HeadHunter eta Mail.ru-k egindako ikerketen arabera, datu-zientzialarien eskariak eskaintza gainditzen du, baina hala ere, espezialista gazteek ez dute beti lan bat aurkitzea lortzen. Ikastaroetako graduatuei zer falta zaien eta non ikasi Datu Zientzian karrera handia planifikatzen ari direnentzat esaten dizuegu.
"Etortzen dira eta pentsatzen dute orain 500k irabaziko dutela segundoko, badakitelako markoen izenak eta haietatik bi lerroko modelo bat nola exekutatu"
Emil Maharramov Kimika konputazionalaren zerbitzu talde bat zuzentzen du biocad-en eta elkarrizketetan hautagaiek lanbidearen ulermen sistematikorik ez izatearen aurrean dago. Ikastaroak osatzen dituzte, ondo ponpatutako Python eta SQLrekin datoz, Hadoop edo Spark igo ditzakete 2 segundotan, zeregina TOR argi baten arabera osatu. Baina, aldi berean, alborako urrats bat jada ez dago. Enpresaburuek Datu Zientzien arloko espezialistengandik espero duten irtenbideen malgutasuna den arren.
Zer gertatzen ari den Data Science merkatuan
Profesional gazteen gaitasunek lan-merkatuaren egoera islatzen dute. Hemen, eskariak eskaintza nabarmen gainditzen du, beraz, etsitako enplegatzaileak benetan prest daude sarritan espezialista guztiz berdeak kontratatzeko eta beraiek hazteko. Aukera funtzionatzen ari da, baina bakarrik egokia da taldeak dagoeneko eskarmentu handiko taldeburu bat badu, eta horrek juniorren entrenamendua hartuko du bere gain.
HeadHunter eta Mail.ru-k egindako ikerketa baten arabera, datu-zientzilariak merkatuan gehien eskatzen direnen artean daude:
- 2019an, datuen analisiaren alorrean 9,6 aldiz plaza gehiago zeuden, eta 7,2ean baino 2015 aldiz gehiago ikaskuntza automatikoaren arloan.
- 2018arekin alderatuta, datuen analisiko espezialisten lanpostuen kopurua 1,4 aldiz handitu da, eta ikaskuntza automatikoarena, berriz, 1,3 aldiz.
- Irekitako lanpostuen %38 informatika-enpresetan daude, %29 finantza-sektoreko enpresetan, eta %9 enpresa-zerbitzuetan.
Egoera gazte horiek trebatzen dituzten lineako ikastetxe ugarik bultzatzen dute. Funtsean, hiru eta sei hilabete bitartekoa izaten da prestakuntza, eta horietan ikasleek oinarrizko mailan tresna nagusiak menperatzeko denbora dute: Python, SQL, datuen analisia, Git eta Linux. Irteera junior klasikoa da: arazo zehatz bat ebatzi dezake, baina oraindik ezin du arazoa ulertu eta arazoa modu independentean formulatu. Hala ere, lanbidearen inguruko espezialisten eta hype-eskari handiak askotan anbizio eta soldata eskakizun handiak sortzen ditu.
Zoritxarrez, Data Science-n egindako elkarrizketak honelakoa izan ohi da orain: hautagaiak dio liburutegi pare bat erabiltzen saiatu zela, ezin dituela erantzun algoritmoen funtzionamenduari buruzko galderak, eta hilean 200, 300, 400 mila errublo eskatzen ditu. bere eskuak .
βGuztiok datu analista bihur daitekeβ, βhiru hilabetetan ikaskuntza automatikoa menperatu eta diru asko irabazten hasiβ bezalako publizitate eslogan ugarien ondorioz, eta irabazi azkarren egarriaren ondorioz, azaleko hautagaien jario izugarria isuri zen gure eremura. sistemaren prestakuntzarik gabe.
Victor Kantor
MTSko datu-zientzialari nagusia
Noren bila ari dira enpresariak?
