I følge forskning fra HeadHunter og Mail.ru overstiger etterspørselen etter spesialister innen datavitenskap tilbudet, men likevel klarer ikke unge spesialister å finne arbeid. Vi forteller deg hvilke kurskandidater som mangler og hvor du skal studere for de som planlegger en stor karriere innen datavitenskap.
"De kommer og tror at nå vil de tjene 500 XNUMX per sekund, fordi de vet navnene på rammene og hvordan man kjører en modell fra dem på to linjer"
Emil Maharramov han leder en gruppe beregningsbaserte kjemitjenester ved biocad og under intervjuer blir han møtt med at kandidater ikke har en systematisk forståelse av yrket. De gjennomfører kurs, kommer med godt trent Python og SQL, kan installere Hadoop eller Spark på 2 sekunder, og fullføre en oppgave i henhold til en klar spesifikasjon. Men samtidig er det ikke lenger et skritt til siden. Selv om det er fleksibilitet i løsninger som arbeidsgivere forventer av sine datavitenskapsspesialister.
Hva skjer i Data Science-markedet
Kompetansen til unge spesialister gjenspeiler situasjonen på arbeidsmarkedet. Her overgår etterspørselen betydelig tilbudet, så desperate arbeidsgivere er ofte virkelig klare til å ansette helt grønne spesialister og lære dem opp selv. Alternativet fungerer, men egner seg kun dersom laget allerede har en erfaren lagleder som skal overta opplæringen av junior.
I følge forskning fra HeadHunter og Mail.ru er dataanalysespesialister blant de mest etterspurte på markedet:
- I 2019 var det 9,6 ganger flere ledige stillinger innen dataanalyse, og 7,2 ganger flere innen maskinlæring enn i 2015.
- Sammenlignet med 2018 økte antall ledige stillinger for dataanalysespesialister med 1,4 ganger, og for maskinlæringsspesialister med 1,3 ganger.
- 38 % av ledige stillinger er i IT-bedrifter, 29 % i finanssektorbedrifter og 9 % i forretningstjenester.
Situasjonen er drevet av en rekke nettskoler som trener de samme juniorene. I utgangspunktet varer opplæringen fra tre til seks måneder, hvor studentene klarer å mestre hovedverktøyene på et grunnleggende nivå: Python, SQL, dataanalyse, Git og Linux. Resultatet er en klassisk junior: han kan løse et spesifikt problem, men kan likevel ikke forstå problemet og formulere problemet på egen hånd. Den store etterspørselen etter spesialister og hypen rundt yrket gir imidlertid ofte høye ambisjoner og lønnskrav.
Dessverre ser intervjuer i Data Science nå vanligvis slik ut: kandidaten sier at han prøvde å bruke et par biblioteker, ikke kan svare på spørsmål om nøyaktig hvordan algoritmene fungerer, og ber deretter om 200, 300, 400 tusen rubler i måneden i hånden.
På grunn av det store antallet annonseringsslagord som «hvem som helst kan bli dataanalytiker», «beherske maskinlæring på tre måneder og begynne å tjene mye penger» og tørsten etter raske penger, har en enorm strøm av overfladiske kandidater strømmet inn i vår felt med absolutt ingen systematisk trening.
Victor Kantor
Chief Data Scientist ved MTS
Hvem venter arbeidsgivere på?
Enhver arbeidsgiver ønsker at deres juniorer skal jobbe uten konstant tilsyn og å kunne utvikle seg under veiledning av en teamleder. For å gjøre dette må en nybegynner umiddelbart ha de nødvendige verktøyene for å løse aktuelle problemer, og ha et tilstrekkelig teoretisk grunnlag til å gradvis foreslå sine egne løsninger og nærme seg mer komplekse problemer.
Nybegynnere på markedet gjør det ganske bra med verktøyene sine. Korttidskurs lar deg raskt mestre dem og komme deg på jobb.
I følge forskning fra HeadHunter og Mail.ru er den mest etterspurte ferdigheten Python. Det er nevnt i 45 % av ledige stillinger for dataforskere og 51 % av ledige stillinger innen maskinlæring.
Arbeidsgivere ønsker også at dataanalytikere skal kunne SQL (23 %), data mining (19 %), matematisk statistikk (11 %) og kunne jobbe med big data (10 %).
