概念有非常深入的理解。相比之下，数据科学家更多地集中在应用方面；这个角色更加专注于解决业务问题，而不是开发全新的技术和方法。如果你想自己看看，可以尝试搜索一些研究科学家的职位，看看它们与数据科学家的职位有何不同。
我的观点是，如果你想成为一名数据科学家，不必掌握所有底层的数学知识或最前沿的技术和方法，这是可以接受的。不要误会——你仍然需要有一个意识（如果你从未听说过ChatGPT，或者不知道矩阵/向量是什么，你会看起来很傻），但除非你具体被招聘为自然语言处理（NLP）角色，否则你可能不需要从第一天开始能够描述ChatGPT的架构并知道LSTM的各个方面。所以减轻你的负担，不要担心学习所有的东西。
提示2：每周至少休息一整天
这是古老的智慧，我认为其中有很多道理。
即使你当前的“课外”数据项目感觉很有趣，也非常重要的是每周至少休息一整天，投资于休息。散步、和朋友一起玩、学习编织篮子——天空是无限的！只要确保你为其他事情（或某人）腾出时间。
投资于休息。说真的。
为什么这么重要？首先，因为当你进行职业转变时，很容易被“当…时我会快乐”的叙事所吞噬，忘记在现在享受生活。但是这是我在职业转换过程中学到的一件事情：
牺牲人际关系的时间永远不会值得。
如果你不强迫自己为朋友和家人腾出时间，那么每当压力加大时，它们往往会成为你日程安排中最先消失的事情。在我进行职业转变的早期阶段，当我不断试图挤进尽可能多的事情时，这对我来说绝对是真实的。
每周至少休息一整天对我来说可能是保持理智、保持工作量可控的最有帮助的事情。它迫使我意识到，我的职业转变背后的最终目标实际上是为我和我的家人创造更美好的生活（因为我感觉这是我的使命的一部分，但这是另一个故事），这帮助我意识到，为了实现最终目标，为家人腾出时间真的非常值得。此外，它给了我更多的精力，在整个星期内保持工作量的可持续性。
所以，继续冒险吧！每周至少休息一整天。我知道这说起来容易做起来难，但这个做法真的改变了我的旅程。
提示 #3：不要在你的作品集上过度。
如果你读过我的任何以前的内容，你会发现我非常喜欢制作作品集，因为它们在帮助我获得自己的数据科学工作方面扮演了重要角色。
然而，事实是，你不需要过度制作作品集。无论你的作品集有多棒，你永远不会完全基于你过去的个人项目而得到工作——你还需要进行面试！作品集的目的仅仅是为了让你有机会展示你的能力，为招聘人员留下印象。
就我个人而言，如果我现在要从头开始制作作品集，我会选择 3-5 个项目，并以此为终点。任何更多的项目都是过度的。
3-5个项目就足够了
还有一件事情……
这就是我在职业转换过程中避免疲劳的顶级技巧！我希望本文能帮助你从我的错误中学习，熟练地应对你正在经历的旅程。
如果你喜欢这篇文章，并想获得更多有关数据科学工作的技巧和见解，请考虑在小猪AI或 LinkedIn 上关注我。我的读者中不到 1% 关注我，所以当你关注我时，这意义重大。
如果你想无限制地访问我所有的故事（以及小猪AI.com 的其他内容），你可以通过我的推荐链接每月支付 5 美元进行注册。与通过一般注册页面注册相比，它不会增加任何额外费用，并有助于支持我的写作，因为我会得到少量佣金。
感谢阅读！