原文：
www.kdnuggets.com/2021/11/waste-time-building-data-science-network.html
评论
由Aron Visuals拍摄，发布在Unsplash。
对于定期阅读我文章的人来说，你可能会认为我是地球上最矛盾的人。我不怪你。
我最近注意到，在与人进行口头或书面互动时，我对我所交流的对象做出了许多假设。我没有在明确说明我所说的内容之前定义非常重要的方面，这在不同的上下文中可能会稀释我想表达的实际信息。
最近，我写了一篇关于如何通过网络简化进入数据科学初期阶段的文章。回应这篇文章，我在 LinkedIn 上收到了许多连接请求，他们希望与我建立联系，以便扩展他们的职业网络。
别误会，我并不介意人们与我建立联系。事实上，我在每篇文章的结尾都鼓励这样做。我非常感激自己处于这样一个人们希望与我联系并关注我在数据科学旅程中的位置。我分享我的经历是希望表达作为数据科学家或自由职业者的现实，因为我们都在努力成为不可或缺的人。
说得直接一点…
网络建设是浪费时间！
哎呀，我又来了。让我解释一下…我们所知的网络建设，或者我们被告知的方式，已经完全过时。
事实上，我还没有想出一个足够好的名字来描述什么是真正的网络建设，因此我仍然提到*“真正的网络建设”*作为网络建设。
构建数据科学网络是很有可能浪费时间的。以下是其表现形式；
-
随意与那些工作描述中有“数据科学家”的人建立联系。
-
单纯追求个人利益——例如，一份工作。
-
为未来机会建立联系——也就是说，我正在学习数据科学，但也许有一天我们可以一起合作一个项目。
在我看来，这种形式的网络建设不算真正的网络建设。这完全是个废物，浪费时间。
这是我对网络建设的看法…
如果你正在做一些有趣的事情，就会总有一些人想要认识你。
简单明了。
为什么人们想见伊隆·马斯克？如果你说是因为他是亿万富翁，那你又一次陷入了陷阱。这是错误的心态。如果你想着他的亿万财富，说明你在考虑对你有什么好处。这是索取者的心态。
人们想见伊隆·马斯克是因为他做出人们想要的东西。他是一个解决问题的人，他是被需要的！
如果你试图为了上述 3 个原因中的任何一个建立网络，那么你绝对是在浪费时间——这些时间本可以用来创建一些有趣的东西，让人们想要了解你。
如果你看看在 LinkedIn 上讨论数据科学的热门人物，你会看到我在说什么；
-
维尼特·瓦希斯塔 — 建立围绕数据科学最佳实践的心态。这包括从生产中的机器学习到招聘的所有内容。
-
哈普里特·萨霍塔 — 建立一个数据科学家各级别的社区，在这里他们可以安全地分享经验和提问。他还建立了一个播客，采访一些在数据科学领域非常有趣的人，以及一些与该领域完全无关的人。
-
凯特·斯特拉赫尼 — 建立一个数据讲述者的社区。这包括教育人们如何利用数据成为更好的讲述者。
列表还在继续…
我知道你在阅读我分享的名字列表时在想什么——
“这些人都在这个领域待了多年”。
这确实很真实… 每个建筑必须从某个地方开始。
本质上，当我提到网络建设时，我是在说你应该专注于创造人们想要的东西。做一个创造者。这样，合适的人才会来找到你。
根据我的观察，最让我记住的那些与我建立联系的人，都是因为以下原因；
-
他们希望跟上我分享的内容
-
他们对我正在创作的内容有一个经过充分研究的问题
-
他们有一个他们认为对我们双方都有价值的机会
这并不是说我没有遇到过向我询问工作和其他不在这个列表上的事情的人，我有。但这些人很快就会消失。
在我看来，如果你发现自己试图在线与某人建立联系，而不符合这 3 个原因中的任何一个，那么我建议你当场自省。无论你做什么或说什么，都可能显得急切，并可能在关系开始之前就把它破坏掉。
如果你真的想建立一个强大的网络，合适的人会在你决定开始创造的那一刻找到你。
开始创作，你不必像我一样从博客开始；你有很多不同的方法来创造别人想要的东西。
-
项目
-
摘要
-
案例研究
-
视频博客/博客
-
分享高排名的竞赛解决方案
-
将研究论文转化为代码
这些想法不必从细节入手。重要的是你开始创作并分享你所创作的内容——最终，合适的人会来找你。
成为创作者并在线分享你的工作，起初可能会感到令人畏惧，特别是如果你像我一样天生内向——克服这个问题的开始是分享一件事，然后不断前进。如果你希望建立一个强大而健康的网络，重要的是你要以创作者的身份来尝试——从那时起，一切都会自然而然地到来。
通过 LinkedIn 和 Twitter 与我保持联系，了解有关数据科学、人工智能和自由职业的最新动态。
个人简介: Kurtis Pykes 是一名机器学习工程师，是 Towards Data Science 的顶级作家，也是 Upwork 的顶级自由职业者。关注他的 Medium 博客。
原文。经授权转载。
相关：
-
数据科学家和机器学习工程师的区别
-
如何在 8 个月内提升我的数据科学技能
-
最重要的数据科学项目