شروع سریع و سقف کم. آنچه در انتظار متخصصان جوان علوم داده در بازار کار است

بر اساس تحقیقات HeadHunter و Mail.ru، تقاضا برای متخصصان در زمینه علم داده از عرضه بیشتر است، اما با این وجود، متخصصان جوان همیشه موفق به یافتن کار نمی شوند. ما به شما می‌گوییم فارغ‌التحصیلان چه رشته‌ای را از دست داده‌اند و برای کسانی که در حال برنامه‌ریزی حرفه‌ای بزرگ در علم داده هستند، کجا تحصیل کنید.

"آنها می آیند و فکر می کنند که اکنون 500 هزار در ثانیه درآمد خواهند داشت، زیرا نام فریمورک ها و نحوه اجرای یک مدل از آنها را در دو خط می دانند."

امیل محرموف او گروهی از خدمات شیمی محاسباتی را در biocad رهبری می کند و در طول مصاحبه با این واقعیت روبرو می شود که داوطلبان درک سیستماتیکی از این حرفه ندارند. آنها دوره ها را کامل می کنند، با پایتون و SQL به خوبی آموزش دیده می آیند، می توانند Hadoop یا Spark را در 2 ثانیه نصب کنند و یک کار را مطابق با مشخصات واضح انجام دهند. اما در عین حال دیگر قدمی به کناری نیست. اگرچه این انعطاف پذیری در راه حل ها است که کارفرمایان از متخصصان علوم داده خود انتظار دارند.

آنچه در بازار علم داده اتفاق می افتد

شایستگی های متخصصان جوان نشان دهنده وضعیت بازار کار است. در اینجا، تقاضا به طور قابل توجهی از عرضه بیشتر است، بنابراین کارفرمایان ناامید اغلب واقعاً آماده هستند تا متخصصان کاملاً سبز را استخدام کنند و آنها را برای خود آموزش دهند. این گزینه کار می کند، اما تنها زمانی مناسب است که تیم از قبل یک رهبر تیم با تجربه داشته باشد که آموزش جوانان را بر عهده بگیرد.

بر اساس تحقیقات HeadHunter و Mail.ru، متخصصان تجزیه و تحلیل داده ها از جمله بیشترین تقاضاها در بازار هستند:

• در سال 2019، 9,6 برابر بیشتر از سال 7,2 در زمینه تحلیل داده ها و 2015 برابر بیشتر در زمینه یادگیری ماشین جای خالی وجود داشت.
• در مقایسه با سال 2018، تعداد جای خالی متخصصان تجزیه و تحلیل داده ها 1,4 برابر و برای متخصصان یادگیری ماشینی 1,3 برابر افزایش یافته است.
• 38 درصد از مشاغل آزاد در شرکت های فناوری اطلاعات، 29 درصد در شرکت های بخش مالی و 9 درصد در خدمات تجاری است.

این وضعیت توسط مدارس آنلاین متعددی تقویت می شود که همان جوانان را آموزش می دهند. اساساً، آموزش از سه تا شش ماه طول می کشد و در طی آن دانش آموزان موفق می شوند ابزارهای اصلی را در سطح پایه تسلط یابند: Python، SQL، تجزیه و تحلیل داده ها، Git و Linux. نتیجه یک جونیور کلاسیک است: او می تواند یک مشکل خاص را حل کند، اما هنوز نمی تواند مشکل را درک کند و به تنهایی مشکل را فرموله کند. با این حال، تقاضای زیاد برای متخصصان و هیاهوی این حرفه اغلب به جاه‌طلبی‌ها و نیازهای حقوقی بالا منجر می‌شود.

متأسفانه، مصاحبه‌ها در Data Science اکنون معمولاً به این صورت است: نامزد می‌گوید که سعی کرده از چند کتابخانه استفاده کند، نمی‌تواند به سؤالات درباره نحوه عملکرد الگوریتم‌ها پاسخ دهد، سپس از 200، 300، 400 هزار روبل در ماه درخواست می‌کند.

