Segundo a investigación de HeadHunter e Mail.ru, a demanda de especialistas no campo da Ciencia de Datos supera a oferta, pero aínda así, os mozos especialistas non sempre conseguen atopar traballo. Contámosche cales faltan os graduados e onde estudar para aqueles que están planeando unha gran carreira en Data Science.
"Veñen e pensan que agora gañarán 500k por segundo, porque saben os nomes dos frameworks e como executar un modelo a partir deles en dúas liñas"
Emil Maharramov lidera un grupo de servizos de química computacional en biocad e durante as entrevistas enfróntase ao feito de que os candidatos non teñen unha comprensión sistemática da profesión. Completan cursos, veñen con Python e SQL ben adestrados, poden instalar Hadoop ou Spark en 2 segundos e completan unha tarefa segundo unha especificación clara. Pero, ao mesmo tempo, xa non hai un paso para o lado. Aínda que é flexibilidade nas solucións que os empresarios esperan dos seus especialistas en ciencia de datos.
Que está a suceder no mercado Data Science
As competencias dos mozos especialistas reflicten a situación do mercado laboral. Aquí, a demanda supera significativamente a oferta, polo que os empresarios desesperados adoitan estar realmente preparados para contratar especialistas completamente ecolóxicos e adestralos por si mesmos. A opción funciona, pero só é apta se o equipo xa conta cun xefe de equipo experimentado que se faga cargo da formación do júnior.
Segundo a investigación de HeadHunter e Mail.ru, os especialistas en análise de datos están entre os máis demandados do mercado:
- En 2019 houbo 9,6 veces máis prazas no ámbito da análise de datos e 7,2 veces máis no ámbito da aprendizaxe automática que en 2015.
- En comparación con 2018, o número de prazas de especialistas en análise de datos aumentou 1,4 veces e de especialistas en aprendizaxe automática 1,3 veces.
- O 38% das vacantes están en empresas informáticas, o 29% en empresas do sector financeiro e o 9% en servizos empresariais.
A situación está alimentada por numerosas escolas en liña que adestran a eses mesmos mozos. Basicamente, a formación ten unha duración de tres a seis meses, durante os cales os alumnos conseguen dominar a nivel básico as principais ferramentas: Python, SQL, análise de datos, Git e Linux. O resultado é un júnior clásico: pode resolver un problema específico, pero aínda non pode entender o problema e formular o problema por si mesmo. Non obstante, a gran demanda de especialistas e o bombo ao redor da profesión adoitan dar lugar a altas ambicións e requisitos salariais.
Desafortunadamente, as entrevistas en Data Science agora adoitan ter este aspecto: o candidato di que intentou usar un par de bibliotecas, non pode responder a preguntas sobre como funcionan exactamente os algoritmos, despois pide 200, 300, 400 mil rublos ao mes.
Debido á gran cantidade de slogans publicitarios como "calquera pode converterse en analista de datos", "dominar a aprendizaxe automática en tres meses e comezar a gañar moito diñeiro" e a sede de diñeiro rápido, un gran fluxo de candidatos superficiais verteu no noso país. campo sen ningún tipo de formación sistemática.
Víctor Kantor
Científico de datos xefe en MTS
A quen están esperando os empresarios?
Calquera empresario quere que os seus mozos traballen sen supervisión constante e poidan desenvolverse baixo a guía dun xefe de equipo. Para iso, un principiante debe posuír inmediatamente as ferramentas necesarias para resolver os problemas actuais, e ter unha base teórica suficiente para propoñer gradualmente as súas propias solucións e abordar problemas máis complexos.
Os novatos no mercado están a facer bastante ben coas súas ferramentas. Os cursos de curta duración permítenche dominalos rapidamente e comezar a traballar.
Segundo a investigación de HeadHunter e Mail.ru, a habilidade máis demandada é Python. Menciónase no 45% das prazas de científico de datos e no 51% das prazas de aprendizaxe automática.
Os empresarios tamén queren que os analistas de datos coñezan SQL (23%), minería de datos (19%), estatísticas matemáticas (11%) e poidan traballar con big data (10%).
Os empresarios que buscan especialistas en aprendizaxe automática esperan que un candidato sexa competente en C++ (18%), SQL (15%), algoritmos de aprendizaxe automática (13%) e Linux (11%) ademais de coñecementos de Python.
Pero se os mozos están a facer ben coas ferramentas, entón os seus xestores enfróntanse a outro problema. A maioría dos titulados non teñen unha profunda comprensión da profesión, o que dificulta o progreso dun principiante.
Actualmente estou buscando especialistas en aprendizaxe automática para unirse ao meu equipo. Ao mesmo tempo, vexo que os candidatos adoitan dominar certas ferramentas de Data Science, pero non teñen unha comprensión suficientemente profunda dos fundamentos teóricos para crear novas solucións.
