原文：
towardsdatascience.com/how-to-plan-for-your-next-career-move-in-data-science-and-machine-learning-36c9d6f8cce6?source=collection_archive---------3-----------------------#2024-07-18
https://towardsdatascience.medium.com/?source=post_page---byline--36c9d6f8cce6--------------------------------https://towardsdatascience.com/?source=post_page---byline--36c9d6f8cce6-------------------------------- TDS 编辑团队
·发表于 Towards Data Science ·以 新闻通讯 形式发送 ·4 分钟阅读 ·2024 年 7 月 18 日
–
想好写第一篇 TDS 文章了吗？我们始终欢迎新作者的投稿。
数据科学和机器学习的从业者正面临来自多个方向的不确定性：全球经济、AI 驱动的工具及其对工作安全性的影响、以及不断变化的技术栈，等等。如今我们还能谈论如何使自己的职业不受经济衰退或 AI 影响吗？
我们能给出的最诚实的回答是“我们真的不知道”，因为正如我们在过去几年见证了大语言模型（LLM）的崛起一样，这个领域（以及更广泛的技术行业）确实在快速变化。然而，这并不意味着我们应该对行动保持消极态度，更不用说绝望了。
即使在充满挑战的时期，我们仍然可以评估当前的状况，创造性地思考我们所处的位置和希望看到的变化，并据此制定调整技能、自我展示和心态的计划。本周我们挑选的文章每一篇都探讨了其中一个（或多个）方面，从如何在初入职场的数据科学家岗位上脱颖而出，到成为一名有效的沟通者。它们为广泛的从业者群体提供了务实的见解和充满启发的建议，适用于不同角色和职业阶段。让我们一起深入了解吧！
数据科学家最被低估的技能**“**在过去的几年里，我意识到写作是数据科学家的一项必备技能，而写得好的能力正是将高影响力数据科学家与同行区分开来的关键因素之一。” Tessa Xie为提升写作能力提供了有力的论据——并继续分享了如何开始的具体建议。
通过实践领导：作为数据科学经理的经验教训，以及为什么我选择回归个人贡献角色正如 Dasha Herrmannova 博士在对角色变化的深思熟虑的反思中所明确指出的那样，工作中的成功往往不是来自于某种特定的才能或能力（当然，这些也有帮助），而是来自于你工作与目标、价值观和优先级之间的强大契合。
如何挑战自己的分析，以免别人挑战你数据科学家最终是通过他们的解释和预测的稳健性来评判的；没有人能每次都做到完美，但要建立长期成功的记录，Torsten Walbaum建议在工作流程中整合设计良好的健全性检查。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1f73af044882dcb866c57c78960717ec.png
图片来自 David Traña 于 Unsplash
打造出色的数据科学作品集：一份全面指南在一个比以往更加严峻的就业市场中，你如何展示自己的经验和过去的成功可能会有所不同。如果你正在考虑建立一个作品集网站来展示你的工作——这已成为一个越来越流行的选择——不要错过 Yu Dong提供的简洁指南，它帮助你打造一个让你脱颖而出的作品集。
你作为数据科学家的第一年：生存指南一旦你找到了第一份工作（恭喜！），你可能会觉得最大的难关已经过去了。正如哈登·佩莱提埃所解释的那样，仍然有许多陷阱需要避免，而且有许多应对第一年挑战的有效策略——从找到一个支持你的导师到扩展你的领域知识。
在公司中推动（AI）创新在工作中，最令人沮丧的时刻之一就是当你伟大的想法遭遇怀疑——或者更糟的是，冷漠。安娜·维亚专注于前沿 AI 工作流的采纳，并概述了几个关键步骤，帮助你说服他人相信你的提案的有效性；这些策略也可以轻松地应用到其他领域。
对本周其他话题感兴趣吗？从地理空间数据项目到 DIY 多模态模型，不要错过我们最近一些最精彩的文章：
在他的 TDS 首篇文章中，Kaizad Wadia提供了一份详尽的搜索引擎性能评估指南。
你如何才能让你的核心指标发挥作用呢？让你的核心指标发挥作用？凯特·米诺格认为，理解这些指标的局限性是一个至关重要的第一步。
在一篇耐心的实践教程中，Vinícius Hector展示了我们如何利用 Python 和 Google Earth Engine 访问 MapBiomas 栅格数据，用于涉及巴西土地利用数据的项目。
如果你一直在关注Sara Nóbrega关于异常值检测的系列文章（如果你还没有：现在开始也不晚！），你一定会很高兴地知道第三期已发布，重点讲解治疗选项。
正如内森·博斯博士在他的语言模型的空间推理能力全景概述中所解释的那样，近年来我们确实见证了一些令人印象深刻的进展，但仍然面临许多严峻的挑战。
如果有人有兴趣进行一些尝试，Elahe Aghapour 和 Salar Rahili最近发布了一个详细的教程，解构了将开源单模态模型转变为多模态模型的过程。
感谢您支持我们作者的工作！我们非常乐于发布新作者的文章，因此，如果您最近写了一篇有趣的项目演练、教程或关于我们核心话题的理论反思，请随时与我们分享。
直到下一个变量，
TDS 团队
