مهندسی شیمی به علم داده - سفر من تا کنون
دوشنبه 3 مرداد 1401
20:28
[ ]
مهندسی شیمی به علم داده - سفر من تا کنون
من اخیراً از دانشگاه فناوری نانیانگ فارغ التحصیل شدم! بدون شک 4 سال یادگیری شگفت انگیز بوده است.
پس از فارغ التحصیلی از مهندسی شیمی و بازاریابی، هیجان زده هستم که به زودی نقش خود را به عنوان تحلیلگر داده در یک استارت آپ فناوری تلفن همراه آغاز کنم.
سفارش ساخت سایت در سایت
در این مرحله، احتمالاً متوجه ناهماهنگی بین سوابق تحصیلی من و کاری شده اید که در نهایت انجام دادم. خیلی اوقات، من در مورد آن سؤال می شوم -
"آیا علم داده، بازاریابی و مهندسی شیمی تفاوت زیادی با یکدیگر ندارند؟"
در این پست، من در مورد سفر خود به عنوان یک دانشجوی مهندسی شیمی و بازاریابی فکر می کنم و نقاطی را که به مسیر من به عنوان یک تحلیلگر داده منتهی می شود را به هم وصل می کنم. من سعی خواهم کرد به طور خلاصه مشکلاتی را که در دوره کارآموزی خود با آن مواجه بودم، و نحوه برخورد با آنها و آموختن از آنها را بیان کنم - و امیدوارم به کسانی که در فکر اقدامی مشابه هستند کمک کنم.
1. کارآموزی بازاریابی در Xfers: ایجاد یک خط لوله داده کوچک
اولین تجربه کارآموزی من با Xfers در سنگاپور بود.
Xfers یک دروازه پردازش پرداخت است که پردازش کارت اعتباری و نقل و انتقالات بانکی اینترنتی را ارائه می دهد.
مشکل
طراحی لوگو با بهترین طراحان لوگو
در آن مقطع زمانی، Xfers یک فرآیند ورود به مشتری به صورت دستی داشت. یعنی یک مشتری بالقوه ابتدا یک فرم استعلام را برای تیم فروش Xfers ارسال می کند، که سپس با مشتریان تماس می گیرد تا تصمیم بگیرد که آیا آنها برای خدمات Xfers مناسب هستند یا خیر. با این حال، این روند خسته کننده و تا حدودی ناسازگار بود.
راه حل
اگر بتوانیم این فرآیند را خودکار کنیم چه؟ ایده این است که به مشتریان اجازه دهید یک فرم را بر اساس نیازهای خود پر کنند. پاسخ‌ها به‌طور خودکار یک صفحه‌گسترده را پر می‌کنند، جایی که «امتیاز تناسب» محاسبه می‌شود. اگر امتیاز به یک آستانه برسد، مشتری به طور خودکار به نرم افزار مدیریت ارتباط با مشتری خود اضافه می شود. بنابراین تیم فروش می تواند با نادیده گرفتن سرنخ های نامربوط در زمان صرفه جویی کند.
تغییر در گردش کار برای Xfers
من آنجا بودم، یک مهندس شیمی بدون پیشینه کدنویسی و نوشتن جاوا اسکریپت (بخوانید: سرقت ادبی از StackOverflow). من نمی دانستم، من یک خط لوله داده کوچک راه اندازی می کردم و یک فرآیند تصمیم گیری مبتنی بر داده را خودکار می کردم. مطمئناً با کدهای سطح تولید فاصله زیادی داشت، اما برای من چشم‌نواز بود و به‌طور جدی‌تر به دنبال کدنویسی و تجزیه و تحلیل داده‌ها شدم.
2. کارآموزی تحلیلگر بازاریابی در Fave: تصمیم گیری مبتنی بر داده
توقف بعدی:
فاو اساسا گروپون آسیای جنوب شرقی است.
مشکل
خبرنامه روزانه Fave یکی از محرک های اصلی درآمد در Fave بود - محبوب ترین معاملات Fave را به کاربران ما توصیه می کند. برای انتخاب مرتبط ترین معاملات، تیم به صورت دستی معاملات را بر اساس عملکرد گذشته خود رتبه بندی می کند. این یک اکتشافی عملی بود که به خوبی به تیم خدمت کرد.
یک خبرنامه ارسال شده توسط Fave. در اینجا دو معامله نشان داده شده است.
انجام پروژه انجام پروژه متلب متلب
با این حال، توصیه های ارائه شده شخصی نبودند. اولین نمونه اولیه ما تقسیم بندی مشتریان و توصیه معاملات مختلف به هر بخش بود. من وظیفه داشتم روزانه معاملات را برای بخش های مختلف انتخاب کنم. جای تعجب نیست که این روند نسبتاً کند و ناسازگار بود.
راه حل
بنابراین، دوباره یک سیستم امتیازدهی خودکار را اجرا کردم. به جز این زمان که مجبور شدم روبریک امتیازدهی طراحی کنم - آیا روبریک باید بر اساس متریک A، متریک B یا متریک C، معامله پیشنهادی را انتخاب کند؟ در نهایت، این تصمیم را بر اساس ترکیبی از عوامل / معیارهای مختلف گرفت و آزمایش شد تا ببینیم آیا می تواند بهترین معاملات را توصیه کند یا خیر.
تغییر در گردش کار برای Fave
با نگاهی به گذشته، متوجه شدم که در حال انجام برخی مهندسی ویژگی های ساده برای پیش بینی بهترین معامله و آزمایش عملکرد مدل هستم. هنگامی که یک دانشمند داده به مجموعه داده ها نگاه می کند، از دانش دامنه برای ایجاد ویژگی های جدید استفاده می کند، یک الگوریتم یادگیری نظارت شده را پیاده سازی می کند، سپس یک بررسی عملکرد را با استفاده از تقسیم قطار/آزمون انجام می دهد، فرآیند تفکر چندان متفاوت نیست.
3. کارآموزی تحقیقاتی در سیلیکون ولی: ارتباط داده های فنی
پس از کارآموزی در Xfers و Fave، متوجه شدم که استارت آپ ها را بسیار دوست دارم. بنابراین، این برای من یک رویا است که در سرزمین رویاها باشم… سانفرانسیسکو!
من بسیار هیجان‌زده بودم که فرصتی را با Kuprion به دست آوردم، که یک استارت‌آپ الکترونیکی است که خمیرها و جوهرهای نانومس را تولید می‌کند، که یک «چسب فلزی» مسی قابل جریان با عملکرد حرارتی و الکتریکی برتر است.
مشکل
همانطور که کوپریون در حال توسعه یک ماده جدید بود، ما در تلاش بودیم تا "دستور العمل کامل" را پیدا کنیم که به ما امکان می دهد مواد عالی را بسازیم که در شرایط مختلف کار می کند. این تیم چندین فرضیه را آزمایش می کرد و بنابراین روی دستور العمل های مختلف کار می کرد.
نقش من به‌عنوان کارآموز پژوهشی اجرای آزمایش‌هایی بود که این فرضیه‌ها را تأیید کرد (یا رد کرد) و یافته‌ها را با تیمی از دانشمندان ارائه داد. چالش شناسایی الگوها در داده های پر سر و صدا، تجزیه و تحلیل الگو و ارائه یافته ها به وضوح به تیم من و مشتریان بود.
راه حل
در این دوره کارآموزی من dom
[ بازدید : 1102 ] [ امتیاز : 3 ] [ نظر شما : ]
