کتاب How to Lead in Data Science

کتاب How to Lead in Data Science یا چگونه در علم داده پیشرو باشیم؟ یک منبع بسیار پرمعنا و علمی برای یادگیری علم داده با استفاده از مثال‌ها و پروژه‌های واقعی می‌باشد. این کتاب در 11 فصل به آموزش مقدماتی تا بیان نکات پیشرفته و مهم آن می‌پردازد.

در ادامه مقدمه‌ای از کتاب How to Lead in Data Science را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب How to Lead in Data Science:

به‌عنوان پیشرو در علم داده، می‌توانید داده‌ها، الگوریتم‌ها و تیم خود را مقیاس‌بندی کنید، اما آیا مقیاس خود را افزایش می‌دهید؟ رهبری چیست؟ چگونه توانایی‌های خود را تقویت می‌کنید تا تأثیری مهم‌تر از آنچه می‌توان به‌عنوان یک فرد به دست آورد؟ آیا شما بر پروژه‌ها و افراد اطراف خود تأثیر می‌گذارید، پرورش می دهید، کارگردانی می‌کنید و الهام می‌گیرید؟

این‌ها سوالاتی است که بسیاری از متخصصان علوم داده در تلاش برای پیشرفت شغلی خود در این زمینه با رشد بالا و به سرعت در حال توسعه با آن دست و پنجه نرم می‌کنند. اکثر متخصصان در شرکت‌هایی با کمتر از 10 دانشمند داده کار می‌کنند، مسئولیت‌های گسترده‌ای را برای رهبری پروژه‌ها، تعامل با شرکای متقابل، ایجاد نقشه‌های راه، و تأثیرگذاری بر مدیران بر عهده دارند. نقش آن‌ها اغلب به وضوح مشخص نیست و با انتظارات غیر واقعی همراه است.

در عین حال، بیش از 150000 دانشمند داده در این زمینه در سراسر جهان وجود دارد و این تعداد 37 درصد در سال در حال رشد است [1]. شرکت‌ها به دنبال استعداد رهبری برای رهبری پروژه‌ها، پرورش تیم‌ها، عملکردهای مستقیم و الهام بخشیدن به صنایع هستند.

اگرچه وبلاگ‌ها، پادکست‌ها و پلتفرم‌هایی مانند Meetups و اتاق‌های Clubhouse وجود دارند که به این حوزه اختصاص داده شده‌اند، هیچ راهنمای عملی جامعی برای پرداختن به تکامل شغلی در علم داده وجود ندارد. . . تا به حال.

به اصرار دوستان و همکارانی که بسیاری از آن‌ها را از مشارکت‌کنندگان فردی گرفته تا رهبران علم داده و بعداً تا روسای سازمان‌هایی با بیش از 70 دانشمند داده پرورش داده‌ایم، کتاب How to Lead in Data Science را برای به اشتراک گذاشتن آنچه در دهه گذشته آموخته‌ایم، نوشتیم. بینش‌های گنجانده شده در کتاب How to Lead in Data Science از تجربه خود ما در زمینه تأسیس، رشد و مشاوره عملکردهای علم داده در شرکت‌های دولتی و خصوصی می‌آید. ما همچنین با ده‌ها رهبر موفق علم داده مصاحبه کردیم و بهترین شیوه‌های آن‌ها را برجسته کردیم.

هنگام طراحی این راهنما، ما خوشحالیم که متوجه شدیم که اصول تزکیه خود با برخی از چارچوب‌های شناخته شده همسو هستند. چه احتمالاتی وجود دارد که اصول اولیه ساخت مجموعه مهارت‌ها، مسئولیت‌پذیری و ایجاد تأثیر در جهان برای هزاران سال وجود داشته باشد؟

در کتاب How to Lead in Data Science، ما مراحل رهبری مانند پرورش رهبری فردی، پرورش یک تیم، هدایت یک عملکرد و الهام بخشیدن به یک صنعت را که بر اساس آموزه‌های کنفوسیوس است، می‌شناسیم [2]. در هر مرحله رهبری، مهارت‌های سختی را که آن‌ها را قابلیت‌ها می‌نامیم و مهارت‌های روانی-اجتماعی نرم را که فضیلت می‌نامیم، مورد بحث قرار می‌دهیم. فضیلت‌ها ویژگی‌های ضروری شخصیتی هستند که تمرین‌کنندگان را قادر می‌سازند تا با الهام از ارسطو فیلسوف یونانی به شادی و رفاه دست یابند. مراحل شغلی و همچنین قابلیت‌ها و فضایل در شکل 1 نشان داده شده است.

