Արագ մեկնարկ և ցածր առաստաղ: Ինչ է սպասում աշխատաշուկայում տվյալների գիտության երիտասարդ մասնագետներին

Ըստ HeadHunter-ի և Mail.ru-ի հետազոտությունների՝ տվյալների գիտության ոլորտում մասնագետների պահանջարկը գերազանցում է առաջարկը, բայց և այնպես երիտասարդ մասնագետներին միշտ չէ, որ հաջողվում է աշխատանք գտնել։ Մենք ձեզ ասում ենք, թե ինչ կուրսի շրջանավարտներ են բացակայում և որտեղ սովորել նրանց համար, ովքեր մեծ կարիերա են ծրագրում Data Science-ում:

«Նրանք գալիս են ու մտածում, որ հիմա վայրկյանում 500 հազար կվաստակեն, որովհետև գիտեն շրջանակների անունները և երկու տողով նրանցից մոդել գործարկել»:

Էմիլ Մահարրամով նա ղեկավարում է հաշվողական քիմիայի ծառայությունների խումբը biocad-ում և հարցազրույցների ժամանակ բախվում է այն փաստի հետ, որ թեկնածուները համակարգված չեն պատկերացնում մասնագիտությունը: Նրանք ավարտում են դասընթացները, գալիս են լավ պատրաստված Python-ով և SQL-ով, կարող են տեղադրել Hadoop-ը կամ Spark-ը 2 վայրկյանում և կատարել առաջադրանք՝ ըստ հստակ ճշգրտման: Բայց միևնույն ժամանակ, այլևս մի կողմ քայլ չկա։ Թեև լուծումների ճկունությունն է, որ գործատուներն ակնկալում են տվյալների գիտության իրենց մասնագետներից:

Ինչ է կատարվում Data Science շուկայում

Երիտասարդ մասնագետների իրավասությունները արտացոլում են աշխատաշուկայում տիրող իրավիճակը։ Այստեղ պահանջարկը զգալիորեն գերազանցում է առաջարկը, ուստի հուսահատ գործատուները հաճախ իսկապես պատրաստ են աշխատանքի ընդունել ամբողջովին կանաչ մասնագետների և պատրաստել նրանց իրենց համար: Տարբերակն աշխատում է, բայց հարմար է միայն այն դեպքում, եթե թիմն արդեն ունի փորձառու թիմի ղեկավար, ով կստանձնի կրտսերի մարզումները:

Ըստ HeadHunter-ի և Mail.ru-ի հետազոտության՝ տվյալների վերլուծության մասնագետները շուկայում ամենապահանջվածներից են.

• 2019 թվականին տվյալների վերլուծության ոլորտում 9,6 անգամ ավելի թափուր աշխատատեղ է եղել, իսկ մեքենայական ուսուցման ոլորտում՝ 7,2 անգամ ավելի, քան 2015 թվականին։
• 2018 թվականի համեմատ տվյալների վերլուծության մասնագետների թափուր աշխատատեղերն աճել են 1,4 անգամ, իսկ մեքենայական ուսուցման մասնագետներինը՝ 1,3 անգամ։
• Բաց թափուր աշխատատեղերի 38%-ը ՏՏ ընկերություններում է, 29%-ը՝ ֆինանսական ոլորտի ընկերություններում, 9%-ը՝ բիզնես ծառայություններում։

Իրավիճակը սնուցվում է բազմաթիվ առցանց դպրոցներով, որոնք վերապատրաստում են նույն կրտսերներին: Հիմնականում ուսուցումը տևում է երեքից վեց ամիս, որի ընթացքում ուսանողներին հաջողվում է յուրացնել հիմնական գործիքները՝ Python, SQL, տվյալների վերլուծություն, Git և Linux: Արդյունքը դասական կրտսեր է՝ նա կարող է լուծել կոնկրետ խնդիր, բայց դեռ չի կարողանում հասկանալ խնդիրը և ինքնուրույն ձևակերպել խնդիրը։ Այնուամենայնիվ, մասնագետների մեծ պահանջարկը և մասնագիտության շուրջ աղմուկը հաճախ առաջացնում են բարձր հավակնություններ և աշխատավարձի պահանջներ:

