ການເລີ່ມຕົ້ນໄວແລະເພດານຕ່ໍາ. ສິ່ງທີ່ລໍຖ້າຜູ້ຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນໄວຫນຸ່ມໃນຕະຫຼາດແຮງງານ

ອີງຕາມການຄົ້ນຄວ້າໂດຍ HeadHunter ແລະ Mail.ru, ຄວາມຕ້ອງການສໍາລັບຜູ້ຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນເກີນການສະຫນອງ, ແຕ່ເຖິງແມ່ນວ່າ, ຜູ້ຊ່ຽວຊານໄວຫນຸ່ມບໍ່ໄດ້ສະເຫມີຈັດການເພື່ອຊອກຫາວຽກ. ພວກເຮົາບອກທ່ານວ່າຜູ້ຮຽນຈົບຫຼັກສູດໃດທີ່ຂາດຫາຍໄປແລະບ່ອນທີ່ຈະຮຽນສໍາລັບຜູ້ທີ່ກໍາລັງວາງແຜນອາຊີບໃຫຍ່ໃນ Data Science.

"ພວກເຂົາມາແລະຄິດວ່າດຽວນີ້ພວກເຂົາຈະມີລາຍໄດ້ 500k ຕໍ່ວິນາທີ, ເພາະວ່າພວກເຂົາຮູ້ຊື່ຂອງກອບແລະວິທີການແລ່ນຕົວແບບຈາກພວກເຂົາເປັນສອງສາຍ."

Emil Maharramov ລາວນໍາພາກຸ່ມບໍລິການເຄມີຄອມພິວເຕີຢູ່ biocad ແລະໃນລະຫວ່າງການສໍາພາດລາວປະເຊີນກັບຄວາມຈິງທີ່ວ່າຜູ້ສະຫມັກບໍ່ມີຄວາມເຂົ້າໃຈລະບົບກ່ຽວກັບອາຊີບ. ພວກເຂົາເຈົ້າສໍາເລັດຫຼັກສູດ, ມາພ້ອມກັບ Python ແລະ SQL ທີ່ໄດ້ຮັບການຝຶກອົບຮົມດີ, ສາມາດຕິດຕັ້ງ Hadoop ຫຼື Spark ໃນ 2 ວິນາທີ, ແລະເຮັດສໍາເລັດວຽກງານຕາມເງື່ອນໄຂທີ່ຊັດເຈນ. ແຕ່ໃນເວລາດຽວກັນ, ບໍ່ມີການກ້າວໄປຂ້າງຫນ້າ. ເຖິງແມ່ນວ່າມັນມີຄວາມຍືດຫຍຸ່ນໃນການແກ້ໄຂທີ່ນາຍຈ້າງຄາດຫວັງຈາກຜູ້ຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນຂອງພວກເຂົາ.

ສິ່ງທີ່ເກີດຂຶ້ນໃນຕະຫຼາດວິທະຍາສາດຂໍ້ມູນ

ຄວາມສາມາດຂອງຜູ້ຊ່ຽວຊານດ້ານໄວຫນຸ່ມສະທ້ອນໃຫ້ເຫັນສະຖານະການໃນຕະຫຼາດແຮງງານ. ຢູ່ທີ່ນີ້, ຄວາມຕ້ອງການຫຼາຍກວ່າການສະຫນອງຢ່າງຫຼວງຫຼາຍ, ດັ່ງນັ້ນນາຍຈ້າງທີ່ຫມົດຫວັງມັກຈະພ້ອມທີ່ຈະຈ້າງຜູ້ຊ່ຽວຊານດ້ານສີຂຽວຢ່າງສົມບູນແລະຝຶກອົບຮົມໃຫ້ເຂົາເຈົ້າສໍາລັບຕົນເອງ. ທາງເລືອກທີ່ເຮັດວຽກ, ແຕ່ເຫມາະສົມພຽງແຕ່ຖ້າທີມງານມີຜູ້ນໍາທີມທີ່ມີປະສົບການແລ້ວ, ຜູ້ທີ່ຈະປະຕິບັດການຝຶກອົບຮົມຂອງ junior.