با توجه به تعداد زیاد شعارهای تبلیغاتی مانند "هرکسی می تواند تحلیلگر داده شود"، "در سه ماه به یادگیری ماشینی مسلط شوید و شروع به کسب درآمد زیاد کنید" و عطش پول سریع، جریان عظیمی از نامزدهای سطحی به ما سرازیر شده است. میدانی بدون آموزش سیستماتیک

ویکتور کانتور
دانشمند ارشد داده در MTS

کارفرمایان منتظر چه کسانی هستند؟

هر کارفرمایی دوست دارد جوانانش بدون نظارت مستمر کار کنند و بتوانند تحت هدایت یک رهبر تیم پیشرفت کنند. برای انجام این کار، یک مبتدی باید فوراً ابزارهای لازم برای حل مشکلات فعلی را در اختیار داشته باشد و مبنای نظری کافی برای ارائه تدریجی راه حل های خود و رویکرد به مسائل پیچیده تر داشته باشد.

تازه واردان در بازار با ابزارهای خود بسیار خوب عمل می کنند. دوره های کوتاه مدت به شما این امکان را می دهد که به سرعت بر آنها مسلط شوید و دست به کار شوید.

طبق تحقیقات HeadHunter و Mail.ru، بیشترین مهارت مورد تقاضا پایتون است. در 45 درصد از مشاغل خالی دانشمندان داده و 51 درصد از مشاغل خالی یادگیری ماشین ذکر شده است.

کارفرمایان همچنین از تحلیلگران داده می خواهند که SQL (23%)، داده کاوی (19%)، آمار ریاضی (11%) و قادر به کار با کلان داده (10%) باشند.

کارفرمایانی که به دنبال متخصصان یادگیری ماشین هستند، انتظار دارند که یک نامزد علاوه بر دانش پایتون، در C++ (18%)، SQL (15%)، الگوریتم‌های یادگیری ماشین (13%) و لینوکس (11%) مهارت داشته باشد.

اما اگر نوجوانان با ابزارها به خوبی عمل کنند، مدیران آنها با مشکل دیگری روبرو می شوند. اکثر فارغ التحصیلان دوره درک عمیقی از این حرفه ندارند و پیشرفت را برای یک مبتدی دشوار می کند.

من در حال حاضر به دنبال متخصصان یادگیری ماشین هستم تا به تیم من بپیوندند. در عین حال، من می بینم که نامزدها اغلب بر برخی ابزارهای علم داده تسلط دارند، اما آنها درک کافی عمیق از مبانی نظری برای ایجاد راه حل های جدید ندارند.

امیل محرموف
رئیس گروه خدمات شیمی محاسباتی Biocad

ساختار و مدت دوره ها به شما اجازه نمی دهد تا به سطح مورد نیاز عمیق تر بروید. فارغ‌التحصیلان اغلب فاقد آن مهارت‌های بسیار نرمی هستند که معمولاً هنگام خواندن یک فرصت شغلی از دست می‌روند. خوب، واقعاً، چه کسی از ما خواهد گفت که او تفکر سیستمی یا تمایلی به توسعه ندارد. با این حال، در رابطه با یک متخصص علوم داده، ما در مورد یک داستان عمیق تر صحبت می کنیم. در اینجا، برای توسعه، به یک سوگیری نسبتاً قوی در تئوری و علم نیاز دارید، که فقط از طریق مطالعه طولانی مدت، به عنوان مثال، در یک دانشگاه امکان پذیر است.

خیلی چیزها به شخص بستگی دارد: اگر یک دوره فشرده سه ماهه از معلمان قوی با تجربه به عنوان سرپرست تیم در شرکت های برتر توسط دانش آموزی با پیشینه خوب در ریاضیات و برنامه نویسی تکمیل شود، تمام مواد درسی را بررسی کند و مانند یک اسفنج جذب شود. همانطور که در مدرسه گفتند ، بعداً با چنین کارمندی مشکلی پیش خواهد آمد. اما 90 تا 95 درصد مردم، برای اینکه چیزی را برای همیشه یاد بگیرند، باید ده برابر بیشتر یاد بگیرند و چندین سال متوالی آن را به صورت سیستماتیک انجام دهند. و این باعث می شود که برنامه های کارشناسی ارشد در تجزیه و تحلیل داده ها گزینه ای عالی برای به دست آوردن یک پایه دانش خوب باشد، که با آن نیازی به سرخ شدن در مصاحبه نخواهید داشت، و انجام کار بسیار آسان تر خواهد بود.

ویکتور کانتور
دانشمند ارشد داده در MTS

برای یافتن شغل در Data Science کجا تحصیل کنیم

دوره های علوم داده های خوبی در بازار وجود دارد و دریافت آموزش اولیه مشکلی ندارد. اما درک تمرکز این آموزش مهم است. اگر نامزد قبلاً پیشینه فنی قوی داشته باشد، دوره های فشرده همان چیزی است که آنها نیاز دارند. شخص بر ابزارها تسلط پیدا می کند، به محل می آید و به سرعت به آن عادت می کند، زیرا از قبل می داند که چگونه مانند یک ریاضیدان فکر کند، یک مسئله را ببیند و مسائل را فرموله کند. اگر چنین پیش زمینه ای وجود نداشته باشد، پس از دوره شما یک مجری خوب، اما با فرصت های محدود برای رشد خواهید بود.

