Σύμφωνα με έρευνα των HeadHunter και Mail.ru, η ζήτηση για επιστήμονες δεδομένων υπερβαίνει την προσφορά, αλλά ακόμα κι έτσι, οι νέοι ειδικοί δεν καταφέρνουν πάντα να βρουν δουλειά. Σας λέμε τι λείπουν οι απόφοιτοι των μαθημάτων και πού να σπουδάσουν για όσους σχεδιάζουν μια μεγάλη καριέρα στην Επιστήμη των Δεδομένων.
«Έρχονται και πιστεύουν ότι τώρα θα κερδίζουν 500 χιλιάδες ανά δευτερόλεπτο, γιατί ξέρουν τα ονόματα των πλαισίων και πώς να τρέξουν ένα μοντέλο δύο γραμμών από αυτά».
Εμίλ Μαχαράμοφ ηγείται μιας ομάδας υπηρεσιών υπολογιστικής χημείας στο biocad και στις συνεντεύξεις αντιμετωπίζει το γεγονός ότι οι υποψήφιοι δεν έχουν συστηματική κατανόηση του επαγγέλματος. Ολοκληρώνουν μαθήματα, συνοδεύονται από καλά αντλημένα Python και SQL, μπορούν να ανεβάσουν το Hadoop ή το Spark σε 2 δευτερόλεπτα, να ολοκληρώσουν την εργασία σύμφωνα με ένα σαφές TOR. Αλλά την ίδια στιγμή, ένα βήμα στο πλάι δεν υπάρχει πια. Αν και είναι η ευελιξία των λύσεων που περιμένουν οι εργοδότες από τους ειδικούς τους στον τομέα της Επιστήμης Δεδομένων.
Τι συμβαίνει στην αγορά της Επιστήμης Δεδομένων
Οι ικανότητες των νέων επαγγελματιών αντικατοπτρίζουν την κατάσταση στην αγορά εργασίας. Εδώ, η ζήτηση υπερβαίνει σημαντικά την προσφορά, επομένως οι απελπισμένοι εργοδότες είναι συχνά πραγματικά έτοιμοι να προσλάβουν εντελώς πράσινους ειδικούς και να τους αναπτύξουν μόνοι τους. Η επιλογή λειτουργεί, αλλά είναι κατάλληλη μόνο εάν η ομάδα έχει ήδη έναν έμπειρο αρχηγό ομάδας που θα αναλάβει την εκπαίδευση του junior.
Σύμφωνα με μελέτη των HeadHunter και Mail.ru, οι επιστήμονες δεδομένων είναι από τους πιο περιζήτητους στην αγορά:
- Το 2019, υπήρχαν 9,6 φορές περισσότερες κενές θέσεις στον τομέα της ανάλυσης δεδομένων και 7,2 φορές περισσότερες στον τομέα της μηχανικής μάθησης σε σχέση με το 2015.
- Σε σύγκριση με το 2018, ο αριθμός των κενών θέσεων για ειδικούς στην ανάλυση δεδομένων αυξήθηκε κατά 1,4 φορές και για τη μηχανική μάθηση - κατά 1,3 φορές.
- Το 38% των ανοιχτών θέσεων είναι σε εταιρείες πληροφορικής, το 29% σε εταιρείες του χρηματοοικονομικού τομέα και το 9% σε επιχειρηματικές υπηρεσίες.
Η κατάσταση τροφοδοτείται από πολλά διαδικτυακά σχολεία που εκπαιδεύουν τους ίδιους νέους. Βασικά, η εκπαίδευση διαρκεί από τρεις έως έξι μήνες, κατά τη διάρκεια των οποίων οι μαθητές έχουν χρόνο να κατακτήσουν τα κύρια εργαλεία σε βασικό επίπεδο: Python, SQL, ανάλυση δεδομένων, Git και Linux. Η έξοδος είναι ένας κλασικός νεαρός: μπορεί να λύσει ένα συγκεκριμένο πρόβλημα, αλλά εξακολουθεί να μην μπορεί να κατανοήσει το πρόβλημα και να διατυπώσει ανεξάρτητα το πρόβλημα. Ωστόσο, η υψηλή ζήτηση για ειδικούς και η διαφημιστική εκστρατεία γύρω από το επάγγελμα δημιουργούν συχνά υψηλές φιλοδοξίες και απαιτήσεις μισθού.