ອີງຕາມການຄົ້ນຄວ້າໂດຍ HeadHunter ແລະ Mail.ru, ຜູ້ຊ່ຽວຊານດ້ານການວິເຄາະຂໍ້ມູນແມ່ນຢູ່ໃນຄວາມຕ້ອງການທີ່ສຸດໃນຕະຫຼາດ:

• ໃນ​ປີ 2019, ມີ​ບ່ອນ​ຫວ່າງ​ງານ​ຫຼາຍ​ກວ່າ 9,6 ເທົ່າ​ໃນ​ດ້ານ​ການ​ວິ​ເຄາະ​ຂໍ້​ມູນ, ແລະ 7,2 ເທົ່າ​ໃນ​ຂະ​ແຫນງ​ການ​ຂອງ​ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຈັກ​ຫຼາຍ​ກ​່​ວາ 2015.
• ເມື່ອປຽບທຽບກັບປີ 2018, ຈໍານວນບ່ອນຫວ່າງສໍາລັບຜູ້ຊ່ຽວຊານດ້ານການວິເຄາະຂໍ້ມູນເພີ່ມຂຶ້ນ 1,4 ເທົ່າ, ແລະສໍາລັບຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເຄື່ອງຈັກ 1,3 ເທົ່າ.
• 38% ຂອງບ່ອນຫວ່າງທີ່ເປີດຢູ່ໃນບໍລິສັດໄອທີ, 29% ໃນບໍລິສັດຂະແຫນງການເງິນ, ແລະ 9% ໃນການບໍລິການທຸລະກິດ.

ສະຖານະການດັ່ງກ່າວໄດ້ຖືກກະຕຸ້ນໂດຍໂຮງຮຽນອອນໄລນ໌ຈໍານວນຫລາຍທີ່ຝຶກອົບຮົມນັກຮຽນຮຸ່ນດຽວກັນເຫຼົ່ານັ້ນ. ໂດຍພື້ນຖານແລ້ວ, ການຝຶກອົບຮົມຈະແກ່ຍາວເຖິງສາມຫາຫົກເດືອນ, ໃນໄລຍະທີ່ນັກຮຽນສາມາດຈັດການເຄື່ອງມືຕົ້ນຕໍໃນລະດັບພື້ນຖານ: Python, SQL, ການວິເຄາະຂໍ້ມູນ, Git ແລະ Linux. ຜົນໄດ້ຮັບແມ່ນ junior ຄລາສສິກ: ລາວສາມາດແກ້ໄຂບັນຫາສະເພາະ, ແຕ່ຍັງບໍ່ສາມາດເຂົ້າໃຈບັນຫາແລະສ້າງບັນຫາດ້ວຍຕົນເອງ. ຢ່າງໃດກໍ່ຕາມ, ຄວາມຕ້ອງການສູງສໍາລັບຜູ້ຊ່ຽວຊານແລະ hype ປະມານອາຊີບມັກຈະເຮັດໃຫ້ເກີດຄວາມທະເຍີທະຍານສູງແລະຄວາມຕ້ອງການເງິນເດືອນ.

ແຕ່ຫນ້າເສຍດາຍ, ການສໍາພາດໃນ Data Science ໃນປັດຈຸບັນມັກຈະມີລັກສະນະນີ້: ຜູ້ສະຫມັກເວົ້າວ່າລາວພະຍາຍາມໃຊ້ຫ້ອງສະຫມຸດສອງສາມຫ້ອງ, ບໍ່ສາມາດຕອບຄໍາຖາມກ່ຽວກັບວິທີເຮັດວຽກຢ່າງແທ້ຈິງ, ຫຼັງຈາກນັ້ນຂໍໃຫ້ 200, 300, 400 ພັນຮູເບີນຕໍ່ເດືອນຢູ່ໃນມື.

ເນື່ອງຈາກຄໍາຂວັນການໂຄສະນາຈໍານວນຫລາຍເຊັ່ນ: "ທຸກຄົນສາມາດກາຍເປັນນັກວິເຄາະຂໍ້ມູນ", "ການຮຽນຮູ້ເຄື່ອງຈັກໃນສາມເດືອນແລະເລີ່ມສ້າງລາຍໄດ້ຫຼາຍ" ແລະຄວາມຢາກໄດ້ເງິນດ່ວນ, ກະແສຂະຫນາດໃຫຍ່ຂອງຜູ້ສະຫມັກໄດ້ເຂົ້າໄປໃນພວກເຮົາ. ພາກສະຫນາມທີ່ບໍ່ມີການຝຶກອົບຮົມຢ່າງເປັນລະບົບຢ່າງແທ້ຈິງ.

Victor Kantor
ຫົວຫນ້າວິທະຍາສາດຂໍ້ມູນຢູ່ MTS

ໃຜເປັນນາຍຈ້າງລໍຖ້າ?