Emil Maharramov
Xefe do Grupo de Servizos de Química Computacional, Biocad
A propia estrutura e duración dos cursos non permite afondar no nivel requirido. Os titulados adoitan carecer desas habilidades moi suaves que adoitan perderse ao ler unha bolsa de traballo. Ben, de verdade, quen de nós dirá que non ten pensamento sistémico nin ganas de desenvolverse. Non obstante, en relación a un especialista en Data Science, estamos a falar dunha historia máis profunda. Aquí, para desenvolver, necesitas un sesgo bastante forte na teoría e na ciencia, que só é posible a través dun estudo a longo prazo, por exemplo, nunha universidade.
Depende moito da persoa: se un curso intensivo de tres meses de profesores fortes con experiencia como liderado de equipos en empresas de primeira liña é rematado por un alumno con boa formación en matemáticas e programación, afonda en todos os materiais do curso e "absorbe como unha esponxa". ”, como dixeron na escola, entón haberá problemas con tal empregado despois No. Pero o 90-95% das persoas, para aprender algo para sempre, necesitan aprender dez veces máis e facelo de forma sistemática durante varios anos seguidos. E isto fai que os programas de máster en análise de datos sexan unha excelente opción para obter unha boa base de coñecemento, co que non terás que ruborizar nunha entrevista e será moito máis fácil facer o traballo.
Víctor Kantor
Científico de datos xefe en MTS
Onde estudar para atopar traballo en Data Science
Hai moitos bos cursos de Data Science no mercado e obter unha educación inicial non é un problema. Pero é importante comprender o foco desta educación. Se o candidato xa ten unha sólida formación técnica, entón necesita cursos intensivos. Unha persoa dominará as ferramentas, chegará ao lugar e acostumarase rapidamente a el, porque xa sabe pensar como un matemático, ver un problema e formular problemas. Se non hai tales antecedentes, despois do curso terás un bo rendemento, pero con oportunidades limitadas de crecemento.
Se te enfrontas á tarefa a curto prazo de cambiar de profesión ou atopar un traballo nesta especialidade, entón son axeitados para ti algúns cursos sistemáticos, que son breves e proporcionan rapidamente un conxunto mínimo de habilidades técnicas para que poidas optar a un posición de nivel inicial neste campo.
Iván Yamshchikov
Director académico do programa de máster en liña "Data Science"
O problema dos cursos é precisamente que proporcionan unha aceleración rápida pero mínima. Unha persoa literalmente voa á profesión e alcanza rapidamente o teito. Para entrar na profesión durante moito tempo, cómpre establecer inmediatamente unha boa base en forma de programa a longo prazo, por exemplo, un máster.
A educación superior é adecuada cando entendes que este campo che interesa a longo prazo. Non estás ansioso por poñerte a traballar canto antes. E non quere ter un teito de carreira, tampouco quere enfrontarse ao problema da falta de coñecementos, habilidades, falta de comprensión do ecosistema xeral coa axuda do que se desenvolven produtos innovadores. Para iso, necesitas unha educación superior, que non só crea o conxunto necesario de habilidades técnicas, senón que tamén estrutura o teu pensamento de forma diferente e che axuda a formar unha visión da túa carreira a longo prazo.
Iván Yamshchikov
Director académico do programa de máster en liña "Data Science"
A ausencia dun teito de carreira é a principal vantaxe do programa de máster. En dous anos, un especialista recibe unha poderosa base teórica. Así é o primeiro semestre do programa Data Science en NUST MISIS:
- Introdución á Ciencia de Datos. 2 semanas.
- Fundamentos da análise de datos. Tratamento de datos. 2 semanas
- Aprendizaxe automática. Preprocesamento de datos. 2 semanas
- EDA. Análise de datos de intelixencia. 3 semanas
- Algoritmos básicos de aprendizaxe automática. Ch1 + Ch2 (6 semanas)
Ao mesmo tempo, podes adquirir experiencia práctica no traballo. Non hai nada que che impida conseguir un posto de junior tan pronto como o estudante domine as ferramentas necesarias. Pero, a diferenza dun graduado, un máster non para aí os seus estudos, senón que segue afondando na profesión. No futuro, isto permítelle desenvolver en Data Science sen restricións.
No sitio web da Universidade de Ciencia e Tecnoloxía "MISiS" para aqueles que queiran traballar en Data Science. Os representantes de NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group e Yandex, falareivos das cousas máis importantes:
- "Como atopar o teu lugar en Data Science?",
- "É posible converterse nun científico de datos desde cero?",
- "¿Seguirá existindo a necesidade de científicos de datos dentro de 2-5 anos?"
- "En que problemas traballan os científicos de datos?"
- "Como construír unha carreira en Data Science?"
Formación en liña, diploma de educación pública. aceptado ata 10 agosto.
Fonte: www.habr.com