Δυστυχώς, μια συνέντευξη στο Data Science τώρα συνήθως μοιάζει με αυτό: ο υποψήφιος λέει ότι προσπάθησε να χρησιμοποιήσει μερικές βιβλιοθήκες, δεν μπορεί να απαντήσει σε ερωτήσεις σχετικά με το πώς λειτουργούν οι αλγόριθμοι και μετά ζητά 200, 300, 400 χιλιάδες ρούβλια το μήνα τα χέρια του.
Λόγω του μεγάλου αριθμού διαφημιστικών συνθημάτων όπως «όλοι μπορούν να γίνουν αναλυτές δεδομένων», «master machine learning σε τρεις μήνες και αρχίστε να βγάζετε πολλά χρήματα» και της δίψας για γρήγορο κέρδος, μια τεράστια ροή επιφανειακών υποψηφίων ξεχύθηκε στον τομέα μας χωρίς καμία απολύτως εκπαίδευση συστήματος.
Βίκτωρ Κάντορ
Επικεφαλής Επιστήμονας Δεδομένων στο MTS
Ποιους αναζητούν οι εργοδότες;
Οποιοσδήποτε εργοδότης θα ήθελε οι μικροί του να εργάζονται χωρίς συνεχή επίβλεψη και να μπορούν να αναπτύσσονται υπό την καθοδήγηση ενός αρχηγού ομάδας. Για να γίνει αυτό, ένας αρχάριος πρέπει αμέσως να κατακτήσει τα απαραίτητα εργαλεία για την επίλυση των τρεχόντων προβλημάτων και να έχει επαρκή θεωρητική βάση για να προσφέρει σταδιακά τις δικές του λύσεις και να προσεγγίσει πιο σύνθετα προβλήματα.
Με εργαλεία για αρχάριους στην αγορά, όλα είναι αρκετά καλά. Τα βραχυπρόθεσμα μαθήματα σάς επιτρέπουν να τα κατακτήσετε γρήγορα και να ξεκινήσετε τη δουλειά.
Σύμφωνα με μελέτη των HeadHunter και Mail.ru, η πιο απαιτητική δεξιότητα είναι η γνώση της Python. Αναφέρεται στο 45% των θέσεων εργασίας των επιστημόνων δεδομένων και στο 51% των εργασιών μηχανικής εκμάθησης.
Οι εργοδότες θέλουν επίσης οι επιστήμονες δεδομένων να γνωρίζουν την SQL (23%), να είναι ικανοί στην εξόρυξη δεδομένων (Data Mining) (19%), στα μαθηματικά στατιστικά (11%) και να μπορούν να εργάζονται με μεγάλα δεδομένα (10%).
Οι εργοδότες που αναζητούν ειδικούς μηχανικής μάθησης, μαζί με τη γνώση της Python, αναμένουν από τον υποψήφιο να είναι ικανός σε C ++ (18%), SQL (15%), αλγόριθμους μηχανικής μάθησης (13%) και Linux (11%).
Αλλά αν οι νεώτεροι τα πάνε καλά με τα εργαλεία, τότε οι ηγέτες τους αντιμετωπίζουν ένα άλλο πρόβλημα. Οι περισσότεροι απόφοιτοι μαθημάτων δεν έχουν βαθιά κατανόηση του επαγγέλματος, επομένως είναι δύσκολο για έναν αρχάριο να προχωρήσει.
Αυτήν τη στιγμή αναζητώ ειδικούς μηχανικής εκμάθησης για να ενταχθούν στην ομάδα μου. Ταυτόχρονα, βλέπω ότι συχνά οι υποψήφιοι έχουν κατακτήσει μεμονωμένα εργαλεία Επιστήμης Δεδομένων, αλλά δεν έχουν αρκετά βαθιά κατανόηση των θεωρητικών θεμελίων για να δημιουργήσουν νέες λύσεις.
