ઝડપી શરૂઆત અને નીચી ટોચમર્યાદા. મજૂર બજાર પર યુવા ડેટા વિજ્ઞાન નિષ્ણાતોની રાહ શું છે

HeadHunter અને Mail.ru ના સંશોધન મુજબ, ડેટા સાયન્સના ક્ષેત્રમાં નિષ્ણાતોની માંગ પુરવઠા કરતાં વધી જાય છે, પરંતુ તેમ છતાં, યુવા નિષ્ણાતો હંમેશા કામ શોધવાનું મેનેજ કરતા નથી. અમે તમને જણાવીએ છીએ કે જેઓ ડેટા સાયન્સમાં મોટી કારકિર્દીની યોજના બનાવી રહ્યા છે તેમના માટે કયા કોર્સ સ્નાતકો ખૂટે છે અને ક્યાં અભ્યાસ કરવો.

"તેઓ આવે છે અને વિચારે છે કે હવે તેઓ પ્રતિ સેકન્ડ 500k કમાશે, કારણ કે તેઓ ફ્રેમવર્કના નામ અને તેમની પાસેથી બે લાઇનમાં મોડેલ કેવી રીતે ચલાવવું તે જાણે છે"

એમિલ મહારમોવ તેઓ બાયોકેડમાં કોમ્પ્યુટેશનલ કેમિસ્ટ્રી સેવાઓના જૂથનું નેતૃત્વ કરે છે અને ઇન્ટરવ્યુ દરમિયાન તેમને એ હકીકતનો સામનો કરવો પડે છે કે ઉમેદવારોને વ્યવસાયની વ્યવસ્થિત સમજ હોતી નથી. તેઓ અભ્યાસક્રમો પૂર્ણ કરે છે, સારી રીતે પ્રશિક્ષિત Python અને SQL સાથે આવે છે, Hadoop અથવા Spark 2 સેકન્ડમાં ઇન્સ્ટોલ કરી શકે છે અને સ્પષ્ટ સ્પષ્ટીકરણ અનુસાર કાર્ય પૂર્ણ કરી શકે છે. પરંતુ તે જ સમયે, હવે બાજુ પર એક પગલું નથી. જોકે તે ઉકેલોમાં લવચીકતા છે જેની નોકરીદાતાઓ તેમના ડેટા સાયન્સ નિષ્ણાતો પાસેથી અપેક્ષા રાખે છે.

ડેટા સાયન્સ માર્કેટમાં શું થઈ રહ્યું છે

યુવા નિષ્ણાતોની યોગ્યતાઓ શ્રમ બજારમાં પરિસ્થિતિને પ્રતિબિંબિત કરે છે. અહીં, માંગ નોંધપાત્ર રીતે પુરવઠા કરતાં વધી જાય છે, તેથી ભયાવહ નોકરીદાતાઓ ઘણીવાર સંપૂર્ણપણે લીલા નિષ્ણાતોને ભાડે આપવા અને તેમને પોતાને માટે તાલીમ આપવા માટે તૈયાર હોય છે. વિકલ્પ કામ કરે છે, પરંતુ તે માત્ર ત્યારે જ યોગ્ય છે જો ટીમ પાસે પહેલેથી જ અનુભવી ટીમ લીડર હોય જે જુનિયરની તાલીમ લેશે.

HeadHunter અને Mail.ru ના સંશોધન મુજબ, ડેટા વિશ્લેષણ નિષ્ણાતો બજારમાં સૌથી વધુ માંગમાં છે:

• 2019 માં, ડેટા વિશ્લેષણના ક્ષેત્રમાં 9,6 ગણી વધુ ખાલી જગ્યાઓ હતી અને 7,2 ની તુલનામાં મશીન લર્નિંગના ક્ષેત્રમાં 2015 ગણી વધુ જગ્યાઓ હતી.
• 2018 ની સરખામણીમાં, ડેટા વિશ્લેષણ નિષ્ણાતોની ખાલી જગ્યાઓની સંખ્યામાં 1,4 ગણો અને મશીન લર્નિંગ નિષ્ણાતો માટે 1,3 ગણો વધારો થયો છે.
• 38% ખુલ્લી ખાલી જગ્યાઓ IT કંપનીઓમાં, 29% નાણાકીય ક્ષેત્રની કંપનીઓમાં અને 9% વ્યવસાય સેવાઓમાં છે.