ນາຍຈ້າງຄົນໃດກໍ່ຕາມຕ້ອງການໃຫ້ລູກນ້ອງເຮັດວຽກໂດຍບໍ່ມີການຊີ້ນໍາຢ່າງຕໍ່ເນື່ອງແລະສາມາດພັດທະນາພາຍໃຕ້ການຊີ້ນໍາຂອງຜູ້ນໍາທີມ. ເພື່ອເຮັດສິ່ງນີ້, ຜູ້ເລີ່ມຕົ້ນຕ້ອງມີເຄື່ອງມືທີ່ຈໍາເປັນເພື່ອແກ້ໄຂບັນຫາໃນປະຈຸບັນ, ແລະມີພື້ນຖານທິດສະດີພຽງພໍເພື່ອສະເຫນີວິທີແກ້ໄຂຂອງຕົນເອງແລະແກ້ໄຂບັນຫາທີ່ສັບສົນຫຼາຍ.

Newbies ໃນຕະຫຼາດແມ່ນເຮັດໄດ້ດີກັບເຄື່ອງມືຂອງເຂົາເຈົ້າ. ຫຼັກສູດໄລຍະສັ້ນຊ່ວຍໃຫ້ທ່ານສາມາດເປັນເຈົ້ານາຍໄດ້ໄວແລະໄປເຮັດວຽກ.

ອີງຕາມການຄົ້ນຄວ້າໂດຍ HeadHunter ແລະ Mail.ru, ທັກສະທີ່ຕ້ອງການຫຼາຍທີ່ສຸດແມ່ນ Python. ມັນໄດ້ຖືກກ່າວເຖິງໃນ 45% ຂອງຕໍາແໜ່ງນັກວິທະຍາສາດຂໍ້ມູນ ແລະ 51% ຂອງບ່ອນຫວ່າງໃນການຮຽນຮູ້ເຄື່ອງຈັກ.

ນາຍຈ້າງຍັງຕ້ອງການໃຫ້ນັກວິເຄາະຂໍ້ມູນຮູ້ SQL (23%), ການຂຸດຄົ້ນຂໍ້ມູນ (19%), ສະຖິຕິຄະນິດສາດ (11%) ແລະສາມາດເຮັດວຽກກັບຂໍ້ມູນໃຫຍ່ (10%).

ນາຍຈ້າງທີ່ຊອກຫາຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເຄື່ອງຈັກຄາດວ່າຜູ້ສະຫມັກຈະມີຄວາມຊໍານານໃນ C ++ (18%), SQL (15%), machine learning algorithms (13%) ແລະ Linux (11%) ນອກເຫນືອຈາກຄວາມຮູ້ຂອງ Python.

ແຕ່ຖ້າຫາກວ່າ juniors ເຮັດດີກັບເຄື່ອງມື, ຫຼັງຈາກນັ້ນຜູ້ຈັດການຂອງເຂົາເຈົ້າກໍາລັງປະເຊີນກັບບັນຫາອື່ນ. ນັກສຶກສາທີ່ຮຽນຈົບຫຼັກສູດສ່ວນໃຫຍ່ບໍ່ມີຄວາມເຂົ້າໃຈເລິກກ່ຽວກັບອາຊີບ, ເຮັດໃຫ້ມັນຍາກສໍາລັບຜູ້ເລີ່ມຕົ້ນທີ່ຈະກ້າວຫນ້າ.

ຕອນນີ້ຂ້ອຍກໍາລັງຊອກຫາຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອເຂົ້າຮ່ວມທີມຂອງຂ້ອຍ. ໃນເວລາດຽວກັນ, ຂ້າພະເຈົ້າເຫັນວ່າຜູ້ສະຫມັກມັກຈະມີຄວາມເຂົ້າໃຈກ່ຽວກັບເຄື່ອງມື Data Science ບາງຢ່າງ, ແຕ່ພວກເຂົາບໍ່ມີຄວາມເຂົ້າໃຈຢ່າງເລິກເຊິ່ງກ່ຽວກັບພື້ນຖານທິດສະດີເພື່ອສ້າງວິທີແກ້ໄຂໃຫມ່.