Εμίλ Μαχαράμοφ
Επικεφαλής του Ομίλου Υπολογιστικών Υπηρεσιών Χημείας, Biocad
Η ίδια η δομή και η διάρκεια των μαθημάτων δεν σας επιτρέπει να προχωρήσετε βαθιά στο απαιτούμενο επίπεδο. Οι απόφοιτοι συχνά στερούνται τις ίδιες μαλακές δεξιότητες που συνήθως παραβλέπονται όταν διαβάζουν μια αγγελία εργασίας. Λοιπόν, αλήθεια, ποιος από εμάς θα πει ότι δεν έχει συστημική σκέψη ή επιθυμία να αναπτυχθεί. Ωστόσο, σε σχέση με έναν Επιστήμονα Δεδομένων, μιλάμε για μια βαθύτερη ιστορία. Εδώ, για να αναπτυχθείτε, χρειάζεστε μια αρκετά ισχυρή προκατάληψη στη θεωρία και την επιστήμη, η οποία είναι δυνατή μόνο κατά τη διάρκεια μακροχρόνιων σπουδών, για παράδειγμα, σε ένα πανεπιστήμιο.
Πολλά εξαρτώνται από το άτομο: εάν ένας μαθητής με καλή βάση στα μαθηματικά και τον προγραμματισμό περάσει ένα τρίμηνο εντατικό μάθημα από δυνατούς δασκάλους με εμπειρία από αρχηγούς ομάδων σε κορυφαίες εταιρείες, εμβαθύνει σε όλο το υλικό του μαθήματος και «απορροφά σαν σφουγγάρι». όπως έλεγαν στο σχολείο, τότε θα υπάρξουν προβλήματα με έναν τέτοιο υπάλληλο αργότερα Όχι. Αλλά το 90-95% των ανθρώπων, για να μάθεις κάτι για πάντα, πρέπει να μάθεις δέκα φορές περισσότερα και να το κάνεις συστηματικά για αρκετά χρόνια στη σειρά. Και αυτό κάνει τα μεταπτυχιακά προγράμματα στην ανάλυση δεδομένων μια εξαιρετική επιλογή για να αποκτήσετε μια καλή βάση γνώσης, με την οποία δεν θα χρειαστεί να κοκκινίζετε στη συνέντευξη και θα είναι πολύ πιο εύκολο να κάνετε τη δουλειά σας.
Βίκτωρ Κάντορ
Επικεφαλής Επιστήμονας Δεδομένων στο MTS
Πού να σπουδάσετε για να βρείτε δουλειά στο Data Science
Υπάρχουν πολλά καλά μαθήματα Επιστήμης Δεδομένων στην αγορά και η αρχική εκπαίδευση δεν αποτελεί πρόβλημα. Αλλά είναι σημαντικό να κατανοήσουμε την κατεύθυνση αυτής της εκπαίδευσης. Εάν ο υποψήφιος έχει ήδη ισχυρό τεχνικό υπόβαθρο, τότε τα εντατικά μαθήματα είναι αυτό που χρειάζεστε. Ένα άτομο θα κατακτήσει τα εργαλεία, θα έρθει στο μέρος και θα το συνηθίσει γρήγορα, γιατί ξέρει ήδη πώς να σκέφτεται σαν μαθηματικός, να βλέπει το πρόβλημα και να διατυπώνει προβλήματα. Εάν δεν υπάρχει τέτοιο υπόβαθρο, τότε μετά το μάθημα θα υπάρχει ένας καλός ερμηνευτής, αλλά με περιορισμένες ευκαιρίες για ανάπτυξη.
Εάν έχετε βραχυπρόθεσμο στόχο να αλλάξετε επάγγελμα ή να βρείτε δουλειά σε αυτήν την ειδικότητα, τότε ορισμένα συστηματικά μαθήματα είναι κατάλληλα για εσάς, τα οποία είναι σύντομα και παρέχουν γρήγορα ένα ελάχιστο σύνολο τεχνικών δεξιοτήτων, ώστε να μπορείτε να πληροίτε τις προϋποθέσεις για ένα βασικό επίπεδο θέση σε αυτόν τον τομέα.