این چارچوب‌های آزمایش‌شده زمان، پوششی را برای نقشه‌برداری از بینش‌های تحول‌آفرین خاص، تجربیات شخصی، و نمونه‌های صنعتی پیشرو در علم داده ارائه می‌کنند. شما می‌توانید از آن برای ایجاد اعتماد به نفس در رهبری خود با شناخت نقاط قوت خود، کشف نقاط کور، کشف فرصت‌هایی برای شیوه‌های جدید و استفاده از تیم و سازمان خود برای ایجاد تأثیر قابل توجه‌تر استفاده کنید.

شکل FM.1 قابلیت‌ها و فضایل متمایز در هر مرحله از رشد شغلی شما مورد نیاز است.

در کتاب How to Lead in Data Science، ما اهداف آرمانی را در قابلیت‌ها و فضایل علم داده نشان می‌دهیم. شما می‌توانید به این موضوعات برای راهنمایی توسعه حرفه‌ای اعضای تیم خود مراجعه کنید، اما ما از استفاده از آن‌ها به عنوان دلایلی برای عقب انداختن تبلیغات هشدار می‌دهیم. اگر یکی از اعضای تیم در برخی زمینه‌ها توانایی‌ها و فضیلت‌ها و در برخی دیگر بالقوه نشان داده باشد، می‌تواند برای مسئولیت‌های بیشتر و به طور بالقوه ارتقاء در شرکت شما آماده باشد.

بهترین شیوه‌ها، فرآیندها و توصیه‌ها برای موقعیت‌هایی اعمال می‌شود که رهبران فنی در نقش‌های مشارکت‌کننده فردی در سطوح کارکنان، اصلی و دانشمند داده برجسته و همچنین رهبران مدیریت افراد در سطوح مدیر، مدیر و اجرایی با آن مواجه هستند. این‌ها در پشت جلد کتاب How to Lead in Data Science نشان داده شده‌اند، زیرا پس از خواندن در مورد آن‌ها، حس بسیار بیشتری پیدا می‌کنند.

برای کمک به تشخیص موقعیت‌هایی که در آن بهترین شیوه‌ها، فرآیندها و توصیه‌ها را بکار می‌بریم، هفت سناریوی واقعی را که متخصصان علم داده با آن‌ها مواجه هستند، از فارغ‌التحصیلان تازه‌کار گرفته تا مدیران مجرب را شامل می‌کنیم.

در هر مورد، ما موقعیتی را به اشتراک می‌گذاریم، علل را تشخیص می‌دهیم و راه‌حل‌هایی را پیشنهاد می‌کنیم، بنابراین می‌توانید در مورد نحوه برخورد با این موقعیت‌ها در هنگام مواجهه با آن‌ها فکر کنید.

ما کتاب How to Lead in Data Science را طراحی کردیم تا برای سال‌های آینده همراهی برای رشد شغلی شما باشد. اگر کتاب را در هنگام مواجهه با موقعیت‌های چالش‌برانگیز مفید می‌دانید، لطفاً به ما اطلاع دهید. و به یاد داشته باشید که آموخته‌های خود را در رسانه‌های اجتماعی به اشتراک بگذارید!

این یک امتیاز برای ما است که در الهام بخشیدن به شما برای انجام بهترین کار حرفه‌ای خود و به حداکثر رساندن پتانسیل شما برای ایجاد تأثیر مثبت بیشتر در جهان با علم داده نقش داشته باشیم!

-جیک چونگ و یو کتی چانگ

بیشتر بخوانید: کتاب Data Science Solutions with Python

در مورد کتاب How to Lead in Data Science

نحوه رهبری در علم داده توسط پزشکان برای پزشکان نوشته شده است تا به شما کمک کند با پیشرفت شغلی در علم داده، تأثیر مهمتری داشته باشید. کتاب How to Lead in Data Science به عنوان یک راهنمای میدانی برای برجسته کردن قابلیت‌های سخت و فضایل روانی-اجتماعی نرم برای شما ایجاد شده است تا در سطوح مختلف رهبری در طول یک دوره پیشرفت شغلی حیاتی بین 5 تا 15 سال پرورش دهید.