તે જ જુનિયરોને તાલીમ આપતી અસંખ્ય ઑનલાઇન શાળાઓ દ્વારા પરિસ્થિતિને વેગ મળે છે. મૂળભૂત રીતે, તાલીમ ત્રણથી છ મહિના સુધી ચાલે છે, જે દરમિયાન વિદ્યાર્થીઓ મૂળભૂત સ્તરે મુખ્ય સાધનોમાં નિપુણતા મેળવવાનું સંચાલન કરે છે: પાયથોન, એસક્યુએલ, ડેટા વિશ્લેષણ, ગિટ અને લિનક્સ. પરિણામ એ ક્લાસિક જુનિયર છે: તે કોઈ ચોક્કસ સમસ્યાને હલ કરી શકે છે, પરંતુ હજી પણ સમસ્યાને સમજી શકતો નથી અને સમસ્યાને પોતાની જાતે ઘડી શકે છે. જો કે, નિષ્ણાતોની ઉચ્ચ માંગ અને વ્યવસાયની આસપાસનો હાઇપ ઘણીવાર ઉચ્ચ મહત્વાકાંક્ષાઓ અને પગારની જરૂરિયાતોને જન્મ આપે છે.

કમનસીબે, ડેટા સાયન્સમાં ઇન્ટરવ્યુ હવે સામાન્ય રીતે આના જેવો દેખાય છે: ઉમેદવાર કહે છે કે તેણે કેટલીક લાઇબ્રેરીઓનો ઉપયોગ કરવાનો પ્રયાસ કર્યો, એલ્ગોરિધમ્સ બરાબર કેવી રીતે કાર્ય કરે છે તે અંગેના પ્રશ્નોના જવાબ આપી શકતા નથી, પછી હાથમાં 200, 300, 400 હજાર રુબેલ્સ એક મહિનામાં માંગે છે.

"કોઈપણ વ્યક્તિ ડેટા વિશ્લેષક બની શકે છે", "ત્રણ મહિનામાં માસ્ટર મશીન લર્નિંગ કરી શકે છે અને ઘણા પૈસા કમાવવાનું શરૂ કરી શકે છે" અને ઝડપી પૈસાની તરસ જેવા મોટી સંખ્યામાં જાહેરાતના સૂત્રોને લીધે, અમારામાં સુપરફિસિયલ ઉમેદવારોનો એક વિશાળ પ્રવાહ રેડવામાં આવ્યો છે. એકદમ વ્યવસ્થિત તાલીમ વિનાનું ક્ષેત્ર.

વિક્ટર કેન્ટોર
એમટીએસના મુખ્ય ડેટા વૈજ્ઞાનિક

નોકરીદાતાઓ કોની રાહ જોઈ રહ્યા છે?

કોઈપણ એમ્પ્લોયર ઈચ્છે છે કે તેના જુનિયર સતત દેખરેખ વિના કામ કરે અને ટીમ લીડરના માર્ગદર્શન હેઠળ વિકાસ કરવામાં સક્ષમ બને. આ કરવા માટે, એક શિખાઉ માણસ પાસે વર્તમાન સમસ્યાઓ ઉકેલવા માટે તાત્કાલિક જરૂરી સાધનો હોવા જોઈએ, અને ધીમે ધીમે તેમના પોતાના ઉકેલો પ્રસ્તાવિત કરવા અને વધુ જટિલ સમસ્યાઓનો સંપર્ક કરવા માટે પૂરતો સૈદ્ધાંતિક આધાર હોવો જોઈએ.

બજારમાં નવા લોકો તેમના ટૂલ્સ સાથે ખૂબ સારું કરી રહ્યા છે. ટૂંકા ગાળાના અભ્યાસક્રમો તમને ઝડપથી તેમને માસ્ટર કરવા અને કામ પર જવા દે છે.

HeadHunter અને Mail.ru ના સંશોધન મુજબ, સૌથી વધુ માંગ કૌશલ્ય પાયથોન છે. ડેટા સાયન્ટિસ્ટની 45% ખાલી જગ્યાઓ અને મશીન લર્નિંગની 51% ખાલી જગ્યાઓમાં તેનો ઉલ્લેખ છે.

