Eu Criei Esse Projeto e Consegui Meu Primeiro Emprego como Data Scientist

Introdução

‍

Para conseguir um emprego como Data Scientist, seja o primeiro emprego ou uma migração de carreira, um dos projetos do seu portfólio precisa impressionar os recrutadores.

‍

Leia esse post até o final, que eu vou mostrar como eu desenvolvi o meu projeto matador, que impressiona os recrutadores até hoje e foi o grande responsável pelo meu primeiro emprego como Data Scientist.

‍

Eu Comecei a Estudar da Forma Errada.

‍

No começo dos meus estudos para Data Science, eu estudava de maneira errada.

‍

Eu comecei estudando Python por um livro que era focado em desenvolvimento de software usando Python. Eu lembro que eu estudei esse livro inteiro, do primeiro ao último capítulo, o livro tinha 800 páginas sobre programação em Python.

‍

Depois de aprender Python, com foco em desenvolvimento de software, o próximo passo para me preparar para carreira de Data Science, naturalmente, seria estudar Machine Learning. Então eu comecei a fazer uns cursos online sobre Machine Learning e depois de 2 meses, eu comecei a aplicar para vagas de Data Science, pois eu já me sentia mais preparado para participar dos processos seletivos das empresas.

‍

Porém, os processos seletivos eram muito mais difíceis do que eu imaginava. Foi nesse momento que eu descobri o quão despreparado eu estava. O que eu havia estudado sobre Python através do livro e sobre Machine Learning através dos cursos, não me ajudavam a resolver os cases técnicos das empresas, eu não conseguia ser aprovado na etapa do case técnico.

‍

Depois de muitas rejeições nos processos seletivos para vagas de Data Scientist, eu percebi que eu não sabia Python para análise de dados e também não sabia criar soluções para problemas complexos usando Machine Learning. Meu conhecimento era raso, introdutório, meus projetos eram muito simples e estavam longe de um case real de uma empresa.

‍

Foi então que eu tomei uma atitude de testar outras formas de aprender Data Science, que fossem mais práticas e com conteúdos que me preparassem, de verdade, para resolver os testes técnicos das empresas.

‍

Eu Usei o Método Cíclico e Olha o que Aconteceu.

‍

A primeira grande mudança, foi abandonar o aprendizado linear e adotar um aprendizado cíclico. Ao invés de estudar em silos: Estudar primeiro tudo sobre Python, depois tudo sobre Machine Learning, depois tudo sobre SQL e tudo sobre Storytelling.

‍

Eu comecei a estudar de forma cíclica, o mínimo de Python, o mínimo de Machine Learning, o mínimo de SQL e o mínimo de Storytelling e repetir o processo várias vezes. Em cada ciclo, eu aprendia um pouco mais em cada disciplina e aumentava a complexidade gradualmente.

‍

O método de aprendizado cíclico fez com que eu sentisse que estava progredindo nos meus estudos. Como eu chegava ao final várias vezes, eu pude perceber que a cada ciclo minha solução ficava melhor e mais completa.

‍

Apesar de ter melhorado muito o meu sentimento de estar aprendendo, ainda faltava ajustar um detalhe: Qual deveria ser o mínimo para aprender em cada ciclo? Eu ainda não sabia quão profundo eu deveria ir em cada disciplina de cada ciclo.

‍

O Segredo é Definir o Objetivo de Aprendizado

‍

Para que eu pudesse determinar essa profundidade do aprendizado em cada disciplina, eu precisava de um objetivo.

‍

Um objetivo, especialmente de negócio, me manteria no controle do aprendizado, eu conseguiria identificar com facilidade se eu estava estudando exatamente aquilo que eu precisava aprender para encontrar uma solução simples para o problema que eu havia me comprometido.

‍

Outra vantagem legal que você ganha ao fixar seu aprendizado à um objetivo é que a medida que você vai aumentando a complexidade do desafio, mais profundo você precisa ir no seus estudos, ou seja, mais técnicas estatísticas, mais modelos de Machine Learning, mais prática com análises e manipulação de dados você precisa aprender e consequentemente sua solução vai se tornando mais completa e mais robusta.

‍

Dessa forma, você consegue construir projetos realmente incríveis que impressionem os recrutadores.

‍

O Meu Projeto Matador.

