Kimler Veri Bilimci Olabilir?

İşletme mezunu, güvenlik görevlisi ya da bir satış temsilcisi… Veri bilimi size uzak bir dünya gibi görünebilir. Matematik korkusu, kodlama bilmemek, "çok geç kaldım" düşüncesi... Bu engeller tanıdık gelebilir. Gerçek şu ki, veri bilimi kapısı düşündüğünüzden çok daha geniş derecede açık. Size bu yazımızda sadece bir motivasyon ya da hayal satmaya kalmayacağız; gerçek veriler ve somut örneklerle “ne alaka” denilen kariyerlerin nasıl veri bilimci olduğunu anlatacağınız.

Formül Değil, Merak Gerekiyor

Türkiye'de veri bilimi alanı henüz yükselişte olduğu için ilginç bir avantaj söz konusu: Yapay zeka ve veri bilimi mezunu sayısı oldukça sınırlı. Bu durum eleme süreçlerinin doğrudan üniversite bölümüne göre yapılamaması anlamına geliyor. İstatistik, bilgisayar mühendisliği veya matematik gibi nicel bölümlerden mezun olmayanlar için bir fırsat penceresi açıyor.

Günümüzde bilgisayar mühendisliği ve istatistik çıkışlıların yer yer öne çıktığını görmek mümkün. Ancak farklı mühendislik dallarından ve hatta sosyal bilimlerin çeşitli alanlarından gelen başarılı veri bilimcilere de sıkça rastlanıyor. Miuul'un paylaştığı başarı hikayelerinde işletme mezunu bankacılardan kamu sektöründe çalışan bilgisayar öğretmenlerine farklı sektörlerden gelen onlarca profesyonelin veri bilimine başarılı geçişleri yer alıyor.

Neden böyle? Çünkü veri biliminin özü matematikte değil, merakta yatıyor. Bir veri bilimcinin öncelikle heyecanlı ve meraklı olması şart. Ele aldığı veriyi didikleme isteği duymayan birinin bu alanda başarılı olması güç.

Farklı Disiplinlerin Beklenmedik Avantajları

Geleneksel olmayan arka planlar aslında birer dezavantaj değil, paha biçilmez birer avantaj olabilir. Her disiplin veri bilimine transfer edilebilecek benzersiz bakış açıları sunuyor.

Fizik mezunları matematiksel modelleme konusunda doğal bir üstünlüğe sahip. Yıllarca karmaşık sistemleri sayısal olarak ifade etmeye çalışmış biri için makine öğrenmesi algoritmaları yabancı bir kavram olmaktan çıkıyor. Ekonomistler zaten istatistiksel analizle haşır neşir; regresyon modelleri, zaman serileri ve ekonometrik yöntemler onların günlük ekmeği. Mühendisler sistem düşüncesiyle fark yaratıyor; bir süreci bütünsel olarak kavrama ve optimize etme becerileri veri mühendisliği rollerinde altın değerinde. Tamam, bu alanlar zaten veri bilimi ile yakından ilişkili ve avantajlı alanlar. Ancak veri bilimi sadece sayılardan ibaret bir alan olmadığı için, bu alanların dışında olanlar dezavantajlı olarak değerlendirilemez. Avantajının niteliğine bakmak lazım.

Örneğin Psikoloji mezunları, belki de en beklenmedik avantaja sahip: insan davranışını anlama. Bir öneri sisteminin başarısı, sonuçta insanların nasıl karar verdiğini anlamaktan geçiyor.

Hiçbir mühendis kökenli veri bilimci, satışçı kökenli bir veri bilimci kadar iyi bir şekilde satış verilerini analiz edemez. Bu örneği çeşitlendirebiliriz, hiçbir mühendis kökenli veri bilimci, bir güvenlik görevlisi kadar iyi güvenlik verilerini analiz edemeyebilir.

Hatta sanat ve beşeri bilimlerden gelenler bile veri biliminde yer bulabiliyor. Marmara Üniversitesi'nin YÖK desteğiyle başlattığı Veri Analizi Okulu programında "Dijital Beşeri Bilimler" modülü bu kesişimi somutlaştırmış olup, veri biliminin ne kadar çeşitli alanlara hitap edebildiğinin açık göstergesidir.

