Bagaimana Bikin Portfolio Data Science untuk Pemula?

Lapangan kerja untuk profesi data analyst pada saat ini sangatlah banyak dan juga banyak perusahaan yang meminta seorang praktisi data untuk bergabung dengan perusahaannya. Maka dari itu untuk menjadi seorang praktisi data atau data analyst ini dibutuhkan skill yang mumpuni untuk masuk ke dalam perusahaan-perusahaan yang membutuhkan seorang data analyst, skill-skill yang diperlukan adalah seperti statistik dan pemrograman. Seorang data analyst juga nantinya akan bertanggung jawab atas analisis datanya yang aada di perusahaan untuk bisa menemukan informasi yang berguna bagi perusahaan.

Jadi untuk menjadi seorang praktisi data haruslah memiliki portofolio untuk melamar di perusahaan-perusahaan yang kalian inginkan. Portofolio ini juga salah satu faktor yang cukup penting. Maka dari itu kalian harus memperhatikan hal-hal di dalamnya untuk bisa membuat sebuah portfolio Data science, hal-hal yang bisa kalian perhatikan adalah seperti judul, studi kasus yang akan diangkat, metode dan juga library apa saja yang akan digunakan di dalamya, proses analisis datanya, dan yang terakhir kalian bisa menarik sebuah kesimpulan di akhir analisis kalian atau di akhir portofolio kalian. Nah sekarang kita akan membahas bagaimana caranya membuat portofolio data science untuk pemula. Jadi simak terus ya!

1. GitHub

Cara membuat sebuah portofolio yang pertama adalah melalui GitHub. Ya benar GitHub, GitHub disini dibutuhkan untuk membuat sebuah portofolio dan kalian harus mempelajari git ini. Sebagai seorang data science, kalian akan menemukan projek-projek yang menarik yang bisa kalian coba untuk membuat portofolio. 

Platform ini juga sangat populer diantara para developer dan biasanya untuk para HRD biasanya akan melihat profile github kalian sebelum memanggil kalian untuk di wawancara. GitHub juga adalah salah satu platform kolaborasi yang cukup besar jangkauannya, jadi disini banyak orang yang membagikan projeknya dan juga kalian dapat berkolaborasi dengan orang-orang di dalamnya. 

Baca juga : Algoritma Data Science : Pengertian Hingga Contoh

2. Deepnote

kedua ada platform yang bernama deepnote. Nah deepnote ini lebih simpel dibandingkan GitHub dan juga platform ini sangat ramah bagi para pemula. Jika kalian cukup familiar dengan jupyter notebook itu akan menjadi sebuah hal yang cukup bagus untuk kalian yang baru pertama kali memposting atau mempublish project pertama kalian. 

Jika kalian menggunakan deepnote ini kalian akan diberikan pengalaman yang lebih berkualitas sama seperti halnya dengan kalian menggunakan GitHub hanya saja deepnote ini dikemas menjadi lebih simpel dari github dan lebih berfokus kepada komunitas data scientist. Baru-baru ini, platform deepnote ini memperkenalkan deepnote profile, jadi di fitur terbaru ini deepnote dapat menampilkan semua portofolio yang kalian unggah dengan informasi  dan juga profile kalian sendiri.

3. DAGsHub

Ketiga ada platform yang bernama DAGsHub. Platform ini bisa dikatakan platform terbaru di dunia ini dan platform ini membuat namanya cepat dikenal karena di dalam platform ini menyediakan one-stop solution untuk praktisi machine learning dan juga bagi seorang data engineers. Dalam DAGsHub ini terdapat DVC server, MLflow, Visualizing pipeline, dan juga GitHub Synchronization. Kalian tidak perlu untuk mendalami platform ini kalian hanya cukup fokus terhadap fitur-fiturnya yang menonjol pada platform ini. DAGsHub ini memungkinkan kalian untuk bisa membagikan repositori GitHub kalian dan juga dapat membuat project data science kalian dengan menggunakan visualisasi dari machine learning dan juga data pipelines. 

4. Kaggle

keempat ada platfrom bernama kaggle. Jika kalian ingin mendapatkan informasi cepat tentang data science di dunia ini, kalian perlu membuat akun kaggle ini dan kalian bisa memulai kontribusi didalamnya seperti kompetisi, dataset, notebook, dan juga diskusi di dalam platform ini. Ketika kalian sudah menjadi profesional, orang-orang nantinya akan menghormati kalian dan kalian memiliki nilai lebih dalam hal karir. 

Baca juga : 3 Contoh Penerapan Data Science yang Sangat Berguna di Dunia Perindustrian

Sahabat DQ ingin berkarir di bidang data science tapi, tidak memiliki background pendidikan yang linier dengan itu? Sudah mencoba belajar otodidak tapi malahan overdosis materi? Mengingat skill data science terbilang cukup banyak yang wajib dikuasai salah satunya adalah memahami algoritma data science nya hingga tahap penerapannya pada dataset. 

Yuk, coba free module Introduction to Data Science with R dan python dari DQLab sekarang 

Caranya gimana? Mudah banget kok cukup signup sekarang ke DQLab.id lalu pilih menu learn. Setelah itu kamu sudah bisa menikmati pembelajaran yang praktis dan aplikatif dan jago algoritma data science bersama DQLab! Tunggu apa lagi? Yuk, signup sekarang dan mulai belajar Module Premium di DQLab!