એમ્પ્લોયરો ડેટા વિશ્લેષકોને SQL (23%), ડેટા માઇનિંગ (19%), ગાણિતિક આંકડા (11%) અને મોટા ડેટા (10%) સાથે કામ કરવા સક્ષમ હોવા પણ ઇચ્છે છે.

મશીન લર્નિંગ નિષ્ણાતોને શોધી રહેલા એમ્પ્લોયરો અપેક્ષા રાખે છે કે ઉમેદવાર Pythonના જ્ઞાન ઉપરાંત C++ (18%), SQL (15%), મશીન લર્નિંગ એલ્ગોરિધમ્સ (13%) અને Linux (11%) માં નિપુણ હોય.

પરંતુ જો જુનિયર ટૂલ્સ સાથે સારું કરી રહ્યા હોય, તો તેમના મેનેજરોને બીજી સમસ્યાનો સામનો કરવો પડે છે. મોટાભાગના કોર્સ સ્નાતકોને વ્યવસાયની ઊંડી સમજ હોતી નથી, જે શિખાઉ માણસ માટે પ્રગતિ કરવાનું મુશ્કેલ બનાવે છે.

હું હાલમાં મારી ટીમમાં જોડાવા માટે મશીન લર્નિંગ નિષ્ણાતોને શોધી રહ્યો છું. તે જ સમયે, હું જોઉં છું કે ઉમેદવારોએ ઘણી વખત ચોક્કસ ડેટા સાયન્સ ટૂલ્સમાં નિપુણતા પ્રાપ્ત કરી છે, પરંતુ તેમની પાસે નવા ઉકેલો બનાવવા માટે સૈદ્ધાંતિક પાયાની ઊંડી પર્યાપ્ત સમજ નથી.

એમિલ મહારમોવ
કોમ્પ્યુટેશનલ કેમેસ્ટ્રી સર્વિસીસ ગ્રુપના વડા, બાયોકેડ

અભ્યાસક્રમોની ખૂબ જ રચના અને અવધિ તમને જરૂરી સ્તર સુધી વધુ ઊંડા જવા દેતી નથી. સ્નાતકોમાં ઘણીવાર તે ખૂબ જ નરમ કુશળતાનો અભાવ હોય છે જે સામાન્ય રીતે નોકરીની ખાલી જગ્યા વાંચતી વખતે ચૂકી જાય છે. સારું, ખરેખર, આપણામાંથી કોણ કહેશે કે તેની પાસે સિસ્ટમો વિચારસરણી અથવા વિકાસ કરવાની ઇચ્છા નથી. જો કે, ડેટા સાયન્સ નિષ્ણાતના સંબંધમાં, અમે એક ઊંડી વાર્તા વિશે વાત કરી રહ્યા છીએ. અહીં, વિકાસ કરવા માટે, તમારે સિદ્ધાંત અને વિજ્ઞાનમાં એકદમ મજબૂત પૂર્વગ્રહની જરૂર છે, જે ફક્ત લાંબા ગાળાના અભ્યાસ દ્વારા જ શક્ય છે, ઉદાહરણ તરીકે, યુનિવર્સિટીમાં.

વ્યક્તિ પર ઘણું નિર્ભર છે: જો ટોચની કંપનીઓમાં ટીમ લીડ તરીકેનો અનુભવ ધરાવતા મજબૂત શિક્ષકો દ્વારા ત્રણ મહિનાનો સઘન અભ્યાસક્રમ ગણિત અને પ્રોગ્રામિંગમાં સારી પૃષ્ઠભૂમિ ધરાવતા વિદ્યાર્થી દ્વારા પૂર્ણ કરવામાં આવે, તો તમામ અભ્યાસક્રમ સામગ્રીઓનું અન્વેષણ કરે છે અને "સ્પોન્જની જેમ શોષી લે છે. ,” તેઓએ શાળામાં કહ્યું તેમ, પછી આવા કર્મચારી સાથે સમસ્યાઓ હશે પછીથી નંબર. પરંતુ 90-95% લોકો, કાયમ માટે કંઈક શીખવા માટે, દસ ગણું વધુ શીખવાની જરૂર છે અને તેને સતત ઘણા વર્ષો સુધી વ્યવસ્થિત રીતે કરવાની જરૂર છે. અને આ ડેટા વિશ્લેષણમાં માસ્ટરના પ્રોગ્રામ્સને જ્ઞાનનો સારો પાયો મેળવવા માટે એક ઉત્તમ વિકલ્પ બનાવે છે, જેની સાથે તમારે ઇન્ટરવ્યુમાં શરમાવું પડશે નહીં, અને તે કામ કરવું વધુ સરળ બનશે.