این قابلیت‌ها و فضیلت‌ها برای رهبران مدیریت افراد و همچنین رهبران فنی در نقش‌های مشارکت‌کننده فردی اعمال می‌شود. می‌توانید با استفاده از مهارت‌های فنی، قابلیت‌های اجرایی و بینش‌های حوزه صنعت، از این قابلیت‌ها برای ایجاد تأثیری بزرگ استفاده کنید.

در عین حال، می‌توانید با اخلاق اصولی، رویکردهای سخت‌گیرانه و نگرش‌های مثبت قدرتمند، از فضایل برای جلب اعتماد و ایجاد روابط با مشتریان و همکاران استفاده کنید. کتاب How to Lead in Data Science به گونه‌ای طراحی شده است که به شما کمک کند نقاط قوت خود را شناسایی کنید، نقاط کور خود را کشف کنید، و برنامه‌هایی را برای اتخاذ بهترین شیوه‌ها و فرآیندهای مؤثر انجام دهید. هنگامی که همچنان در مراحل مختلف شغلی خود به این کتاب مراجعه می‌کنید، ما رسالت کتاب را انجام شده می‌دانیم!

چه کسی باید کتاب How to Lead in Data Science را بخواند؟

این کتاب برای دست اندرکاران داده با عناوینی مانند دانشمند داده، تحلیلگر داده، مهندس داده، استراتژیست داده، مدیر محصول داده، مهندس یادگیری ماشین، توسعه دهنده هوش مصنوعی، و معمار هوش مصنوعی و همچنین مدیران، مدیران و مدیران متخصصان با این عناوین بسیاری از متخصصان در شرکت‌هایی با کمتر از 10 دانشمند داده کار می‌کنند، مسئولیت‌های گسترده‌ای را برای رهبری پروژه‌ها، تعامل با شرکای متقابل، ایجاد نقشه‌های راه، و تأثیرگذاری بر مدیران بر عهده دارند.

نقش آن‌ها اغلب به وضوح مشخص نیست و با انتظارات غیر واقعی همراه است. کتاب How to Lead in Data Science نقش آن‌ها را روشن می‌کند و به همسو کردن انتظارات مدیر و شریک کمک می‌کند.

متخصصان داده همچنین می‌توانند از کتاب How to Lead in Data Science برای تعیین موقعیت شغلی خود، درک بهتر نگرانی‌های مدیران و روشن کردن آنچه منطقی است به اعضای تیم تفویض کنند، استفاده کنند.

مدیران مسئول تیم‌های داده، متخصصان کسب استعداد، رهبران عملکرد تجاری که با علم داده همکاری می‌کنند، نمایندگان فروش که به دنبال فروش به رهبران علم داده هستند و هر کسی که با تابع علم داده کار می‌کند می‌تواند از کتاب How to Lead in Data Science برای درک نحوه تفکر و کار دانشمندان داده استفاده کند.

کتاب How to Lead in Data Science می‌تواند به شما کمک کند تا نسبت به چالش‌ها و معاوضه‌هایی که پزشکان علم داده روزانه با آن مواجه هستند، دلسوزی کنید.

نحوه تنظیم کتاب How to Lead in Data Science

این کتاب به عنوان یک راهنمای میدانی عملی مرحله به مرحله برای حرفه شما تنظیم شده است. فصل 1 قابلیت‌های سخت و فضایل روانی-اجتماعی نرم مورد نیاز برای اثربخشی در علم داده را معرفی می کند. این فصل از کتاب How to Lead in Data Science چهار مرحله شغلی را ارائه می‌کند و هفت سناریوی زندگی واقعی را که متخصصان علم داده با آن مواجه هستند، برجسته می‌کند. برخی از این موارد ممکن است مستقیماً به شما مربوط باشد.

قسمت بعدی قسمت‌های 1 تا 5 است که 1 تا 4 بر مراحل فردی، تیمی، عملکردی و رهبری صنعت تمرکز دارد و قسمت 5 بر این موضوع تمرکز دارد که چگونه می‌توانید دقت تحلیلی خود را در توسعه شغلی اعمال کنید.