‍

No final desse vídeo, https://youtu.be/2g7TBUDkDhM, eu mostrei um pouco do meu projeto matador que até hoje impressiona os recrutadores. Ele foi o principal motivo para eu ter conseguido meu primeiro emprego como Data Scientist e também por conseguir trabalhar em grandes empresas inovadoras como a 99, Easynvest, AMARO e atualmente na Loft. Duas delas já são unicórnios, tem valor de mercado maior que 1 bilhão de reais.

‍

O Que O Meu Projeto Matador Faz?

‍

Meu projeto matador é um modelo de Machine Learning capaz de prever o faturamento de Lojas com 6 semanas de antecedência.

‍

E o mais legal e interessante é que o usuário consegue acessar as predições do modelo via aplicativo de Mensagem chamado Telegram.

‍

Seu funcionamento é simples, o usuário adiciona o modelo de predição como um contato na sua lista de contatos e o chama para uma conversa. Na conversa com o modelo, o usuário precisa apenas informar o código da loja e o modelo retornará o valor do faturamento daquela loja e também um gráfico, mostrando como esse faturamento está distribuído ao longo das 6 semanas de predição.

‍

Os 4 Elementos de Um Projeto Matador.

‍

O grande sucesso desse projeto, os bons resultados que eu obtive e também tudo o que eu aprendi através da construção dessa solução, se deve aos 4 fatores abaixo:

‍

1.Os DADOS são de uma COMPETIÇÃO do Kaggle.

2. Eu segui TODOS os PASSOS do DESENVOLVIMENTO de uma SOLUÇÃO de DATA SCIENCE.

3. Eu fiz o DEPLOY do MODELO de predição em uma CLOUD.

4. Eu usei o aplicativo do TELEGRAM para mostrar aos RECRUTADORES de uma forma PRÁTICA e VISUAL o resultado final do trabalho.

‍

Os dados das competições do Kaggle são os mais próximos possíveis dos dados reais de uma empresa. Portanto, o aprendizado que eu adquiri com o desenvolvimento do modelo de predição, me preparou para resolver os cases técnicos das empresas, foi assim que eu consegui meu primeiro emprego e também consegui ser aprovado para as vagas de Data Scientist nas empresas mais inovadoras do Brasil.

‍

Apesar dos desafios reais de Data Science serem complexos, existe uma sequência de 10 passos, que pouca gente sabe, para criar soluções para esses problemas. O domínio desses 10 passos, me tornou capaz de resolver qualquer problema em Data Science de uma forma clara, prática e organizada.

‍

O deploy do modelo de previsão em uma Cloud, permitiu que as predições das lojas, fornecidas pelo modelo, pudessem ser acessadas de qualquer dispositivo conectado à internet e capaz de fazer requisições em APIs, como é o caso do aplicativo de mensagens Telegram.

‍

O aplicativo Telegram, ao contrário do Whatsapp, é um open-source capaz de customizações incríveis, como é o caso de requisições em APIs. O objetivo de usar o Telegram é tornar o resultado do meu projeto matador mais visual, prático e real. Muito melhor do que um arquivo do Jupyter Notebook, não acha?

‍

Siga Esse Caminho e Faça um Projeto Matador.

‍

Eu sugiro que você siga o mesmo caminho que eu trilhei para construir o meu projeto matador. Estude Data Science de forma cíclica, passe por todas as disciplinas uma vez em cada ciclo de aprendizado, e vá aumentando o nível de profundidade, em cada ciclo.

‍

Com esse método, construa um projeto matador usando dados reais ou o mais próximo possível da realidade das empresas, coloque seu modelo em produção e pense em uma forma de mostrar os resultados do seu projeto de uma maneira visual e prática.

‍

A boa notícia é que os 10 passos para resolver qualquer projeto complexo de Data Science é na verdade, um método, totalmente possível de aprender, mesmo para iniciantes. Eu gravei um vídeo, falando como aprender esse método de 10 passos de produção de projetos de Data Science, você pode assistir o vídeo através deste link: https://bit.ly/2X1xNhs

‍

Bom, chegamos ao final deste artigo, espero que você tenha gostado. Não se esqueça de me seguir no Instagram e conectar comigo no LinkedIn. Os ícones estão no canto superior direito, topo da página.

‍

Vejo você nos vídeos do Youtube e nos comentários do LinkedIn.

‍

Bons estudos!