Edozein enpresaburuk nahiko luke bere gazteek etengabeko gainbegiratzerik gabe lan egitea eta taldeburu baten gidaritzapean garatzeko gai izatea. Horretarako, hasiberriak berehala menderatu behar ditu egungo arazoak konpontzeko beharrezko tresnak, eta oinarri teoriko nahikoa eduki behar du pixkanaka bere konponbideak eskaintzeko eta arazo konplexuagoetara hurbiltzeko.
Merkatuan hasiberrientzako tresnekin, dena nahiko ona da. Iraupen laburreko ikastaroek azkar menderatu eta lanean hasteko aukera ematen dute.
HeadHunter eta Mail.ru-k egindako ikerketa baten arabera, gehien eskatzen den trebetasuna Python-en ezagutza da. Datu-zientzialarien lanpostuen %45ean eta ikasketa automatikoko lanetan %51ean aipatzen da.
Enpresaburuek ere nahi dute datu-zientzialariek SQL ezagutzea (%23), datuen meatzaritza (Data Mining) (%19), estatistika matematikoa (%11) eta big datarekin lan egiteko gai izatea (%10).
Ikaskuntza automatikoko espezialistak bilatzen dituzten enplegatzaileek, Python-en ezagutzarekin batera, hautagaia C ++ (% 18), SQL (% 15), ikaskuntza automatikoko algoritmoen (% 13) eta Linux (% 11) trebea izatea espero dute.
Baina jubenilak erremintekin ondo ari badira, beste arazo bat dute euren liderrak. Ikastaroetako graduatu gehienek ez dute lanbidearen ulermen sakonik, beraz, zaila da hasiberriarentzat aurrera egitea.
Gaur egun, ikaskuntza automatikoko espezialistak bilatzen ari naiz nire taldean sartzeko. Aldi berean, ikusten dut sarritan hautagaiek banakako Datu Zientzien tresnak menperatzen dituztela, baina ez dituztela konponbide berriak sortzeko oinarri teorikoen ezagutza sakonik.
Emil Maharramov
Kimika Konputazionalaren Zerbitzuen Taldeko burua, Biocad
Ikastaroen egiturak eta iraupenek ez dute eskatzen den mailan sakontzen uzten. Lizentziatuek sarritan lan-eskaintza bat irakurtzean ahaztu egiten diren gaitasun bigunak ez dituzte. Tira, benetan, gure artean nork esango du ez duela pentsamendu sistemikorik edo garatzeko gogorik. Hala ere, Data Scientist bati dagokionez, istorio sakonago bati buruz ari gara. Hemen, garatzeko, teorian eta zientzian alborapen nahiko sendoa behar duzu, epe luzeko ikasketetan soilik posible dena, adibidez, unibertsitate batean.
Pertsonaren araberakoa da asko: matematika eta programazioan oinarri ona duen ikasle batek hiru hilabeteko ikastaro trinko bat gainditzen badu goi mailako enpresetan talde-buruen esperientzia duten irakasle indartsuen eskutik, ikastaroko material guztietan sakontzen badu eta "esponja bat bezala xurgatzen" bada. eskolan esaten zuten bezala, orduan horrelako langile batekin arazoak izango dira gero Ez. Baina pertsonen %90-95ek, betirako zerbait ikasteko, hamar aldiz gehiago ikasi behar duzu eta sistematikoki egin hainbat urtez jarraian. Eta horrek datuen analisiko master programak aukera bikaina bihurtzen ditu ezagutza oinarri on bat lortzeko, eta horrekin ez duzu elkarrizketan gorritu beharrik izango, eta askoz errazagoa izango da zure lana egitea.