Ιβάν Γιαμσσίκοφ
Ακαδημαϊκός Διευθυντής του Online MSc στην Επιστήμη των Δεδομένων
Το πρόβλημα με τα μαθήματα είναι ότι δίνουν ένα γρήγορο, αλλά ελάχιστο overclocking. Ένα άτομο κυριολεκτικά πετάει στο επάγγελμα και φτάνει γρήγορα στο ταβάνι. Για να μπείτε στο επάγγελμα για μεγάλο χρονικό διάστημα, πρέπει να βάλετε αμέσως μια καλή βάση με τη μορφή ενός πιο μακροπρόθεσμου προγράμματος, για παράδειγμα, σε ένα μεταπτυχιακό πρόγραμμα.
Η τριτοβάθμια εκπαίδευση είναι κατάλληλη όταν καταλαβαίνετε ότι αυτός ο τομέας σας ενδιαφέρει μακροπρόθεσμα. Δεν θέλετε να πάτε στη δουλειά το συντομότερο δυνατό. Και δεν θέλετε να έχετε ανώτατο όριο σταδιοδρομίας και επίσης δεν θέλετε να αντιμετωπίσετε το πρόβλημα της έλλειψης γνώσεων, δεξιοτήτων, έλλειψης κατανόησης του γενικού οικοσυστήματος μέσω του οποίου αναπτύσσονται καινοτόμα προϊόντα. Αυτό απαιτεί μια τριτοβάθμια εκπαίδευση, η οποία όχι μόνο διαμορφώνει το απαραίτητο σύνολο τεχνικών δεξιοτήτων, αλλά επίσης δομεί τη σκέψη σας με διαφορετικό τρόπο και βοηθά στη διαμόρφωση κάποιου οράματος για την καριέρα σας μακροπρόθεσμα.
Ιβάν Γιαμσσίκοφ
Ακαδημαϊκός Διευθυντής του Online MSc στην Επιστήμη των Δεδομένων
Η απουσία ανώτατου ορίου σταδιοδρομίας είναι το κύριο πλεονέκτημα του μεταπτυχιακού προγράμματος. Για δύο χρόνια, ο ειδικός λαμβάνει μια ισχυρή θεωρητική βάση. Έτσι μοιάζει το πρώτο εξάμηνο του προγράμματος NUST MISIS Data Science:
- Εισαγωγή στην Επιστήμη Δεδομένων. 2 εβδομάδες.
- Βασικές αρχές ανάλυσης δεδομένων. Επεξεργασία δεδομένων. 2 εβδομάδες
- Μηχανική μάθηση. Προεπεξεργασία δεδομένων. 2 εβδομάδες
- ΕΔΑ. Ανάλυση δεδομένων νοημοσύνης. 3 εβδομάδες
- Βασικοί αλγόριθμοι μηχανικής μάθησης. P1 + P2 (6 εβδομάδες)
Ταυτόχρονα, μπορείτε επίσης να αποκτήσετε πρακτική εμπειρία στη δουλειά. Τίποτα δεν σας εμποδίζει να πάρετε μια θέση κατώτερης ηλικίας, αφού ο μαθητής έχει κατακτήσει τα απαραίτητα εργαλεία. Απλώς, σε αντίθεση με έναν απόφοιτο μαθημάτων, ο πλοίαρχος δεν σταματά την εκπαίδευσή του σε αυτό, αλλά συνεχίζει να εμβαθύνει στο επάγγελμα. Στο μέλλον, αυτό σας επιτρέπει να αναπτύσσεστε στην Επιστήμη Δεδομένων χωρίς περιορισμούς.
Στην ιστοσελίδα του Πανεπιστημίου Επιστήμης και Τεχνολογίας «MISiS» για όσους θέλουν να εργαστούν στην Επιστήμη των Δεδομένων. Εκπρόσωποι των NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group και Yandex, μιλούν για τα πιο σημαντικά:
- Πώς να βρείτε τη θέση σας στο Data Science;,
- «Είναι δυνατόν να γίνεις επιστήμονας δεδομένων από την αρχή;»,
- «Θα υπάρξει ανάγκη για επιστήμονες δεδομένων σε 2-5 χρόνια;»,
- «Σε ποια καθήκοντα εργάζονται οι επιστήμονες δεδομένων;»,
- "Πώς να χτίσετε μια καριέρα στην Επιστήμη των Δεδομένων;"
Διαδικτυακή μάθηση, δίπλωμα δημόσιας εκπαίδευσης. αποδεκτό μέχρι 10 Αύγουστο.
Πηγή: www.habr.com