Според истражувањето на HeadHunter и Mail.ru, побарувачката за специјалисти во областа на Data Science ја надминува понудата, но и покрај тоа, младите специјалисти не секогаш успеваат да најдат работа. Ви кажуваме кои курсеви недостасуваат и каде да студираат за оние кои планираат голема кариера во Data Science.
„Тие доаѓаат и мислат дека сега ќе заработуваат 500 илјади во секунда, бидејќи ги знаат имињата на рамки и како да водат модел од нив во два реда“.
Емил Махарамов тој води група на услуги за пресметковна хемија во biocad и за време на интервјуата се соочува со фактот дека кандидатите немаат систематско разбирање на професијата. Тие завршуваат курсеви, доаѓаат со добро обучени Python и SQL, можат да инсталираат Hadoop или Spark за 2 секунди и да завршат задача според јасна спецификација. Но, во исто време, веќе нема чекор на страна. Иако работодавците очекуваат флексибилност во решенијата од нивните специјалисти за наука за податоци.
Што се случува на пазарот на Data Science
Компетенциите на младите специјалисти ја одразуваат состојбата на пазарот на трудот. Овде, побарувачката значително ја надминува понудата, така што очајните работодавци честопати се навистина подготвени да ангажираат целосно зелени специјалисти и да ги обучат за себе. Опцијата функционира, но е погодна само ако тимот веќе има искусен лидер на тимот кој ќе го преземе тренингот на јуниорот.
Според истражувањето на HeadHunter и Mail.ru, специјалистите за анализа на податоци се меѓу најбараните на пазарот:
- Во 2019 година имало 9,6 пати повеќе слободни работни места во областа на анализа на податоци и 7,2 пати повеќе во областа на машинското учење отколку во 2015 година.
- Во споредба со 2018 година, бројот на слободни работни места за специјалисти за анализа на податоци е зголемен за 1,4 пати, а за специјалисти за машинско учење за 1,3 пати.
- 38% од отворените работни места се во ИТ компании, 29% во компании од финансискиот сектор и 9% во деловни услуги.
Ситуацијата е поттикната од бројни онлајн училишта кои ги обучуваат истите тие јуниори. Во основа, обуката трае од три до шест месеци, при што студентите успеваат да ги совладаат главните алатки на основно ниво: Python, SQL, анализа на податоци, Git и Linux. Резултатот е класичен помлад: тој може да реши одреден проблем, но сепак не може да го разбере проблемот и сам да го формулира проблемот. Сепак, големата побарувачка за специјалисти и возбудата околу професијата често предизвикува високи амбиции и барања за плата.
За жал, интервјуата во Data Science сега обично изгледаат вака: кандидатот вели дека се обидел да користи неколку библиотеки, не може да одговори на прашања за тоа како точно функционираат алгоритмите, а потоа бара 200, 300, 400 илјади рубли месечно во рака.
Поради големиот број на рекламни слогани како „секој може да стане аналитичар на податоци“, „го совладате машинското учење за три месеци и почнете да заработувате многу пари“ и жедта за брзи пари, огромен прилив на површни кандидати се влеа во нашите поле со апсолутно никаква систематска обука.
Виктор Кантор
Главен научник за податоци во МТС
Кого чекаат работодавците?
Секој работодавач би сакал неговите помлади да работат без постојан надзор и да можат да се развиваат под водство на лидер на тимот. За да го направите ова, почетник мора веднаш да ги поседува потребните алатки за решавање на тековните проблеми и да има доволно теоретска основа за постепено да предлага свои решенија и да пристапи кон посложени проблеми.
На почетниците на пазарот им оди доста добро со своите алатки. Краткорочните курсеви ви овозможуваат брзо да ги совладате и да се фатите за работа.
Според истражувањето на HeadHunter и Mail.ru, најбараната вештина е Python. Се споменува во 45% од слободните работни места за научници за податоци и 51% од работните места за машинско учење.
Работодавците, исто така, сакаат аналитичарите на податоци да знаат SQL (23%), податоци за рударство (19%), математичка статистика (11%) и да можат да работат со големи податоци (10%).
Работодавците кои бараат специјалисти за машинско учење очекуваат кандидатот да биде умешен во C++ (18%), SQL (15%), алгоритми за машинско учење (13%) и Linux (11%), покрај познавање на Python.
Но, ако на јуниорите им оди добро со алатките, тогаш нивните менаџери се соочуваат со друг проблем. Повеќето дипломирани студенти немаат длабоко разбирање за професијата, што го отежнува напредокот на почетниците.
Моментално барам специјалисти за машинско учење за да се приклучат на мојот тим. Во исто време, гледам дека кандидатите често совладале одредени алатки за Data Science, но немаат доволно длабоко разбирање на теоретските основи за да создадат нови решенија.
Емил Махарамов
Раководител на Групата за услуги за компјутерска хемија, Biocad
Самата структура и времетраењето на курсевите не ви дозволува да одите подлабоко до потребното ниво. На дипломираните студенти често им недостасуваат оние многу меки вештини кои обично се пропуштаат при читање на конкурс за работа. Па, навистина, кој од нас ќе каже дека нема системско размислување или желба за развој. Меѓутоа, во однос на специјалист за Data Science, зборуваме за подлабока приказна. Овде, за да се развиете, потребна ви е прилично силна пристрасност во теоријата и науката, што е можно само преку долгорочно студирање, на пример, на универзитет.
Многу зависи од личноста: ако тримесечен интензивен курс од силни наставници со искуство како тим водечки во врвни компании го заврши студент со добра позадина во математика и програмирање, навлегува во сите материјали на курсот и „апсорбира како сунѓер “, како што рекоа во училиште, тогаш ќе има проблеми со таков вработен подоцна Бр. Но, 90-95% од луѓето, за да научат нешто засекогаш, треба да научат десет пати повеќе и да го прават тоа систематски неколку години по ред. И ова ги прави магистерските програми за анализа на податоци одлична опција за да добиете добра основа на знаење, со која нема да морате да се вцрвувате на интервју и ќе ви биде многу полесно да ја завршите работата.
Виктор Кантор
Главен научник за податоци во МТС
Каде да студирате за да најдете работа во Data Science
Има многу добри курсеви за Data Science на пазарот и добивањето почетно образование не е проблем. Но, важно е да се разбере фокусот на ова образование. Ако кандидатот веќе има силна техничка позадина, тогаш интензивните курсеви се она што му треба. Човекот ќе ги совлада алатките, ќе дојде на местото и брзо ќе се навикне на тоа, бидејќи веќе знае да размислува како математичар, да гледа проблем и да формулира проблеми. Ако нема таква позадина, тогаш по курсот ќе бидете добар изведувач, но со ограничени можности за раст.
Ако сте соочени со краткорочна задача да смените професија или да најдете работа во оваа специјалност, тогаш некои систематски курсеви се погодни за вас, кои се кратки и брзо обезбедуваат минимален сет на технички вештини за да можете да се квалификувате за позиција на почетно ниво во ова поле.
Иван Јамшчиков
Академски директор на онлајн магистерската програма „Наука за податоци“
Проблемот со курсевите е токму тоа што обезбедуваат брзо, но минимално забрзување. Едно лице буквално лета во професијата и брзо стигнува до таванот. За да влезете во професијата долго време, треба веднаш да поставите добра основа во форма на подолготрајна програма, на пример, магистерски студии.
Високото образование е погодно кога разбирате дека оваа област ве интересира долгорочно. Не сте желни да стигнете на работа што е можно поскоро. И не сакате да имате плафон за кариера; исто така не сакате да се соочите со проблемот на недостаток на знаење, вештини, недостаток на разбирање на општиот екосистем со помош на кој се развиваат иновативни производи. За ова, потребно ви е високо образование, кое не само што го создава потребниот сет на технички вештини, туку и поинаку го структурира вашето размислување и ви помага да формирате одредена визија за вашата кариера на подолг рок.
Иван Јамшчиков
Академски директор на онлајн магистерската програма „Наука за податоци“
Отсуството на плафон за кариера е главната предност на магистерската програма. За две години, специјалист добива моќна теоретска основа. Вака изгледа првиот семестар во програмата Data Science на NUST MISIS:
- Вовед во науката за податоци. 2 недели.
- Основи на анализа на податоци. Обработка на податоци. 2 недели
- Машинско учење. Претходна обработка на податоци. 2 недели
- ЕДА. Разузнавачка анализа на податоци. 3 недели
- Основни алгоритми за машинско учење. Ch1 + Ch2 (6 недели)
Во исто време, можете истовремено да стекнете практично искуство на работа. Ништо не ве спречува да добиете помлада позиција штом ученикот ќе ги совлада потребните алатки. Но, за разлика од дипломиран курс, магистратурата не ги запира студиите таму, туку продолжува да навлегува подлабоко во професијата. Во иднина, ова ви овозможува да се развивате во Data Science без ограничувања.
На веб-страницата на Универзитетот за наука и технологија „МИСиС“ за оние кои сакаат да работат во Data Science. Претставници на NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group и Yandex, ќе ви кажам за најважните работи:
- „Како да го најдете вашето место во Data Science?“,
- „Дали е можно да се стане научник за податоци од нула?“,
- „Дали потребата од научници за податоци сè уште ќе постои за 2-5 години?
- „На кои проблеми работат научниците за податоци?
- „Како да се изгради кариера во науката за податоци?
Онлајн обука, диплома за јавно образование. прифатени до 10 август.
Извор: www.habr.com