اگر با وظیفه کوتاه مدت تغییر حرفه یا یافتن شغل در این تخصص مواجه هستید، برخی از دوره های سیستماتیک برای شما مناسب است که کوتاه هستند و به سرعت حداقل مجموعه ای از مهارت های فنی را ارائه می دهند تا بتوانید واجد شرایط یک موقعیت ابتدایی در این زمینه.

ایوان یامشچیکوف
مدیر دانشگاهی برنامه کارشناسی ارشد آنلاین "علم داده"

مشکل دوره ها دقیقاً این است که شتاب سریع اما حداقلی را ارائه می دهند. یک شخص به معنای واقعی کلمه به این حرفه پرواز می کند و به سرعت به سقف می رسد. برای ورود به این حرفه برای مدت طولانی، باید فوراً یک پایه خوب در قالب یک برنامه طولانی مدت، به عنوان مثال، مدرک کارشناسی ارشد ایجاد کنید.

تحصیلات عالی زمانی مناسب است که بدانید این رشته برای شما در درازمدت علاقه مند است. شما مشتاق نیستید هر چه زودتر به سر کار برسید. و شما نمی خواهید سقف شغلی داشته باشید؛ همچنین نمی خواهید با مشکل کمبود دانش، مهارت، عدم درک اکوسیستم عمومی که به کمک آن محصولات نوآورانه توسعه می یابد، مواجه شوید. برای این کار، به تحصیلات عالی نیاز دارید، که نه تنها مجموعه ای از مهارت های فنی لازم را ایجاد می کند، بلکه تفکر شما را به گونه ای متفاوت ساختار می دهد و به شما کمک می کند تا چشم اندازی از حرفه خود را برای مدت طولانی تر شکل دهید.

ایوان یامشچیکوف
مدیر دانشگاهی برنامه کارشناسی ارشد آنلاین "علم داده"

عدم وجود سقف شغلی مزیت اصلی برنامه کارشناسی ارشد است. در دو سال، یک متخصص یک پایه نظری قدرتمند دریافت می کند. ترم اول برنامه علوم داده در NUST MISIS به این صورت است:

• مقدمه ای بر علم داده. 2 هفته.
• مبانی تجزیه و تحلیل داده ها. پردازش داده ها. 2 هفته
• فراگیری ماشین. پیش پردازش داده ها 2 هفته
• EDA. تجزیه و تحلیل داده های اطلاعاتی 3 هفته
• الگوریتم های اصلی یادگیری ماشین Ch1 + Ch2 (6 هفته)

در عین حال، شما می توانید به طور همزمان تجربه عملی در کار کسب کنید. به محض اینکه دانش آموز بر ابزارهای لازم تسلط پیدا کرد، هیچ چیز مانع از آن نمی شود که به یک موقعیت جوان دست پیدا کنید. اما، بر خلاف فارغ التحصیل دوره، مدرک کارشناسی ارشد تحصیلات خود را در آنجا متوقف نمی کند، بلکه به کاوش عمیق تر در این حرفه ادامه می دهد. در آینده، این به شما امکان می دهد بدون محدودیت در علم داده توسعه پیدا کنید.

در سایت دانشگاه علم و صنعت "MISiS" روزهای باز و وبینارها برای کسانی که می خواهند در علم داده کار کنند. نمایندگان NUST MISIS، SkillFactory، HeadHunter، Facebook، Mail.ru Group و Yandex، من در مورد مهمترین چیزها به شما خواهم گفت:

• "چگونه جایگاه خود را در علم داده پیدا کنیم؟"
• "آیا می توان از ابتدا دانشمند داده شد؟"
• آیا تا 2 تا 5 سال دیگر نیاز به دانشمندان داده وجود خواهد داشت؟
• "دانشمندان داده روی چه مشکلاتی کار می کنند؟"
• "چگونه در علم داده شغلی ایجاد کنیم؟"

آموزش آنلاین، دیپلم آموزش عمومی. برنامه های کاربردی برای برنامه پذیرفته شد تا 10 اوت.

منبع: www.habr.com