जलद प्रारंभ आणि कमी कमाल मर्यादा. श्रमिक बाजारात तरुण डेटा विज्ञान तज्ञांची काय प्रतीक्षा आहे

HeadHunter आणि Mail.ru च्या संशोधनानुसार, डेटा सायन्स क्षेत्रातील तज्ञांची मागणी पुरवठ्यापेक्षा जास्त आहे, परंतु तरीही, तरुण तज्ञ नेहमीच काम शोधू शकत नाहीत. डेटा सायन्समध्ये मोठ्या करिअरची योजना आखत असलेल्यांनी कोणत्या अभ्यासक्रमाचे पदवीधर गहाळ आहेत आणि कुठे अभ्यास करायचा हे आम्ही तुम्हाला सांगतो.

"ते येतात आणि विचार करतात की आता ते प्रति सेकंद 500k कमावतील, कारण त्यांना फ्रेमवर्कची नावे माहित आहेत आणि त्यांच्याकडून दोन ओळींमध्ये मॉडेल कसे चालवायचे"

एमिल महारामोव्ह तो बायोकॅडमध्ये संगणकीय रसायनशास्त्र सेवांच्या गटाचे नेतृत्व करतो आणि मुलाखती दरम्यान त्याला या गोष्टीचा सामना करावा लागतो की उमेदवारांना व्यवसायाची पद्धतशीर समज नसते. ते अभ्यासक्रम पूर्ण करतात, उत्तम प्रशिक्षित पायथन आणि SQL सह येतात, 2 सेकंदात Hadoop किंवा Spark स्थापित करू शकतात आणि स्पष्ट तपशीलानुसार कार्य पूर्ण करतात. पण त्याच वेळी, आता बाजूला एक पाऊल नाही. जरी नियोक्ते त्यांच्या डेटा सायन्स तज्ञांकडून अपेक्षित समाधानांमध्ये लवचिकता आहे.

डेटा सायन्स मार्केटमध्ये काय चालले आहे

तरुण तज्ञांची क्षमता श्रमिक बाजारपेठेतील परिस्थिती प्रतिबिंबित करते. येथे, मागणी लक्षणीय प्रमाणात पुरवठ्यापेक्षा जास्त आहे, म्हणून हताश नियोक्ते सहसा पूर्णपणे हिरव्या तज्ञांना नियुक्त करण्यास आणि त्यांना स्वतःसाठी प्रशिक्षण देण्यास तयार असतात. हा पर्याय कार्य करतो, परंतु संघाकडे आधीपासूनच अनुभवी टीम लीडर असेल जो कनिष्ठांचे प्रशिक्षण घेईल तरच तो योग्य आहे.

HeadHunter आणि Mail.ru च्या संशोधनानुसार, डेटा विश्लेषण तज्ञांना बाजारात सर्वाधिक मागणी आहे:

• 2019 मध्ये, डेटा विश्लेषणाच्या क्षेत्रात 9,6 पट जास्त आणि 7,2 च्या तुलनेत मशीन लर्निंगच्या क्षेत्रात 2015 पट अधिक रिक्त जागा होत्या.
• 2018 च्या तुलनेत, डेटा विश्लेषण तज्ञांच्या रिक्त पदांच्या संख्येत 1,4 पट आणि मशीन लर्निंग तज्ञांसाठी 1,3 पटीने वाढ झाली आहे.
• खुल्या रिक्त पदांपैकी 38% आयटी कंपन्यांमध्ये, 29% वित्तीय क्षेत्रातील कंपन्यांमध्ये आणि 9% व्यावसायिक सेवांमध्ये आहेत.

त्याच कनिष्ठांना प्रशिक्षण देणार्‍या असंख्य ऑनलाइन शाळांमुळे परिस्थिती निर्माण झाली आहे. मूलभूतपणे, प्रशिक्षण तीन ते सहा महिन्यांपर्यंत चालते, ज्या दरम्यान विद्यार्थी मूलभूत स्तरावर मुख्य साधनांमध्ये प्रभुत्व मिळवतात: पायथन, एसक्यूएल, डेटा विश्लेषण, गिट आणि लिनक्स. परिणाम एक क्लासिक कनिष्ठ आहे: तो एक विशिष्ट समस्या सोडवू शकतो, परंतु तरीही समस्या समजू शकत नाही आणि समस्या स्वतः तयार करू शकत नाही. तथापि, तज्ञांची उच्च मागणी आणि व्यवसायाभोवतीचा प्रचार अनेकदा उच्च महत्वाकांक्षा आणि पगाराच्या आवश्यकतांना जन्म देतो.