Emil Maharramov
ຫົວໜ້າກຸ່ມບໍລິການເຄມີຄອມພິວເຕີ, Biocad

ໂຄງປະກອບການຫຼາຍແລະໄລຍະເວລາຂອງຫຼັກສູດບໍ່ອະນຸຍາດໃຫ້ທ່ານເຂົ້າໄປໃນເລິກໃນລະດັບທີ່ກໍານົດໄວ້. ນັກສຶກສາທີ່ຮຽນຈົບມັກຈະຂາດທັກສະອ່ອນໆທີ່ມັກຈະພາດໃນເວລາອ່ານວຽກຫວ່າງ. ແທ້ຈິງແລ້ວ, ຜູ້ທີ່ຢູ່ໃນບັນດາພວກເຮົາຈະເວົ້າວ່າລາວບໍ່ມີລະບົບແນວຄິດຫຼືຄວາມປາຖະຫນາທີ່ຈະພັດທະນາ. ຢ່າງໃດກໍຕາມ, ກ່ຽວກັບຜູ້ຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນ, ພວກເຮົາເວົ້າກ່ຽວກັບເລື່ອງທີ່ເລິກເຊິ່ງກວ່າ. ໃນທີ່ນີ້, ເພື່ອພັດທະນາ, ທ່ານຕ້ອງການຄວາມລໍາອຽງທີ່ເຂັ້ມແຂງພໍສົມຄວນໃນທິດສະດີແລະວິທະຍາສາດ, ເຊິ່ງເປັນໄປໄດ້ພຽງແຕ່ຜ່ານການສຶກສາໄລຍະຍາວ, ຕົວຢ່າງ, ຢູ່ມະຫາວິທະຍາໄລ.

ສ່ວນຫຼາຍແມ່ນຂຶ້ນກັບບຸກຄົນ: ຖ້າຫຼັກສູດທີ່ເຂັ້ມງວດສາມເດືອນຈາກຄູສອນທີ່ເຂັ້ມແຂງທີ່ມີປະສົບການເປັນຜູ້ນໍາທີມໃນບໍລິສັດຊັ້ນນໍາແມ່ນສໍາເລັດໂດຍນັກຮຽນທີ່ມີພື້ນຖານຄະນິດສາດແລະການຂຽນໂປຼແກຼມທີ່ດີ, ພິຈາລະນາອຸປະກອນການຮຽນທັງຫມົດແລະ "ດູດຊຶມຄືກັບ sponge. ,” ດັ່ງ​ທີ່​ເຂົາ​ເຈົ້າ​ໄດ້​ກ່າວ​ຢູ່​ໃນ​ໂຮງ​ຮຽນ, ຫຼັງ​ຈາກ​ນັ້ນ​ຈະ​ມີ​ບັນ​ຫາ​ກັບ​ພະ​ນັກ​ງານ​ດັ່ງ​ກ່າວ​ຕໍ່​ມາ​ບໍ່​ມີ. ແຕ່ 90-95% ຂອງປະຊາຊົນ, ເພື່ອຮຽນຮູ້ບາງສິ່ງບາງຢ່າງຕະຫຼອດໄປ, ຈໍາເປັນຕ້ອງໄດ້ຮຽນຮູ້ຫຼາຍສິບເທື່ອແລະເຮັດມັນຢ່າງເປັນລະບົບເປັນເວລາຫຼາຍປີຕິດຕໍ່ກັນ. ແລະນີ້ເຮັດໃຫ້ໂຄງການປະລິນຍາໂທໃນການວິເຄາະຂໍ້ມູນເປັນທາງເລືອກທີ່ດີເລີດທີ່ຈະໄດ້ຮັບຄວາມຮູ້ພື້ນຖານທີ່ດີ, ເຊິ່ງທ່ານຈະບໍ່ຕ້ອງຕາບອດໃນເວລາສໍາພາດ, ແລະມັນຈະງ່າຍຂຶ້ນຫຼາຍທີ່ຈະເຮັດວຽກ.

Victor Kantor
ຫົວຫນ້າວິທະຍາສາດຂໍ້ມູນຢູ່ MTS

ບ່ອນທີ່ຈະສຶກສາເພື່ອຊອກຫາວຽກເຮັດງານທໍາໃນ Data Science

ມີຫຼັກສູດວິທະຍາສາດຂໍ້ມູນທີ່ດີຫຼາຍຢູ່ໃນຕະຫຼາດແລະໄດ້ຮັບການສຶກສາເບື້ອງຕົ້ນບໍ່ແມ່ນບັນຫາ. ແຕ່ມັນຈໍາເປັນຕ້ອງເຂົ້າໃຈຈຸດສຸມຂອງການສຶກສານີ້. ຖ້າຜູ້ສະຫມັກມີພື້ນຖານດ້ານວິຊາການທີ່ເຂັ້ມແຂງແລ້ວ, ຫຼັກສູດທີ່ເຂັ້ມງວດແມ່ນສິ່ງທີ່ພວກເຂົາຕ້ອງການ. ບຸກຄົນຈະຊໍານິຊໍານານໃນເຄື່ອງມື, ມາຮອດສະຖານທີ່ແລະໃຊ້ມັນຢ່າງໄວວາ, ເພາະວ່າລາວຮູ້ວິທີການຄິດຄືກັບນັກຄະນິດສາດ, ເຫັນບັນຫາແລະສ້າງບັນຫາ. ຖ້າບໍ່ມີພື້ນຖານດັ່ງກ່າວ, ຫຼັງຈາກນັ້ນຫຼັງຈາກຫຼັກສູດທ່ານຈະເປັນນັກສະແດງທີ່ດີ, ແຕ່ມີໂອກາດຈໍາກັດສໍາລັບການເຕີບໂຕ.

ຖ້າທ່ານປະເຊີນກັບວຽກງານໄລຍະສັ້ນໃນການປ່ຽນແປງອາຊີບຫຼືຊອກຫາວຽກເຮັດງານ ທຳ ໃນວິຊາສະເພາະນີ້, ບາງຫຼັກສູດທີ່ເປັນລະບົບແມ່ນ ເໝາະ ສົມກັບທ່ານ, ເຊິ່ງສັ້ນແລະໄວສະ ໜອງ ທັກສະດ້ານວິຊາການຂັ້ນຕໍ່າເພື່ອໃຫ້ເຈົ້າສາມາດເຂົ້າຮຽນໄດ້. ຕໍາ​ແຫນ່ງ​ໃນ​ລະ​ດັບ​ໃນ​ພາກ​ສະ​ຫນາມ​ນີ້​.

Ivan Yamshchikov
ຜູ້ອໍານວຍການວິຊາການຂອງໂຄງການຕົ້ນສະບັບອອນໄລນ໌ "ວິທະຍາສາດຂໍ້ມູນ"

ບັນຫາກັບຫຼັກສູດແມ່ນຊັດເຈນວ່າພວກເຂົາສະຫນອງການເລັ່ງໄວແຕ່ຫນ້ອຍທີ່ສຸດ. ບຸກຄົນທີ່ຮູ້ຫນັງສືບິນເຂົ້າໄປໃນອາຊີບແລະໄວໄປຮອດເພດານ. ເພື່ອເຂົ້າໄປໃນອາຊີບເປັນເວລາດົນນານ, ທ່ານຈໍາເປັນຕ້ອງໄດ້ວາງພື້ນຖານທີ່ດີໃນທັນທີໃນຮູບແບບຂອງໂຄງການໄລຍະຍາວ, ຕົວຢ່າງ, ປະລິນຍາໂທ.

ການສຶກສາທີ່ສູງຂຶ້ນແມ່ນເຫມາະສົມໃນເວລາທີ່ທ່ານເຂົ້າໃຈວ່າສາຂານີ້ສົນໃຈທ່ານໃນໄລຍະຍາວ. ເຈົ້າບໍ່ກະຕືລືລົ້ນທີ່ຈະໄປເຮັດວຽກໄວເທົ່າທີ່ຈະໄວໄດ້. ແລະທ່ານບໍ່ຕ້ອງການທີ່ຈະມີເພດານອາຊີບ; ທ່ານຍັງບໍ່ຕ້ອງການປະເຊີນກັບບັນຫາຂອງການຂາດຄວາມຮູ້, ທັກສະ, ການຂາດຄວາມເຂົ້າໃຈຂອງລະບົບນິເວດທົ່ວໄປໂດຍການຊ່ວຍເຫຼືອຂອງຜະລິດຕະພັນນະວັດກໍາໄດ້ຖືກພັດທະນາ. ສໍາລັບການນີ້, ທ່ານຕ້ອງການການສຶກສາທີ່ສູງຂຶ້ນ, ເຊິ່ງບໍ່ພຽງແຕ່ສ້າງຊຸດທັກສະດ້ານວິຊາການທີ່ຈໍາເປັນ, ແຕ່ຍັງສ້າງໂຄງສ້າງແນວຄິດຂອງເຈົ້າໃຫ້ແຕກຕ່າງກັນແລະຊ່ວຍໃຫ້ທ່ານສ້າງວິໄສທັດຂອງການເຮັດວຽກຂອງທ່ານໃນໄລຍະຍາວ.