વિક્ટર કેન્ટોર
એમટીએસના મુખ્ય ડેટા વૈજ્ઞાનિક

ડેટા સાયન્સમાં નોકરી શોધવા માટે ક્યાં અભ્યાસ કરવો

બજારમાં ઘણા સારા ડેટા સાયન્સ અભ્યાસક્રમો છે અને પ્રારંભિક શિક્ષણ મેળવવું કોઈ સમસ્યા નથી. પરંતુ આ શિક્ષણનું કેન્દ્રબિંદુ સમજવું જરૂરી છે. જો ઉમેદવાર પહેલેથી જ મજબૂત તકનીકી પૃષ્ઠભૂમિ ધરાવે છે, તો સઘન અભ્યાસક્રમો તે છે જેની તેમને જરૂર છે. વ્યક્તિ ટૂલ્સમાં નિપુણતા મેળવશે, સ્થળ પર આવશે અને ઝડપથી તેની આદત પામશે, કારણ કે તે પહેલેથી જ જાણે છે કે ગણિતશાસ્ત્રીની જેમ કેવી રીતે વિચારવું, સમસ્યા જોવી અને સમસ્યાઓ કેવી રીતે બનાવવી. જો આવી કોઈ પૃષ્ઠભૂમિ ન હોય, તો કોર્સ પછી તમે સારા પરફોર્મર બનશો, પરંતુ વૃદ્ધિ માટેની મર્યાદિત તકો સાથે.

જો તમને વ્યવસાય બદલવા અથવા આ વિશેષતામાં નોકરી શોધવાના ટૂંકા ગાળાના કાર્યનો સામનો કરવો પડી રહ્યો છે, તો કેટલાક વ્યવસ્થિત અભ્યાસક્રમો તમારા માટે યોગ્ય છે, જે ટૂંકા હોય છે અને ઝડપથી તકનીકી કૌશલ્યોનો ન્યૂનતમ સેટ પ્રદાન કરે છે જેથી કરીને તમે લાયકાત મેળવી શકો. આ ક્ષેત્રમાં પ્રવેશ-સ્તરની સ્થિતિ.

ઇવાન યમશ્ચિકોવ
ઑનલાઇન માસ્ટર પ્રોગ્રામ "ડેટા સાયન્સ" ના શૈક્ષણિક નિયામક

અભ્યાસક્રમોની સમસ્યા એ છે કે તેઓ ઝડપી પરંતુ ન્યૂનતમ પ્રવેગક પ્રદાન કરે છે. એક વ્યક્તિ શાબ્દિક રીતે વ્યવસાયમાં ઉડે છે અને ઝડપથી ટોચમર્યાદા સુધી પહોંચે છે. લાંબા સમય સુધી વ્યવસાયમાં પ્રવેશવા માટે, તમારે લાંબા ગાળાના પ્રોગ્રામના સ્વરૂપમાં તરત જ સારો પાયો નાખવાની જરૂર છે, ઉદાહરણ તરીકે, માસ્ટર ડિગ્રી.