दुर्दैवाने, डेटा सायन्समधील मुलाखती आता सामान्यतः यासारख्या दिसतात: उमेदवार म्हणतो की त्याने दोन लायब्ररी वापरण्याचा प्रयत्न केला, अल्गोरिदम नेमके कसे कार्य करतात या प्रश्नांची उत्तरे देऊ शकत नाहीत, त्यानंतर महिन्याला 200, 300, 400 हजार रूबल मागतात.

“कोणीही डेटा विश्लेषक बनू शकतो”, “तीन महिन्यांत मास्टर मशीन लर्निंग करा आणि भरपूर पैसे कमवू शकता” अशा मोठ्या संख्येने जाहिरातींच्या घोषणांमुळे आणि झटपट पैशाची तहान यामुळे, वरवरच्या उमेदवारांचा एक मोठा प्रवाह आमच्यामध्ये ओतला गेला आहे. पूर्णपणे पद्धतशीर प्रशिक्षण नसलेले क्षेत्र.

व्हिक्टर कॅंटर
MTS मधील मुख्य डेटा वैज्ञानिक

नियोक्ते कोणाची वाट पाहत आहेत?

कोणत्याही नियोक्त्याला त्याच्या कनिष्ठांनी सतत पर्यवेक्षणाशिवाय काम करावे आणि टीम लीडरच्या मार्गदर्शनाखाली विकसित करण्यास सक्षम व्हावे असे वाटते. हे करण्यासाठी, नवशिक्याकडे सध्याच्या समस्यांचे निराकरण करण्यासाठी आवश्यक साधने ताबडतोब असणे आवश्यक आहे आणि हळूहळू त्यांचे स्वतःचे निराकरण प्रस्तावित करण्यासाठी आणि अधिक जटिल समस्यांकडे जाण्यासाठी पुरेसा सैद्धांतिक आधार असणे आवश्यक आहे.

बाजारात नवीन लोक त्यांच्या साधनांसह चांगले काम करत आहेत. अल्प-मुदतीचे अभ्यासक्रम तुम्हाला त्वरीत त्यामध्ये प्रभुत्व मिळवू शकतात आणि कामावर जाण्याची परवानगी देतात.

HeadHunter आणि Mail.ru च्या संशोधनानुसार, सर्वात जास्त मागणी असलेले कौशल्य पायथन आहे. डेटा सायंटिस्टच्या 45% रिक्त जागा आणि मशीन लर्निंगच्या 51% रिक्त जागांमध्ये याचा उल्लेख आहे.

डेटा विश्लेषकांना SQL (23%), डेटा मायनिंग (19%), गणितीय आकडेवारी (11%) माहित असावे आणि मोठ्या डेटा (10%) सह कार्य करण्यास सक्षम व्हावे अशी नियोक्ते देखील इच्छा करतात.

मशीन लर्निंग तज्ञ शोधत असलेले नियोक्ते उमेदवाराला पायथनच्या ज्ञानाव्यतिरिक्त C++ (18%), SQL (15%), मशीन लर्निंग अल्गोरिदम (13%) आणि Linux (11%) मध्ये निपुण असावे अशी अपेक्षा करतात.

पण जर ज्युनियर्स साधनांसह चांगले काम करत असतील, तर त्यांच्या व्यवस्थापकांना आणखी एका समस्येचा सामना करावा लागतो. बर्‍याच कोर्स ग्रॅज्युएट्सना व्यवसायाची सखोल माहिती नसते, त्यामुळे नवशिक्यासाठी प्रगती करणे कठीण होते.

माझ्या टीममध्ये सामील होण्यासाठी मी सध्या मशीन लर्निंग तज्ञ शोधत आहे. त्याच वेळी, मी पाहतो की उमेदवारांनी बर्‍याचदा काही डेटा सायन्स टूल्समध्ये प्रभुत्व मिळवले आहे, परंतु त्यांना नवीन उपाय तयार करण्यासाठी सैद्धांतिक पायांबद्दल पुरेसे सखोल ज्ञान नाही.