Ցավոք, Data Science-ում հարցազրույցներն այժմ սովորաբար այսպիսի տեսք ունեն. թեկնածուն ասում է, որ փորձել է օգտագործել մի քանի գրադարան, չի կարող պատասխանել հարցերին, թե ինչպես են աշխատում ալգորիթմները, այնուհետև խնդրում է ամսական 200, 300, 400 հազար ռուբլի:

«Յուրաքանչյուր ոք կարող է դառնալ տվյալների վերլուծաբան», «վարպետեք մեքենայական ուսուցումը երեք ամսում և սկսեք շատ գումար վաստակել» և արագ փողի ծարավով գովազդային կարգախոսների մեծ քանակի պատճառով, մակերեսային թեկնածուների հսկայական հոսք է լցվել մեր մեջ: դաշտ՝ բացարձակապես ոչ մի համակարգված վերապատրաստումով:

Վիկտոր Կանտոր
ՄՏՍ-ի գլխավոր տվյալների գիտաշխատող

Ո՞ւմ են սպասում գործատուները.

Ցանկացած գործատու կցանկանար, որ իր կրտսերներն աշխատեն առանց մշտական ​​հսկողության և կարողանան զարգանալ թիմի ղեկավարի ղեկավարությամբ: Դա անելու համար սկսնակը պետք է անհապաղ տիրապետի առկա խնդիրները լուծելու համար անհրաժեշտ գործիքներին և ունենա բավարար տեսական հիմք՝ աստիճանաբար սեփական լուծումներն առաջարկելու և ավելի բարդ խնդիրներին մոտենալու համար:

Շուկայում նորեկները բավականին լավ են անում իրենց գործիքները: Կարճաժամկետ դասընթացները թույլ են տալիս արագ տիրապետել դրանց և անցնել աշխատանքի:

HeadHunter-ի և Mail.ru-ի հետազոտությունների համաձայն՝ ամենապահանջված հմտությունը Python-ն է։ Այն նշված է տվյալների գիտնականների թափուր աշխատատեղերի 45%-ում և մեքենայական ուսուցման թափուր աշխատատեղերի 51%-ում։

Գործատուները նաև ցանկանում են, որ տվյալների վերլուծաբանները իմանան SQL-ն (23%), տվյալների արդյունահանումը (19%), մաթեմատիկական վիճակագրությունը (11%) և կարողանան աշխատել մեծ տվյալների հետ (10%):

Մեքենայական ուսուցման մասնագետներ փնտրող գործատուները ակնկալում են, որ թեկնածուն տիրապետում է C++-ին (18%), SQL-ին (15%), մեքենայական ուսուցման ալգորիթմներին (13%) և Linux-ին (11%), բացի Python-ի իմացությունից:

Բայց եթե կրտսերները լավ են աշխատում գործիքների հետ, ապա նրանց ղեկավարները կանգնած են մեկ այլ խնդրի առաջ: Դասընթացի շրջանավարտների մեծ մասը խորը պատկերացում չունի մասնագիտության մասին, ինչը դժվարացնում է սկսնակների առաջադիմությունը:

Ես ներկայումս փնտրում եմ մեքենայական ուսուցման մասնագետների՝ իմ թիմին միանալու համար: Միևնույն ժամանակ, ես տեսնում եմ, որ թեկնածուները հաճախ յուրացրել են տվյալների գիտության որոշակի գործիքներ, բայց նրանք չունեն տեսական հիմքերի բավական խորը պատկերացում նոր լուծումներ ստեղծելու համար:

Էմիլ Մահարրամով
Հաշվողական քիմիայի ծառայությունների խմբի ղեկավար, Biocad

Դասընթացների կառուցվածքն ու տեւողությունը թույլ չեն տալիս խորանալ պահանջվող մակարդակի վրա։ Շրջանավարտները հաճախ զուրկ են այն շատ փափուկ հմտություններից, որոնք սովորաբար բաց չեն թողնում թափուր աշխատատեղ կարդալիս: Դե, իսկապես, մեզնից ո՞վ կասի, որ չունի համակարգային մտածողություն կամ զարգանալու ցանկություն։ Այնուամենայնիվ, տվյալների գիտության մասնագետի հետ կապված, մենք խոսում ենք ավելի խորը պատմության մասին: Այստեղ զարգանալու համար անհրաժեշտ է բավականին ուժեղ կողմնակալություն տեսության և գիտության մեջ, ինչը հնարավոր է միայն երկարաժամկետ ուսումնասիրության միջոցով, օրինակ՝ համալսարանում։

Շատ բան կախված է մարդուց. եթե եռամսյա ինտենսիվ դասընթացը ուժեղ ուսուցիչներից, ովքեր փորձ ունեն առաջատար ընկերություններում որպես թիմ, ավարտում է մաթեմատիկայի և ծրագրավորման լավ գիտելիքներ ունեցող ուսանողը, խորանում է դասընթացի բոլոր նյութերի մեջ և «ներծծվում է սպունգի պես: », ինչպես ասում էին դպրոցում, ապա նման աշխատակցի հետ ավելի ուշ խնդիրներ կլինեն No. Բայց մարդկանց 90-95%-ը հավերժ ինչ-որ բան սովորելու համար պետք է տասնապատիկ ավելի շատ սովորել և մի քանի տարի անընդմեջ դա անել համակարգված։ Եվ սա տվյալների վերլուծության մագիստրոսական ծրագրերը դարձնում է հիանալի տարբերակ գիտելիքների լավ հիմք ստանալու համար, որի հետ դուք ստիպված չեք լինի կարմրել հարցազրույցի ժամանակ, և դա շատ ավելի հեշտ կլինի անել աշխատանքը:

Վիկտոր Կանտոր
ՄՏՍ-ի գլխավոր տվյալների գիտաշխատող

Որտեղ սովորել տվյալների գիտության ոլորտում աշխատանք գտնելու համար

Շուկայում կան շատ լավ Data Science դասընթացներ, և նախնական կրթություն ստանալը խնդիր չէ: Բայց կարևոր է հասկանալ այս կրթության կենտրոնացումը: Եթե ​​թեկնածուն արդեն ունի ուժեղ տեխնիկական գիտելիքներ, ապա ինտենսիվ դասընթացներն այն են, ինչ նրան պետք է: Մարդը կտիրապետի գործիքներին, կգա տեղն ու արագ կվարժվի, քանի որ նա արդեն գիտի մաթեմատիկոսի պես մտածել, խնդիր տեսնել և խնդիրներ ձևակերպել։ Եթե ​​նման նախադրյալ չկա, ապա դասընթացից հետո դուք լավ կատարող կլինեք, բայց աճի սահմանափակ հնարավորություններով։

Եթե ​​դուք բախվում եք մասնագիտությունը փոխելու կամ այս մասնագիտությամբ աշխատանք գտնելու կարճաժամկետ խնդրի հետ, ապա ձեզ համար հարմար են որոշ համակարգված դասընթացներ, որոնք կարճ են և արագ ապահովում են նվազագույն տեխնիկական հմտություններ, որպեսզի կարողանաք որակավորվել մուտքի մակարդակի դիրք այս ոլորտում:

Իվան Յամշչիկով
«Տվյալների գիտություն» առցանց մագիստրոսական ծրագրի ակադեմիական տնօրեն

Դասընթացների խնդիրն այն է, որ դրանք ապահովում են արագ, բայց նվազագույն արագացում: Մարդը բառացիորեն թռչում է մասնագիտության մեջ և արագ հասնում առաստաղին: Երկար ժամանակ մասնագիտություն մտնելու համար անհրաժեշտ է անմիջապես լավ հիմքեր դնել ավելի երկարաժամկետ ծրագրի տեսքով, օրինակ՝ մագիստրոսի կոչում։