જ્યારે તમે સમજો છો કે આ ક્ષેત્રમાં તમને લાંબા ગાળા માટે રસ છે ત્યારે ઉચ્ચ શિક્ષણ યોગ્ય છે. તમે શક્ય તેટલી વહેલી તકે કામ પર જવા માટે આતુર નથી. અને તમે કારકિર્દીની ટોચમર્યાદા મેળવવા માંગતા નથી; તમે જ્ઞાન, કૌશલ્ય, સામાન્ય ઇકોસિસ્ટમની સમજણના અભાવની સમસ્યાનો પણ સામનો કરવા માંગતા નથી જેની મદદથી નવીન ઉત્પાદનો વિકસાવવામાં આવે છે. આ માટે, તમારે ઉચ્ચ શિક્ષણની જરૂર છે, જે ફક્ત તકનીકી કૌશલ્યોનો જરૂરી સમૂહ જ નહીં બનાવે, પરંતુ તમારી વિચારસરણીને અલગ રીતે સંરચિત કરે છે અને તમને લાંબા ગાળા માટે તમારી કારકિર્દીની કેટલીક દ્રષ્ટિ બનાવવામાં મદદ કરે છે.

ઇવાન યમશ્ચિકોવ
ઑનલાઇન માસ્ટર પ્રોગ્રામ "ડેટા સાયન્સ" ના શૈક્ષણિક નિયામક

કારકિર્દીની ટોચમર્યાદાની ગેરહાજરી એ માસ્ટર પ્રોગ્રામનો મુખ્ય ફાયદો છે. બે વર્ષમાં, નિષ્ણાત એક શક્તિશાળી સૈદ્ધાંતિક આધાર મેળવે છે. NUST MISIS ખાતે ડેટા સાયન્સ પ્રોગ્રામમાં પ્રથમ સેમેસ્ટર આના જેવો દેખાય છે:

• ડેટા સાયન્સનો પરિચય. 2 અઠવાડિયા.
• ડેટા વિશ્લેષણની મૂળભૂત બાબતો. ડેટા પ્રોસેસિંગ. 2 અઠવાડિયા
• મશીન લર્નિંગ. ડેટા પ્રીપ્રોસેસિંગ. 2 અઠવાડિયા
• EDA. ઇન્ટેલિજન્સ ડેટા વિશ્લેષણ. 3 અઠવાડિયા
• મૂળભૂત મશીન લર્નિંગ અલ્ગોરિધમ્સ. Ch1 + Ch2 (6 અઠવાડિયા)

તે જ સમયે, તમે એક સાથે કામ પર વ્યવહારુ અનુભવ મેળવી શકો છો. વિદ્યાર્થીએ જરૂરી સાધનોમાં નિપુણતા પ્રાપ્ત કરી લેતાં જ તમને જુનિયર પદ મેળવવામાં કોઈ રોકી શકતું નથી. પરંતુ, કોર્સ ગ્રેજ્યુએટથી વિપરીત, માસ્ટર ડિગ્રી તેના અભ્યાસને ત્યાં રોકતી નથી, પરંતુ વ્યવસાયમાં વધુ ઊંડાણપૂર્વક અભ્યાસ કરવાનું ચાલુ રાખે છે. ભવિષ્યમાં, આ તમને પ્રતિબંધો વિના ડેટા સાયન્સમાં વિકાસ કરવાની મંજૂરી આપે છે.

યુનિવર્સિટી ઓફ સાયન્સ એન્ડ ટેકનોલોજી "MISiS" ની વેબસાઇટ પર ખુલ્લા દિવસો અને વેબિનાર જેઓ ડેટા સાયન્સમાં કામ કરવા માગે છે તેમના માટે. NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru ગ્રુપ અને યાન્ડેક્સના પ્રતિનિધિઓ, હું તમને સૌથી મહત્વપૂર્ણ બાબતો વિશે જણાવીશ:

• "ડેટા સાયન્સમાં તમારું સ્થાન કેવી રીતે શોધવું?",
• "શું શરૂઆતથી ડેટા સાયન્ટિસ્ટ બનવું શક્ય છે?",
• "શું 2-5 વર્ષમાં ડેટા વૈજ્ઞાનિકોની જરૂરિયાત હજુ પણ અસ્તિત્વમાં રહેશે?"
• "ડેટા વૈજ્ઞાનિકો કઈ સમસ્યાઓ પર કામ કરે છે?"
• "ડેટા સાયન્સમાં કારકિર્દી કેવી રીતે બનાવવી?"

ઑનલાઇન તાલીમ, જાહેર શિક્ષણ ડિપ્લોમા. કાર્યક્રમ માટે અરજીઓ સુધી સ્વીકારવામાં આવે છે 10 ઑગસ્ટ.

સોર્સ: www.habr.com