بخش 1 کتاب How to Lead in Data Science بر نقش رهبر فناوری داده‌ها متمرکز است، که می‌توانند از قدرت نفوذ خود برای غلبه بر محدودیت‌ها به عنوان افراد برای ایجاد تأثیر بیشتر توسط هم تیمی‌های پیشرو برای اجرای موفقیت‌آمیز پروژه‌ها استفاده کنند:

فصل 2 قابلیت‌های رهبری فناوری در هدایت انتخاب‌های فناوری، ایجاد معاوضه در اجرای پروژه و به کارگیری دانش و زمینه‌های تجاری را مورد بحث قرار می‌دهد.

فصل 3 به بحث در مورد فضیلت‌های رهبری فنی در انجام اعمال عادتی اخلاقی و سختگیرانه با نگرش قوی مثبت برای تأثیرگذاری بر هم‌تیمی‌ها و شرکا می‌پردازد.

بخش 2 کتاب How to Lead in Data Science بر نقش مدیر علم داده یا دانشمند داده کارکنان متمرکز است. مدیران برای پرورش تیم‌های سازنده و اجرای اولویت‌های تجاری به آن‌ها وابسته هستند. اعضای تیم به مدیران و دانشمندان داده کارکنان وابسته هستند تا آن‌ها را برای انجام بهترین کار در حرفه خود توانمند کنند:

فصل 4 قابلیت‌های رهبری تیم در پرورش تیم برای ارائه نتایج، ارتقاء مجموعه‌ای از تخصص فنی در تیم و افزایش پتانسیل تیم برای به دست آوردن فرصت‌های تجاری را مورد بحث قرار می‌دهد.

فصل 5 به بررسی فضایل رهبری تیم در پرورش عادات اعضای تیم با بهترین شیوه‌های علم داده از طریق مربیگری، راهنمایی و مشاوره می‌پردازد.

بخش 3 کتاب How to Lead in Data Science بر نقش مدیر علوم داده یا دانشمند اصلی داده تمرکز دارد تا وضوح تمرکز و اولویت بندی نگرانی‌های سطح عملکرد را فراهم کند، مانند ایجاد نقشه‌های راه مؤثر برای ایجاد تأثیر مهم تر در افق زمانی طولانی‌تر، در عین حال اجتناب از مشکلات سیستماتیک:

فصل 6 قابلیت‌های رهبری عملکرد را مورد بحث قرار می‌دهد که با طراحی نقشه‌های راه، حمایت از ابتکارات، و اجرای مداوم نقشه‌های راه برای تأثیر تجاری نشان داده می‌شود.

فصل 7 مزیت رهبری عملکرد در شکل دادن به فرهنگ تابع علم داده را مورد بحث قرار می‌دهد، در حالی که تنوع را به رسمیت می‌شناسد، تمرین شمولیت را انجام می‌دهد و تعلق خاطر در تیم‌ها را پرورش می‌دهد.

بخش 4 کتاب How to Lead in Data Science بر نقش مجری علم داده یا دانشمند برجسته داده متمرکز است، که انتظار می‌رود با تولید دستاوردهای بسیار ارزشمند برای نشان دادن تأثیرات علم داده برای الهام بخشیدن به صنعت، فراتر از شرکت تأثیر بگذارد. در این نقش، از شما انتظار می‌رود که با احساس آرامش و اعتماد به نفس که منجر به برنامه‌ریزی و اقدامات متفکرانه و به موقع می‌شود، با حضور اجرایی‌تان بر ارائه بهترین‌ها در سازمانتان کار کنید:

فصل 8 قابلیت‌های رهبری صنعت برای هدایت استراتژی تجاری کلی یک شرکت و بیان رقابت‌پذیری آن در صنعت را مورد بحث قرار می‌دهد.

فصل 9 به بررسی فضایل رهبری صنعت در نشان دادن حضور اجرایی و الهام بخشیدن به صنعت برای استفاده مسئولانه از داده‌ها برای ایجاد تأثیرات تجاری می‌پردازد.

بخش 5 کتاب How to Lead in Data Science بر اعمال سختگیری تحلیلی خود در روند توسعه حرفه شما متمرکز است. این شامل حوزه‌های LOOP چشم‌انداز، سازمان، فرصت و تمرین می‌شود. ما چرایی، چیستی و چگونگی اهمیت روزافزون علم داده را برجسته می‌کنیم و با بررسی روندهای در حال تحول، در مورد آینده گمانه‌زنی می‌کنیم:

فصل 10 چشم‌انداز فناوری را برای معماری‌ها و شیوه‌های جدید مورد بحث قرار می‌دهد، ساختارهای سازمانی را برای مسیریابی ترسیم می‌کند، چهار بعد را برای ارزیابی حرکت‌های شغلی در نظر می‌گیرد، و جهت‌های شغلی بالقوه را برای نقش‌های بعدی شما به اشتراک می‌گذارد.

