Ressourcen

Für neugierige Kinder und die Erwachsenen, die mit ihnen auf Entdeckungsreise gehen.

• NASA Space Place: Weltraum- und Erdwissenschaften für Kinder von der US-Raumfahrtbehörde NASA, als Spiele, Bastelideen und kurze Texte.
• NASA Citizen Science: zur Forschung der NASA beitragen, von der Suche nach Exoplaneten bis zur Frage, wie Menschen im All gut leben können.
• SciStarter: Citizen-Science-Projekte, bei denen alle mitmachen können (siehe auch Zooniverse).
• NASA STEM Engagement: Mitmachangebote aus Mathematik, Informatik, Naturwissenschaften und Technik (MINT) sowie der Newsletter NASA EXPRESS.
• Scratch: eine kostenlose, visuelle erste Programmiersprache, ergänzt durch Code.org mit angeleiteten Lektionen.

Erste Schritte in Statistik, Datenanalyse und Programmierung.

• Seeing Theory: eine visuelle, interaktive Einführung in Wahrscheinlichkeitsrechnung und Statistik.
• StatQuest: die klaren, zugänglichen Erklärvideos von Josh Starmer zu Statistik und maschinellem Lernen.
• OpenIntro: kostenlose, offen lizenzierte Statistiklehrbücher.
• Khan Academy: Statistics and Probability: kostenlose Lektionen und Übungen von Grund auf.
• CS50: die kostenlose Einführung der Harvard University in die Informatik und eine gute Ergänzung zum Kurs des MIT Introduction to Computer Science and Programming in Python.

R und Stata lernen, die eigene Arbeit reproduzierbar halten und in der Forschung Fuß fassen.

• R for Data Science: das kostenlose Onlinebuch von Wickham, Çetinkaya-Rundel und Grolemund.
• R Programming: der Kurs der Johns Hopkins Biostatistik auf Coursera, ergänzt durch Posit Recipes mit kurzen Programmierübungen.
• Learning Stata: offizielle und von der Community erstellte Materialien sowie die Videotutorials von Stata.
• gtsummary: publikationsreife Übersichtstabellen in R, von Tabelle 1 an.
• Happy Git and GitHub for the useR: Jenny Bryans praktischer Leitfaden zur Versionskontrolle.
• The Carpentries: praxisnahe Lektionen zu Programmier- und Datenkompetenzen.
• Zotero: ein kostenloses Literaturverwaltungsprogramm, das sich in Word und Google Docs einbinden lässt.
• How to Be a Modern Scientist: Jeff Leeks Leitfaden (Preis nach eigenem Ermessen) zu den Seiten der Forschung, die einem niemand beibringt.
• Dealing with impostor syndrome in graduate school: ehrliche Ratschläge von John Muschelli zum Hochstapler-Syndrom.

Als ich nach mehreren Praktika meine erste Stelle als Data Scientist antrat, habe ich meine Erfahrungen mit Dataquest und in einem Gastbeitrag für Forbes geteilt, und dazu rate ich bis heute.

• Zuerst die Grundlagen. Kostenlose Kurse bringen einen weit: die beiden oben genannten Informatik-Einführungen, das Programm MIT Statistics and Data Science des MIT und Andrew Ngs Machine Learning Specialization. Lernen Sie früh die Kommandozeile und Git.
• Praktika und Forschungsstellen ernst nehmen. Meine erste Vollzeitstelle ergab sich aus einem Praktikum, in dem ich mehr geleistet habe, als verlangt war.
• Ein kleines Portfolio genügt. Vier Projekte, die Tiefe und Bandbreite zeigen, reichen aus: sauberer, kommentierter und versionierter Code, zu jedem Projekt eine schriftliche Erläuterung, mindestens eines, das mit Daten eine Geschichte erzählt, und eines, das Sie bereitgestellt haben, etwa eine Programmierschnittstelle (API), eine Shiny-App oder ein Dashboard. Routinemäßige Hausaufgaben gehören nicht hinein.
• Zeigen Sie Ihre Arbeit dort, wo man sie findet. Eine eigene Website und ein GitHub-Profil leisten das meiste. GitHub Pages hostet eine Website kostenlos, und Julia Silges Website ist ein gutes Vorbild.
• Bewerben Sie sich, bevor Sie sich bereit fühlen. Wenn Sie etwa die Hälfte der Anforderungen einer Ausschreibung erfüllen, lohnt sich die Bewerbung.
• Zuerst über Menschen suchen. In dieser Reihenfolge: Personalvermittlung, dann Freundeskreis, Familie und Kollegium, dann Karrieremessen, dann allgemeine Jobbörsen, Unternehmenswebsites und zuletzt spezialisierte Tech-Jobbörsen. Wenn Sie jemanden kontaktieren, beginnen Sie damit, wie Sie dem Team helfen könnten.
• An der Kommunikation so intensiv arbeiten wie am Code. Eine Analyse wirkt nur so weit, wie andere sie verstehen und danach handeln können.
• Dataquest Data Science Career Guide: der ausführlichere Leitfaden, in dem mein Interview erschienen ist, zu Berufsbildern, Lebensläufen, Portfolios und Vorstellungsgesprächen.

Einige Favoriten aus der Ressourcenliste, die ich für die Privacy and Confidentiality Interest Group der American Statistical Association (ASA) zusammengestellt habe; dort finden Sie die vollständige Liste mit Artikeln, Büchern sowie R- und Python-Paketen.

• Protecting Your Privacy in a Data-Driven World: Claire McKay Bowens kurzes, gut lesbares Buch für ein breites Publikum.
• How Statisticians Should Grapple with Privacy in a Changing Data Landscape: Joshua Snoke und Claire McKay Bowen in CHANCE.
• Statistical Data Privacy: A Song of Privacy and Utility: der Übersichtsartikel von Aleksandra Slavković und Jeremy Seeman.
• Policy Impacts of Statistical Uncertainty and Privacy: Steed und weitere Mitwirkende in Science darüber, was Datenschutz im US-Zensus für Förderentscheidungen bedeutet.
• synthpop: ein R-Paket zur Erzeugung synthetischer Versionen sensibler Mikrodaten.
• OpenDP: eine Open-Source-Bibliothek mit Algorithmen für Differential Privacy, neben den Differential-Privacy-Bibliotheken von Google.

Werkzeuge und Communities für Arbeit, die andere prüfen und wiederverwenden können.

• Posit: die integrierte Entwicklungsumgebung (IDE) RStudio, Quarto und die Werkzeuge rund um beide.
• rOpenSci: begutachtete, von der Community entwickelte Forschungssoftware (ebenso das Schwesterprojekt pyOpenSci).
• R-Ladies: ein weltweites Netzwerk lokaler R-Meetups, Lerngruppen und Workshops.
• forkflow: mein eigenes R-Paket samt frei zugänglichem Buch für Spezifikationsanalysen und Vibration-of-Effects-Analysen.
• Chris Albon’s notes: eine große, durchsuchbare Sammlung von Codebeispielen zu Python, maschinellem Lernen und Statistik.