एमिल महारामोव्ह
कम्प्युटेशनल केमिस्ट्री सर्व्हिसेस ग्रुपचे प्रमुख, बायोकॅड

अभ्यासक्रमांची रचना आणि कालावधी आपल्याला आवश्यक पातळीपर्यंत खोलवर जाण्याची परवानगी देत ​​​​नाही. पदवीधरांमध्ये बर्‍याचदा अशा सॉफ्ट स्किल्सचा अभाव असतो ज्या सहसा नोकरीच्या रिक्त जागा वाचताना गमावल्या जातात. बरं, खरंच, आपल्यापैकी कोण म्हणेल की त्याच्याकडे प्रणालीचा विचार नाही किंवा विकसित करण्याची इच्छा नाही. तथापि, डेटा सायन्स तज्ञाच्या संबंधात, आम्ही एका सखोल कथेबद्दल बोलत आहोत. येथे, विकसित होण्यासाठी, आपल्याला सिद्धांत आणि विज्ञानामध्ये बर्‍यापैकी मजबूत पूर्वाग्रह आवश्यक आहे, जे केवळ दीर्घकालीन अभ्यासाद्वारे शक्य आहे, उदाहरणार्थ, विद्यापीठात.

त्या व्यक्तीवर बरेच काही अवलंबून असते: जर तीन महिन्यांचा सशक्त शिक्षकांचा अनुभव असलेल्या मजबूत शिक्षकांनी आघाडीच्या कंपन्यांमध्ये संघाचे नेतृत्व केले तर, गणित आणि प्रोग्रामिंगची चांगली पार्श्वभूमी असलेल्या विद्यार्थ्याने पूर्ण केले तर, सर्व अभ्यासक्रम सामग्रीचा अभ्यास केला आणि “स्पंजसारखे शोषून घेतले. ,” त्यांनी शाळेत म्हटल्याप्रमाणे, नंतर अशा कर्मचार्‍यांसह समस्या असतील. परंतु 90-95% लोकांना, कायमस्वरूपी काहीतरी शिकण्यासाठी, दहापट अधिक शिकण्याची आणि सलग अनेक वर्षे ते पद्धतशीरपणे करण्याची आवश्यकता आहे. आणि यामुळे ज्ञानाचा चांगला पाया मिळविण्यासाठी डेटा विश्लेषणातील मास्टर्स प्रोग्राम्स हा एक उत्कृष्ट पर्याय बनतो, ज्याच्या मदतीने तुम्हाला मुलाखतीत लाली दाखवावी लागणार नाही आणि काम करणे खूप सोपे होईल.

व्हिक्टर कॅंटर
MTS मधील मुख्य डेटा वैज्ञानिक

डेटा सायन्समध्ये नोकरी शोधण्यासाठी कुठे अभ्यास करावा

बाजारात अनेक चांगले डेटा सायन्स कोर्स आहेत आणि प्रारंभिक शिक्षण घेणे ही समस्या नाही. पण या शिक्षणाचा केंद्रबिंदू समजून घेणे महत्त्वाचे आहे. जर उमेदवाराची आधीच मजबूत तांत्रिक पार्श्वभूमी असेल, तर त्यांना आवश्यक असलेले गहन अभ्यासक्रम आहेत. एखादी व्यक्ती साधनांमध्ये प्रभुत्व मिळवेल, त्या ठिकाणी येईल आणि त्वरीत त्याची सवय करेल, कारण त्याला आधीच गणितज्ञांसारखे कसे विचार करायचे, समस्या पाहणे आणि समस्या तयार करणे हे माहित आहे. जर अशी कोणतीही पार्श्वभूमी नसेल, तर कोर्सनंतर तुम्ही एक चांगला परफॉर्मर व्हाल, परंतु वाढीच्या मर्यादित संधींसह.

तुम्‍हाला एखादा व्‍यवसाय बदलण्‍याचे किंवा या विशिष्‍टतेमध्‍ये नोकरी शोधण्‍याच्‍या अल्प-मुदतीच्‍या कामाचा सामना करावा लागत असल्‍यास, काही पद्धतशीर कोर्सेस तुमच्‍यासाठी योग्य आहेत, जे लहान आहेत आणि त्‍वरितपणे तांत्रिक कौशल्यांचा किमान संच प्रदान करतात जेणेकरून तुम्‍ही यासाठी पात्र ठरू शकाल. या क्षेत्रात प्रवेश-स्तरीय स्थिती.