فصل 11 چهار دلیل مهم بودن رهبری در علم داده را مورد بحث قرار می‌دهد و خلاصه‌ای از یادگیری برای پیشرفت شغلی در علم داده است.

تمرکز بر خود ارزیابی و توسعه

در پایان هر فصل از کتاب How to Lead in Data Science، ما چک‌لیست یک صفحه‌ای از نکات یادگیری را برای ارزیابی خود و روشن کردن تمرکز توسعه شما ارائه می‌دهیم. برای بهترین استفاده از این کتاب، ما یک فرآیند چهار مرحله‌ای را برای ایجاد اعتماد به نفس، کشف نقاط کور، شناسایی منابع در دسترس شما در اطراف سازمان و تمرین یادگیری خود توصیه می‌کنیم:

یافتن نقاط قوت خود – می‌توانید از بخش‌های خودارزیابی و تمرکز توسعه در پایان هر فصل (فصل 2 تا 9) برای شناخت نقاط قوت رهبری خود استفاده کنید. این تمرین روایتی را برای کمک به ساختن هویتی قابل اعتماد، مثال‌زدنی برای دیگران و انتقال دستاوردهای شغلی در اختیار شما قرار می‌دهد.

شناسایی فرصت‌های خود – برخی از زمینه‌هایی که در این کتاب توضیح داده شده‌اند ممکن است برای شما نقاط کور باشند. این‌ها فرصت‌هایی هستند که در آن‌ها می‌توانید شیوه‌های جدید را بشناسید، یاد بگیرید و بپذیرید. وقتی این یادگیری‌های جدید را در موقعیت‌های دنیای واقعی تمرین می‌کنید، می‌توانند به عادت‌های مؤثر و حتی بخشی از هویت مثبت شما تبدیل شوند.

استفاده از محیط خود – در بیشتر موقعیت‌ها، نقش شما در یک سازمان بزرگتر است، جایی که منابعی وجود دارد که می‌توانید در تیم خود یا در سراسر عملکردها برای تقویت نقاط قوت خود استفاده کنید. درک اینکه باید به چه کسی درخواست داد، چه درخواست‌هایی باید مطرح کرد و چگونه آن‌ها را مطرح کرد، مهارت‌های رهبری ضروری است.

عملی کردن یادگیری – با اهداف مشخصی که در سه مرحله اول مشخص شده است، مرحله چهارم این است که یک نقشه راه را تنظیم کنید و یادگیری خود را هر بار یک مفهوم را عملی کنید. همانند برنامه‌ریزی اسپرینت، می‌توانید یک تا سه هفته برای تعیین اهداف تعیین کنید و زمانی را برای بررسی مجدد و ارزیابی پیشرفت برنامه‌ریزی کنید.

مفاهیم زیادی برای یادگیری و تمرین در هر مرحله از پیشرفت شغلی وجود دارد. اگر هر هفته روی چیزی کار می‌کنید، پیشرفت مشخصی در پیشرفت شغلی خود خواهید داشت.

• [1] “2020 emerging jobs report.” LinkedIn. https://business.linkedin.com/content/dam/me/business/en-us/talent-solutions/emerging-jobs-report/Emerging_Jobs_Report_U.S._FINAL .pdf
• [2] Da Xue (大学). “The great learning.” Chinese Text Project. https://ctext.org/liji/da-xue/ens

سرفصل‌های کتاب How to Lead in Data Science:

• 1 What makes a successful data scientist?
• Part 1. The tech lead: Cultivating leadership
  • 2 Capabilities for leading projects
  • 3 Virtues for leading projects
• Part 2. The manager: Nurturing a team
  • 4 Capabilities for leading people
  • 5 Virtues for leading people
• Part 3. The director: Governing a function
  • 6 Capabilities for leading a function
  • 7 Virtues for leading a function
• Part 4. The executive: Inspiring an industry
  • 8 Capabilities for leading a company
  • 9 Virtues for leading a company
• Part 5. The LOOP and the future
  • 10 Landscape, organization, opportunity, and practice
  • 11 Leading in data science and a future outlook

فایل کتاب How to Lead in Data Science را می‌توانید پس از پرداخت، دریافت کنید.