Kariyer Geçişinde Mevcut Deneyimin Değeri

Farklı bir alandan gelenler için mevcut sektör deneyimi aslında bir engel değil stratejik bir avantaj. Yıllarca finans sektöründe çalışmış biri finans analitiği alanında sadece teknik beceriye sahip birinden çok daha değerli içgörüler üretebilir.

Bir hemşire sağlık verilerini yorumlarken klinik bağlamı anlaması sayesinde daha anlamlı sonuçlara ulaşabilir. Gazeteciler veri haberciliği alanında hem sorgulama yeteneklerini hem de hikaye anlatma becerilerini kullanabiliyor.

İş bilgisi olarak adlandırılan bu bağlamsal anlayış veri biliminde giderek daha fazla önem kazanıyor.

Bir makine öğrenmesi modeli geliştirirken uygulanacak özellik mühendisliği bazen tamamen bu iş bilgisine dayalı olabiliyor. Alan uzmanlığı olmaksızın yüksek başarı metriklerine ulaşan modeller geliştirmek zorlaşıyor. Kariyer geçişi yapanların bir diğer avantajı ise olgunluk ve sabır.

Matematik Korkusunun Anatomisi

Gelelim odadaki file: Matematik. Birçok potansiyel veri bilimci adayı bu noktada duraksar. Lisede yaşanan travmalar, üniversitede derslerde düşük not almış olmak, formüllere bakınca gözlerin kararması... Bunların hepsi tanıdık senaryolar.

Ancak korkulan şey matematiğin kendisi değil, teoride boğulma hissidir. Veri biliminde matematik teoride kalan bir kavram değil, sürekli oynadığınız bir araç. Bir istatistik formülünü ezberlemek yerine onu gerçek bir veri seti üzerinde uygulayıp sonuçları yorumladığınızda her şey değişiyor. Soyut sembollerin yerine somut anlamlar geçiyor. Temel istatistik kavramları çevrimiçi kurslarla rahatlıkla kavranabiliyor. Ortalama, standart sapma, korelasyon, regresyon gibi kavramlar karmaşık görünse de gerçek dünya örnekleriyle öğrenildiğinde son derece sezgisel hale geliyor. Hatta Python gibi programlama dilleri matematiksel hesaplamaların büyük bölümünü sizin yerinize yapıyor zaten; sizin işiniz sonuçları yorumlamak ve doğru soruları sormak.

Sıfırdan Başlayanlar İçin Yol Haritası

Kariyer değişikliği yapmak isteyenler için somut bir yol haritası şöyle özetlenebilir:

• İlk adım programlama dillerinden birini öğrenmek. Python bu noktada en mantıklı başlangıç; hem öğrenmesi görece kolay hem de veri bilimi ekosisteminde en yaygın kullanılan dil konumunda. Veri analizi, görselleştirme ve makine öğrenmesi için zengin kütüphane desteği sunuyor. R ise özellikle istatistiksel analiz ve akademik çalışmalar için tercih ediliyor. SQL ise veri tabanlarından veri çekme ve düzenleme için temel bir beceri olarak öne çıkıyor.

• İkinci adım teorik bilgiyi pekiştirmek için gerçek dünya problemleri üzerinde çalışmak. Müşteri davranışlarını analiz eden bir tahmin modeli oluşturmak, e-ticaret satış verilerini görselleştirmek veya bir dolandırıcılık tespit modeli geliştirmek gibi projeler hem öğrenmeyi hızlandırıyor hem de portföy oluşturmaya yardımcı oluyor.

• Üçüncü adım topluluk ve ağ oluşturmak. Veri bilimi etkinlikleri, meetup'lar ve konferanslar hem kavramları daha hızlı öğrenmeyi hem de sektör profesyonelleriyle bağlantı kurmayı sağlıyor.

Teknik Becerilerin Ötesinde: Soft Yetkinlikler

Veri biliminde başarı yalnızca kod yazmaktan ibaret değil. Sosyal beceriler, teknik beceriler kadar belirleyici rol oynuyor.