Arbeidsgivere som leter etter maskinlæringsspesialister forventer at en kandidat er dyktig i C++ (18%), SQL (15%), maskinlæringsalgoritmer (13%) og Linux (11%) i tillegg til kunnskap om Python.
Men hvis juniorer gjør det bra med verktøyene, står lederne deres overfor et annet problem. De fleste nyutdannede har ikke en dyp forståelse av yrket, noe som gjør det vanskelig for en nybegynner å komme seg videre.
Jeg ser for tiden etter maskinlæringsspesialister for å bli med i teamet mitt. Samtidig ser jeg at kandidater ofte har mestret enkelte Data Science-verktøy, men de har ikke dyp nok forståelse av det teoretiske grunnlaget for å skape nye løsninger.
Emil Maharramov
Leder for Computational Chemistry Services Group, Biocad
Selve strukturen og varigheten av kursene lar deg ikke gå dypere til det nødvendige nivået. Nyutdannede mangler ofte de veldig myke ferdighetene som vanligvis savnes når de leser en ledig stilling. Vel, egentlig, hvem av oss vil si at han ikke har systemtenkning eller lyst til å utvikle seg. I forhold til en Data Science-spesialist snakker vi imidlertid om en dypere historie. Her trenger man for å utvikle seg en ganske sterk skjevhet i teori og vitenskap, noe som kun er mulig gjennom langtidsstudier, for eksempel ved et universitet.
Mye avhenger av personen: hvis et tre måneders intensivt kurs fra sterke lærere med erfaring som teamledere i toppbedrifter gjennomføres av en student med god bakgrunn i matematikk og programmering, dykker ned i alt kursmateriellet og «absorberer som en svamp ,” som de sa på skolen, så blir det problemer med en slik ansatt senere Nei. Men 90-95% av mennesker, for å lære noe for alltid, trenger å lære ti ganger mer og gjøre det systematisk i flere år på rad. Og dette gjør masterstudier i dataanalyse til et utmerket alternativ for å få et godt kunnskapsgrunnlag, som du ikke trenger å rødme med på et intervju, og det vil være mye lettere å gjøre jobben.
Victor Kantor
Chief Data Scientist ved MTS
Hvor du skal studere for å finne en jobb i datavitenskap
Det finnes mange gode datavitenskap-kurs på markedet, og det er ikke noe problem å få en grunnutdanning. Men det er viktig å forstå fokuset i denne utdanningen. Hvis kandidaten allerede har en sterk teknisk bakgrunn, så er intensivkurs det de trenger. En person vil mestre verktøyene, komme til stedet og raskt bli vant til det, fordi han allerede vet hvordan han skal tenke som en matematiker, se et problem og formulere problemer. Hvis det ikke er en slik bakgrunn, vil du etter kurset være en god utøver, men med begrensede muligheter for vekst.
Hvis du står overfor den kortsiktige oppgaven med å skifte yrke eller finne en jobb innen denne spesialiteten, så passer noen systematiske kurs for deg, som er korte og raskt gir et minimum sett av tekniske ferdigheter slik at du kan kvalifisere deg til en entry-level stilling i dette feltet.
Ivan Yamshchikov
Faglig leder for det nettbaserte masterprogrammet "Data Science"
Problemet med banene er nettopp at de gir rask, men minimal akselerasjon. En person flyr bokstavelig talt inn i yrket og når raskt taket. For å gå inn i yrket over lang tid, må du umiddelbart legge et godt grunnlag i form av et mer langsiktig program, for eksempel en mastergrad.
Høyere utdanning passer når du forstår at dette feltet interesserer deg langsiktig. Du er ikke ivrig etter å komme deg på jobb så fort som mulig. Og du vil ikke ha et karrieretak; du vil heller ikke møte problemet med mangel på kunnskap, ferdigheter, mangel på forståelse av det generelle økosystemet ved hjelp av hvilke innovative produkter utvikles. For dette trenger du en høyere utdanning, som ikke bare skaper det nødvendige settet med tekniske ferdigheter, men som også strukturerer tankegangen din annerledes og hjelper deg med å danne deg en visjon om karrieren din på lengre sikt.
Ivan Yamshchikov
Faglig leder for det nettbaserte masterprogrammet "Data Science"
Fraværet av et karrieretak er hovedfordelen med masterstudiet. Om to år får en spesialist en kraftig teoretisk base. Slik ser første semester på Data Science-programmet ved NUST MISIS ut:
- Introduksjon til datavitenskap. 2 uker.
- