Laŭ esploro de HeadHunter kaj Mail.ru, la postulo pri specialistoj en la kampo de Datuma Scienco superas provizon, sed eĉ tiel, junaj specialistoj ne ĉiam sukcesas trovi laboron. Ni diras al vi, kiajn kursajn diplomiĝintojn mankas kaj kie studi por tiuj, kiuj planas grandan karieron en Datuma Scienco.
"Ili venas kaj pensas, ke nun ili gajnos 500k sekundo, ĉar ili scias la nomojn de la kadroj kaj kiel prizorgi modelon de ili en du linioj"
Emil Maharramov li gvidas grupon de komputilkemiaj servoj ĉe biocad kaj dum intervjuoj li estas alfrontita kun la fakto ke kandidatoj ne havas sisteman komprenon de la profesio. Ili kompletigas kursojn, venas kun bone trejnitaj Python kaj SQL, povas instali Hadoop aŭ Spark en 2 sekundoj, kaj plenumi taskon laŭ klara specifo. Sed samtempe ne plu estas paŝo flanken. Kvankam ĝi estas fleksebleco en solvoj, kiujn dungantoj atendas de siaj datumaj specialistoj.
Kio okazas en la datuma merkato
La kompetentecoj de junaj specialistoj reflektas la situacion en la labormerkato. Ĉi tie, postulo signife superas provizon, do senesperaj dungantoj ofte vere pretas dungi tute verdajn specialistojn kaj trejni ilin por si mem. La opcio funkcias, sed taŭgas nur se la teamo jam havas spertan teamgvidanton, kiu transprenos la trejnadon de la junulo.
Laŭ esplorado de HeadHunter kaj Mail.ru, specialistoj pri datuma analizo estas inter la plej postulataj sur la merkato:
- En 2019, estis 9,6 fojojn pli da vakantaĵoj en la kampo de datuma analizo, kaj 7,2 fojojn pli en la kampo de maŝina lernado ol en 2015.
- Kompare kun 2018, la nombro da vakantaĵoj por datumanalizaj specialistoj pliiĝis je 1,4 fojojn, kaj por maŝinlernado specialistoj je 1,3 fojojn.
- 38% de malfermaj vakantaĵoj estas en IT-kompanioj, 29% en financaj sektoroj, kaj 9% en komercaj servoj.
La situacio estas nutrita de multaj interretaj lernejoj, kiuj trejnas tiujn samajn junulojn. Esence, trejnado daŭras de tri ĝis ses monatoj, dum kiuj studentoj sukcesas regi la ĉefajn ilojn je baza nivelo: Python, SQL, datuma analizo, Git kaj Linukso. La rezulto estas klasika junulo: li povas solvi specifan problemon, sed tamen ne povas kompreni la problemon kaj formuli la problemon memstare. Tamen, la alta postulo je specialistoj kaj la furoraĵo ĉirkaŭ la profesio ofte kaŭzas altajn ambiciojn kaj salajropostulojn.
Bedaŭrinde, intervjuoj en Data Science nun kutime aspektas jene: la kandidato diras, ke li provis uzi kelkajn bibliotekojn, ne povas respondi demandojn pri kiel precize funkcias la algoritmoj, tiam petas 200, 300, 400 mil rubloj monate en la mano.
Pro la granda nombro da reklamaj sloganoj kiel "ĉiu ajn povas fariĝi datuma analizisto", "maŝinlernado en tri monatoj kaj komenci gajni multan monon" kaj la soifo je rapida mono, grandega fluo de supraĵaj kandidatoj verŝis en nian. kampo kun absolute neniu sistema trejnado.
Viktoro Kantor
Ĉefa Datumsciencisto ĉe MTS
Kiun dungantoj atendas?
Ĉiu dunganto ŝatus, ke ĝiaj junuloj laboru sen konstanta superrigardo kaj povu disvolviĝi sub gvido de teamgvidanto. Por fari tion, komencanto devas tuj posedi la necesajn ilojn por solvi aktualajn problemojn, kaj havi sufiĉan teorian bazon por iom post iom proponi siajn proprajn solvojn kaj alproksimiĝi al pli kompleksaj problemoj.
Novuloj sur la merkato fartas sufiĉe bone kun siaj iloj. Mallongatempaj kursoj permesas vin rapide regi ilin kaj eklabori.
Laŭ esplorado de HeadHunter kaj Mail.ru, la plej postulata kapablo estas Python. Ĝi estas menciita en 45% de datumsciencvakantaĵoj kaj 51% de maŝinlernado vakantaĵoj.
Dungantoj ankaŭ volas, ke datumaj analizistoj sciu SQL (23%), datumminadon (19%), matematikajn statistikojn (11%) kaj povi labori kun grandaj datumoj (10%).
Dungantoj serĉantaj specialistojn pri maŝinlernado atendas ke kandidato estas scipova pri C++ (18%), SQL (15%), maŝinlernado-algoritmoj (13%) kaj Linukso (11%) krom scio pri Python.
Sed se junuloj fartas bone kun la iloj, tiam iliaj administrantoj alfrontas alian problemon. Plej multaj kursdiplomiĝintoj ne havas profundan komprenon pri la profesio, kio malfaciligas al komencanto progresi.
Mi nuntempe serĉas specialistojn pri maŝinlernado por aliĝi al mia teamo. Samtempe mi vidas, ke kandidatoj ofte regis iujn ilojn pri Datumscienco, sed ili ne havas sufiĉe profundan komprenon pri la teoriaj fundamentoj por krei novajn solvojn.