Victor Kantor
MTSko datu-zientzialari nagusia
Non ikasi Data Science-n lana aurkitzeko
Merkatuan Datu Zientzien ikastaro on asko daude eta hasierako hezkuntza bat lortzea ez da arazorik. Baina garrantzitsua da hezkuntza honen nondik norakoak ulertzea. Hautagaiak aurrekari tekniko sendoak baditu dagoeneko, ikastaro trinkoak dira behar duzuna. Pertsona batek tresnak menperatzen ditu, tokira etorri eta horretara azkar ohituko da, dagoeneko badakielako matematikari bat bezala pentsatzen, arazoa ikusten eta problemak formulatzen. Horrelako aurrekaririk ez badago, ikastaroaren ostean errendimendu ona izango da, baina hazteko aukera mugatuekin.
Lanbidez aldatzea edo espezialitate honetan lana aurkitzea epe laburreko helburua baduzu, ikastaro sistematiko batzuk egokiak dira zuretzat, laburrak eta azkar gutxieneko trebetasun teknikoak eskaintzen dituztenak, hasiera-mailarako sailkatu ahal izateko. eremu honetan posizioa.
Ivan Yamschikov
Datuen Zientziako Online Masterreko zuzendari akademikoa
Ikastaroen arazoa overclocking azkarra, baina minimoa ematen dutela da. Pertsona bat literalki lanbidera hegan egiten du eta azkar sabaira iristen da. Lanbidean denbora luzez sartzeko, berehala oinarri on bat ezarri behar duzu epe luzeagoko programa baten moduan, adibidez, master programa batean.
Goi-mailako hezkuntza egokia da arlo hau epe luzerako interesatzen zaizula ulertzen duzunean. Ez duzu lanera ahalik eta azkarren joan nahi. Eta ez duzu lanbide-sabairik izan nahi, eta, gainera, ez diozu aurre egin nahi produktu berritzaileak garatzen dituen ekosistema orokorraren ezagutza, trebetasun eta ulermen ezaren arazoari. Horrek goi-mailako ikasketak behar ditu, eta horrek beharrezko gaitasun teknikoen multzoa osatzen ez ezik, zure pentsamendua beste modu batean egituratzen du eta epe luzeagoan zure karreraren ikuspegia osatzen laguntzen du.
Ivan Yamschikov
Datuen Zientziako Online Masterreko zuzendari akademikoa
Karrerako sabairik ez izatea da masterreko programaren abantaila nagusia. Bi urtez, espezialistak oinarri teoriko indartsua jasotzen du. Hau da NUST MISIS Data Science programaren lehen seihilekoa nolakoa den:
- Datuen Zientziarako Sarrera. 2 aste.
- Datuen analisiaren oinarriak. Datuen tratamendua. 2 aste
- Ikaskuntza automatikoa. Datuen aurreprozesatzea. 2 aste
- EDA. Adimen datuen analisia. 3 aste
- Ikaskuntza automatikoko oinarrizko algoritmoak. P1 + P2 (6 aste)
Aldi berean, lanean esperientzia praktikoa ere lor dezakezu. Ezerk ez dizu eragozten junior postu bat lortzea, ikasleak beharrezko tresnak menderatu ondoren. Hau da, graduondoko kurtsoetan ez bezala, maisuak ez du horretan ikasketak gelditzen, baizik eta lanbidean sakontzen jarraitzen du. Etorkizunean, datu-zientzian murrizketarik gabe garatzeko aukera ematen du.
"MISiS" Zientzia eta Teknologia Unibertsitatearen webgunean Data Sciencen lan egin nahi dutenentzat. NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group eta Yandex-en ordezkariek garrantzitsuenei buruz hitz egiten dute:
- Nola aurkitu zure lekua Data Science-n?,
- "Posible al da hutsetik datuen zientzialari bihurtzea?",
- "2-5 urte barru datu-zientzialarien beharra izango al da?",
- "Zein zereginetan ari dira lanean datu-zientzialariek?",
- "Nola eraiki karrera bat Datu Zientzian?"
Lineako ikaskuntza, hezkuntza publikoko diploma. arte onartua 10 abuztuaren.
Iturria: www.habr.com