Eleştirel düşünme bu becerilerin başında geliyor. Soruları, hipotezleri ve sonuçları objektif olarak analiz edebilmek bir sorunu çözmek için hangi kaynakların kritik olduğunu anlayabilmek ve problemlere farklı bakış açılarından yaklaşabilmek gerekiyor. Problem çözme becerisi ve arzusu da kritik. Bazen gizli kalan zor sorunları tespit etmek ve ardından bu sorunu nasıl çözeceğine hızlıca yönelmek etkili bir veri bilimcinin temel özelliklerinden biri. Takım çalışması da vazgeçilmez.

Bir veri bilimcisi tek başına çalışmıyor; stratejiler geliştirmek için şirket yöneticileriyle daha iyi ürünler yaratmak için ürün yöneticileri ve tasarımcılarla daha iyi dönüşüm sağlayan kampanyalar başlatmak için pazarlamacılarla birlikte çalışması gerekiyor.

Son olarak iletişim becerileri hayati önem taşıyor. Verileri sadece sunmak değil anlamlı bir şekilde sunmak gerekiyor.

Engeller Yalnızca Zihinsel

Yaş bir engel değil, cinsiyet bir engel değil, coğrafya bir engel değil. Tek gerçek engel inancınız. Türkiye'de yapay zeka ile ilgili lisans bölümleri Hacettepe Üniversitesi başta olmak üzere çeşitli üniversitelerde açılmış durumda; ancak yapay zeka bölümlerine girmemiş olsanız bile farklı bölümlerden bu alana geçiş mümkün.

Veri bilimi hemen hemen tüm alanlarla entegre edilebiliyor. Siyaset için de veri bilimi yapılabiliyor, edebiyat ve toplumsal refah için de. Bu disiplinin güzelliği hangi arka plandan gelirseniz gelin mevcut uzmanlığınızı veriye dayalı yaklaşımlarla zenginleştirebilmeniz. Mütemadiyen tembel, aşırı üşengeç, azimsiz ve hırssız biriyseniz yeni şeyler öğrenmeyi sevmiyorsanız bu alan sizin için olmayabilir. Ancak meraklı, öğrenmeye açık ve problem çözme tutkusuna sahipseniz arka planınız ne olursa olsun bu kapıdan geçebilirsiniz.

İlk Adımı Atmak

Kariyer değişikliği düşünüyorsanız ve veri bilimi sizi heyecanlandırıyorsa yapmanız gereken ilk şey mevcut becerilerinizi ve hedeflerinizi değerlendirmek. Hangi sektörde çalışmak istiyorsunuz? Hangi tür problemleri çözmek sizi motive ediyor? Bu soruların cevapları eğitim yolculuğunuzun rotasını belirleyecek.

İkinci adım doğru kaynakları bulmak. İnternet veri bilimi öğrenmek için sayısız kaynak sunuyor; ancak bu bolluğun içinde kaybolmak da kolay. Kendinize uygun olan eğitim programlarını araştırırken CourseCV'nin eğitim arama özelliğini kullanarak farklı platformlardaki kursları karşılaştırabilir ve kendi öğrenme stilinize en uygun yolu belirleyebilirsiniz. Her başarı hikayesinin arkasında azim ve tutku var. Bugün nereden başlarsanız başlayın düzenli çalışma ve odakla hedeflerinize ulaşabilirsiniz.

Kaynaklar:

1. Miuul - Veri Bilimcilerin Sahip Olması Gereken Teknik ve Sosyal Beceriler: https://miuul.com/blog/veri-bilimcilerin-sahip-olmasi-gereken-teknik-ve-sosyal-beceriler

2. Marmara Üniversitesi - Veri Analizi Okulu: https://nsa.marmara.edu.tr/notice/veri-analizi-okulu-basvurulari-basladi

3. Veri Bilimi Okulu - Veri Bilimci Olmak İçin Yol Haritası: https://www.veribilimiokulu.com/veri-bilimci-olmak-icin-yol-haritasi/

4. T24 - Nasıl Veri Bilimci Olunur: https://t24.com.tr/yazarlar/nehir-gunce-dasci/nasil-veri-bilimci-olunur,28194