Բարձրագույն կրթությունը հարմար է, երբ հասկանում ես, որ այս ոլորտը քեզ երկարաժամկետ է հետաքրքրում։ Դուք չեք ցանկանում որքան հնարավոր է շուտ աշխատանքի անցնել։ Եվ դուք չեք ցանկանում ունենալ կարիերայի առաստաղ, դուք նաև չեք ցանկանում առերեսվել գիտելիքների, հմտությունների պակասի, ընդհանուր էկոհամակարգի չհասկանալու խնդրի հետ, որի օգնությամբ մշակվում են նորարարական ապրանքներ: Դրա համար ձեզ հարկավոր է բարձրագույն կրթություն, որը ոչ միայն կստեղծի անհրաժեշտ տեխնիկական հմտություններ, այլ նաև այլ կերպ կկառուցի ձեր մտածողությունը և կօգնի ձեզ ձևավորել ձեր կարիերայի երկարաժամկետ տեսլականը:

Իվան Յամշչիկով
«Տվյալների գիտություն» առցանց մագիստրոսական ծրագրի ակադեմիական տնօրեն

Կարիերայի առաստաղի բացակայությունը մագիստրոսական ծրագրի հիմնական առավելությունն է։ Երկու տարում մասնագետը հզոր տեսական բազա է ստանում։ NUST MISIS-ի Տվյալների գիտության ծրագրի առաջին կիսամյակն այսպիսի տեսք ունի.

• Տվյալների գիտության ներածություն. 2 շաբաթ.
• Տվյալների վերլուծության հիմունքները. Տվյալների մշակում. 2 շաբաթ
• Մեքենայի ուսուցում. Տվյալների նախնական մշակում. 2 շաբաթ
• EDA. Հետախուզական տվյալների վերլուծություն. 3 շաբաթ
• Հիմնական մեքենայական ուսուցման ալգորիթմներ. Ch1 + Ch2 (6 շաբաթ)

Միաժամանակ դուք կարող եք միաժամանակ գործնական փորձ ձեռք բերել աշխատանքի մեջ։ Ոչինչ չի խանգարում ձեզ ստանալ կրտսեր պաշտոն, հենց որ ուսանողը տիրապետի անհրաժեշտ գործիքներին: Բայց, ի տարբերություն կուրսն ավարտածի, մագիստրոսի կոչումը չի դադարեցնում իր ուսումը այնտեղ, այլ շարունակում է խորանալ մասնագիտության մեջ: Ապագայում սա թույլ է տալիս զարգանալ Data Science-ում առանց սահմանափակումների:

Գիտության և տեխնոլոգիաների համալսարանի «MISiS» կայքում Բաց օրեր և վեբինարներ նրանց համար, ովքեր ցանկանում են աշխատել Data Science-ում: NUST MISIS-ի, SkillFactory-ի, HeadHunter-ի, Facebook-ի, Mail.ru Group-ի և Yandex-ի ներկայացուցիչներ, ես ձեզ կասեմ ամենակարևոր բաների մասին.

• «Ինչպե՞ս գտնել ձեր տեղը Data Science-ում»:
• «Հնարավո՞ր է զրոյից դառնալ տվյալների գիտնական»:
• «Արդյո՞ք տվյալների գիտնականների կարիքը դեռ կա 2-5 տարի հետո»:
• «Ի՞նչ խնդիրների վրա են աշխատում տվյալների գիտնականները»:
• «Ինչպե՞ս կարիերա կառուցել տվյալների գիտության ոլորտում»:

Առցանց ուսուցում, հանրակրթության դիպլոմ. Ծրագրի համար դիմումներ ընդունվել է մինչև 10 Օգոստոս.

Source: www.habr.com