Emil Maharramov
Estro de Komputila Kemio Servogrupo, Biocad
La strukturo kaj daŭro de la kursoj ne permesas vin pli profundiĝi al la bezonata nivelo. Diplomiĝintoj ofte malhavas tiujn tre molajn kapablojn, kiuj kutime mankas dum legado de laborposteno. Nu, vere, kiu inter ni diros, ke li ne havas sisteman pensadon nek la deziron disvolviĝi. Tamen, rilate al specialisto pri Data Science, ni parolas pri pli profunda rakonto. Ĉi tie, por disvolviĝi, vi bezonas sufiĉe fortan antaŭjuĝon en teorio kaj scienco, kio eblas nur per longdaŭra studado, ekzemple, en universitato.
Multe dependas de la persono: se trimonata intensa kurso de fortaj instruistoj kun sperto kiel teamgvidantoj en ĉefaj kompanioj estas finita de studento kun bona fono pri matematiko kaj programado, enprofundiĝas en ĉiujn kursmaterialojn kaj "sorbiĝas kiel spongo". ,” kiel ili diris en la lernejo, tiam estos problemoj kun tia oficisto poste Nr. Sed 90-95% de homoj, por lerni ion por ĉiam, bezonas lerni dekoble pli kaj fari ĝin sisteme dum pluraj jaroj sinsekve. Kaj ĉi tio faras majstrajn programojn pri datuma analizo bonega eblo por akiri bonan bazon de scio, per kiu vi ne devos ruĝiĝi ĉe intervjuo, kaj estos multe pli facile fari la laboron.
Viktoro Kantor
Ĉefa Datumsciencisto ĉe MTS
Kie studi por trovi laboron en Datuma Scienco
Estas multaj bonaj kursoj pri Datumscienco sur la merkato kaj akiri komencan edukadon ne estas problemo. Sed gravas kompreni la fokuson de ĉi tiu edukado. Se la kandidato jam havas fortan teknikan fonon, tiam intensaj kursoj estas tio, kion ili bezonas. Homo regos la ilojn, venos al la loko kaj rapide kutimiĝos al ĝi, ĉar li jam scias pensi kiel matematikisto, vidi problemon kaj formuli problemojn. Se ne ekzistas tia fono, tiam post la kurso vi estos bona interpretisto, sed kun limigitaj ŝancoj por kresko.
Se vi alfrontas la mallongdaŭran taskon ŝanĝi profesion aŭ trovi laboron en ĉi tiu fako, tiam iuj sistemaj kursoj taŭgas por vi, kiuj estas mallongaj kaj rapide provizas minimuman aron da teknikaj kapabloj por ke vi povu kvalifiki por vi. enirnivela pozicio en ĉi tiu kampo.
Ivan Jamŝĉikov
Akademia Direktoro de la reta majstra programo "Data Scienco"
La problemo kun la kursoj estas ĝuste ke ili provizas rapidan sed minimuman akcelon. Homo laŭvorte flugas en la profesion kaj rapide atingas la plafonon. Por eniri la profesion dum longa tempo, vi devas tuj meti bonan fundamenton en la formo de longdaŭra programo, ekzemple magistro.
Supera edukado taŭgas kiam vi komprenas, ke ĉi tiu kampo interesas vin longtempe. Vi ne deziras eklabori kiel eble plej baldaŭ. Kaj vi ne volas havi karieran plafonon; vi ankaŭ ne volas alfronti la problemon de manko de scio, kapabloj, manko de kompreno de la ĝenerala ekosistemo kun la helpo de kiu pioniraj produktoj estas evoluigitaj. Por tio, vi bezonas altlernejon, kiu ne nur kreas la necesan aron da teknikaj kapabloj, sed ankaŭ strukturas vian pensadon alimaniere kaj helpas vin formi ian vizion de via kariero por pli longa tempo.
Ivan Jamŝĉikov
Akademia Direktoro de la reta majstra programo "Data Scienco"
La foresto de kariera plafono estas la ĉefa avantaĝo de la majstra programo. En du jaroj, specialisto ricevas potencan teorian bazon. Jen kiel aspektas la unua semestro en la Datenscienco-programo ĉe NUST MISIS:
- Enkonduko al Datenscienco. 2 semajnoj.
- Bazoj de analizo de datumoj. Prilaborado de datumoj. 2 semajnoj
- Maŝina lernado. Antaŭtraktado de datumoj. 2 semajnoj
- EDA. Analizo de datumoj de inteligenteco. 3 semajnoj
- Bazaj maŝinlernado-algoritmoj. Ch1 + Ch2 (6 semajnoj)
Samtempe, vi povas samtempe akiri praktikan sperton ĉe la laboro. Nenio malhelpas vin akiri junioran postenon tuj kiam la studento regas la necesajn ilojn. Sed, male al kursdiplomito, magistro ne ĉesas tie siajn studojn, sed daŭre enprofundiĝas en la profesion. Estontece, ĉi tio permesas vin disvolvi en Datuma Scienco sen limigoj.
En la retejo de la Universitato de Scienco kaj Teknologio "MISiS" por tiuj, kiuj volas labori en Datuma Scienco. Reprezentantoj de NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group kaj Yandex, mi rakontos al vi pri la plej gravaj aferoj:
- "Kiel trovi vian lokon en Datuma Scienco?",
- "Ĉu eblas fariĝi datuma sciencisto de nulo?",
- "Ĉu la bezono de datumsciencistoj ankoraŭ ekzistos en 2-5 jaroj?"
- "Pri kiuj problemoj laboras datumsciencistoj?"
- "Kiel konstrui karieron en Datuma Scienco?"
Interreta trejnado, diplomo pri publika edukado. akceptita ĝis 10 Aug.
fonto: www.habr.com