Ivan Yamshchikov
ຜູ້ອໍານວຍການວິຊາການຂອງໂຄງການຕົ້ນສະບັບອອນໄລນ໌ "ວິທະຍາສາດຂໍ້ມູນ"

ການບໍ່ມີເພດານອາຊີບແມ່ນປະໂຫຍດຕົ້ນຕໍຂອງໂຄງການປະລິນຍາໂທ. ໃນສອງປີ, ຜູ້ຊ່ຽວຊານໄດ້ຮັບພື້ນຖານທິດສະດີທີ່ມີປະສິດທິພາບ. ນີ້ແມ່ນສິ່ງທີ່ພາກຮຽນທໍາອິດໃນໂຄງການວິທະຍາສາດຂໍ້ມູນຢູ່ NUST MISIS ເບິ່ງຄືວ່າ:

• ແນະນໍາວິທະຍາສາດຂໍ້ມູນ. 2 ອາທິດ.
• ພື້ນຖານຂອງການວິເຄາະຂໍ້ມູນ. ການ​ປະ​ມວນ​ຜົນ​ຂໍ້​ມູນ. 2 ອາທິດ
• ການຮຽນຮູ້ເຄື່ອງຈັກ. ການປະມວນຜົນຂໍ້ມູນກ່ອນ. 2 ອາທິດ
• EDA. ການວິເຄາະຂໍ້ມູນທາງປັນຍາ. 3 ອາທິດ
• ຂັ້ນຕອນການຮຽນຮູ້ເຄື່ອງຈັກພື້ນຖານ. Ch1 + Ch2 (6 ອາທິດ)

ໃນເວລາດຽວກັນ, ທ່ານສາມາດໄດ້ຮັບປະສົບການປະຕິບັດໃນການເຮັດວຽກໃນເວລາດຽວກັນ. ບໍ່ມີຫຍັງຂັດຂວາງທ່ານຈາກການໄດ້ຮັບຕໍາແຫນ່ງ junior ທັນທີທີ່ນັກຮຽນໄດ້ mastered ເຄື່ອງມືທີ່ຈໍາເປັນ. ແຕ່, ບໍ່ເຫມືອນກັບຜູ້ຮຽນຈົບຫຼັກສູດ, ປະລິນຍາໂທບໍ່ໄດ້ຢຸດການສຶກສາຂອງລາວຢູ່ທີ່ນັ້ນ, ແຕ່ຍັງສືບຕໍ່ເຈາະເລິກເຂົ້າໄປໃນອາຊີບ. ໃນອະນາຄົດ, ນີ້ຊ່ວຍໃຫ້ທ່ານສາມາດພັດທະນາໃນ Data Science ໂດຍບໍ່ມີຂໍ້ຈໍາກັດ.

ຢູ່ໃນເວັບໄຊທ໌ຂອງມະຫາວິທະຍາໄລວິທະຍາສາດແລະເຕັກໂນໂລຢີ "MISiS" ມື້ເປີດແລະ webinars ສໍາລັບຜູ້ທີ່ຕ້ອງການເຮັດວຽກໃນ Data Science. ຜູ້ຕາງຫນ້າຂອງ NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group ແລະ Yandex, ຂ້າພະເຈົ້າຈະບອກທ່ານກ່ຽວກັບສິ່ງທີ່ສໍາຄັນທີ່ສຸດ:

• "ວິທີການຊອກຫາສະຖານທີ່ຂອງທ່ານໃນ Data Science?",
• "ມັນເປັນໄປໄດ້ທີ່ຈະກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນຕັ້ງແຕ່ເລີ່ມຕົ້ນບໍ?",
• "ຄວາມຕ້ອງການສໍາລັບນັກວິທະຍາສາດຂໍ້ມູນຍັງຢູ່ໃນ 2-5 ປີບໍ?"
• "ນັກວິທະຍາສາດຂໍ້ມູນເຮັດວຽກບັນຫາໃດແດ່?"
• "ວິທີການສ້າງອາຊີບໃນວິທະຍາສາດຂໍ້ມູນ?"

ການຝຶກອົບຮົມອອນໄລນ໌, ຊັ້ນສູງການສຶກສາສາທາລະນະ. ຄໍາຮ້ອງສະຫມັກສໍາລັບໂຄງການ ຍອມຮັບຈົນກ່ວາ 10 Aug.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com