개발자를 위한 필수 수학

293

8

장

경력 조언과 앞으로의 진로

기업에서 데이터 과학자 직함을 가진 여러 사람을 만났습니다. 그중에는 코딩에 능숙하고 소프

트웨어 엔지니어링 배경을 가지고 있지만, 통계적 유의성이 무엇인지 전혀 모르는 사람도 있었

습니다. 또 다른 사람은 엑셀에 갇혀서

SQL

을 거의 알지 못했습니다. 파이썬이나

R

은 말할 것

도 없습니다. 사이킷런으로 몇 가지 기능을 스스로 배웠지만, 그것이 자신이 아는 전부여서 금

방 허둥대는 데이터 과학자들도 만났습니다.

그렇다면 이 현상이 여러분에게 어떤 걸 의미할까요? 이렇게 유행이 난무하고 혼란스러운 환

경에서 어떻게 성공할 수 있을까요? 그 답은 어떤 유형의 문제나 산업에 관심이 있는지, 그리

고 고용주가 정의한 역할에 성급하게 의존하지 않는지에 달려 있습니다. 데이터 과학을 하기

위해 데이터 과학자가 될 필요는 없습니다. 지금 가지고 있는 지식을 바탕으로 여러분이 유리

하게 일할 수 있는 분야는 매우 다양합니다. 분석가, 연구원, 머신러닝 엔지니어, 어드바이저

(고문), 컨설턴트 등 반드시 데이터 과학자라고 부르지 않아도 무수히 많은 역할을 할 수 있습

니다.

하지만 먼저, 데이터 과학 구직 시장에서 계속해서 배우고 우위를 점할 수 있는 몇 가지 방법을

알아보겠습니다.

8.3

나만의 강점 찾기

실질적인 데이터 과학 전문가로 성공하려면 통계와 머신러닝에 대한 이해 이상이 필요합니다.

대부분의 경우, 머신러닝과 기타 프로젝트에서 데이터를 쉽게 사용할 수 있기를 기대하는 것은

무리입니다. 대신 데이터 원본, 엔지니어링 ...