इव्हान यामशिकोव्ह
ऑनलाइन मास्टर प्रोग्राम "डेटा सायन्स" चे शैक्षणिक संचालक

अभ्यासक्रमांची समस्या तंतोतंत अशी आहे की ते जलद परंतु किमान प्रवेग प्रदान करतात. एखादी व्यक्ती अक्षरशः व्यवसायात उडते आणि पटकन कमाल मर्यादेपर्यंत पोहोचते. बर्याच काळासाठी व्यवसायात प्रवेश करण्यासाठी, आपल्याला ताबडतोब दीर्घ-मुदतीच्या कार्यक्रमाच्या रूपात एक चांगला पाया घालणे आवश्यक आहे, उदाहरणार्थ, पदव्युत्तर पदवी.

जेव्हा तुम्हाला हे समजते की या क्षेत्रात तुम्हाला दीर्घकालीन स्वारस्य आहे तेव्हा उच्च शिक्षण योग्य आहे. तुम्ही शक्य तितक्या लवकर कामावर जाण्यास उत्सुक नाही. आणि तुम्हाला करिअरची कमाल मर्यादा नको आहे; तुम्हाला ज्ञानाचा, कौशल्यांचा अभाव, ज्याच्या मदतीने नाविन्यपूर्ण उत्पादने विकसित केली जातात त्या सामान्य इकोसिस्टमची समज नसणे या समस्येला तोंड द्यायचे नाही. यासाठी, तुम्हाला उच्च शिक्षणाची गरज आहे, जे केवळ तांत्रिक कौशल्यांचा आवश्यक संच तयार करत नाही, तर तुमच्या विचारसरणीची वेगळी रचना करते आणि दीर्घ मुदतीसाठी तुमच्या करिअरची काही दृष्टी तयार करण्यास मदत करते.

इव्हान यामशिकोव्ह
ऑनलाइन मास्टर प्रोग्राम "डेटा सायन्स" चे शैक्षणिक संचालक

करिअरच्या कमाल मर्यादेची अनुपस्थिती हा मास्टर प्रोग्रामचा मुख्य फायदा आहे. दोन वर्षांत, एक विशेषज्ञ एक शक्तिशाली सैद्धांतिक आधार प्राप्त करतो. NUST MISIS मधील डेटा सायन्स प्रोग्राममधील पहिले सेमिस्टर असे दिसते:

• डेटा सायन्सचा परिचय. 2 आठवडे.
• डेटा विश्लेषणाची मूलभूत तत्त्वे. डेटा प्रोसेसिंग. 2 आठवडे
• मशीन लर्निंग. डेटा प्रीप्रोसेसिंग. 2 आठवडे
• EDA. बुद्धिमत्ता डेटा विश्लेषण. 3 आठवडे
• मूलभूत मशीन लर्निंग अल्गोरिदम. Ch1 + Ch2 (6 आठवडे)

त्याच वेळी, आपण एकाच वेळी कामावर व्यावहारिक अनुभव मिळवू शकता. विद्यार्थ्याने आवश्यक साधनांमध्ये प्राविण्य प्राप्त केल्यावर तुम्हाला कनिष्ठ स्थान मिळविण्यापासून काहीही रोखणार नाही. परंतु, कोर्स ग्रॅज्युएटच्या विपरीत, पदव्युत्तर पदवी तेथेच त्याचा अभ्यास थांबवत नाही, परंतु व्यवसायात सखोलपणे शोधत राहते. भविष्यात, हे तुम्हाला डेटा सायन्समध्ये निर्बंधांशिवाय विकसित करण्यास अनुमती देते.

विज्ञान आणि तंत्रज्ञान विद्यापीठाच्या वेबसाइटवर "MISiS" खुले दिवस आणि वेबिनार ज्यांना डेटा सायन्समध्ये काम करायचे आहे त्यांच्यासाठी. NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group आणि Yandex चे प्रतिनिधी, मी तुम्हाला सर्वात महत्वाच्या गोष्टींबद्दल सांगेन:

• "डेटा सायन्समध्ये तुमचे स्थान कसे शोधायचे?",
• "सुरुवातीपासून डेटा सायंटिस्ट बनणे शक्य आहे का?",
• "डेटा सायंटिस्टची गरज 2-5 वर्षात तरी अस्तित्वात असेल?"
• "डेटा वैज्ञानिक कोणत्या समस्यांवर काम करतात?"
• "डेटा सायन्समध्ये करिअर कसे तयार करावे?"

ऑनलाइन प्रशिक्षण, सार्वजनिक शिक्षण डिप्लोमा. कार्यक्रमासाठी अर्ज पर्यंत स्वीकारले 10 ऑगस्ट.

स्त्रोत: www.habr.com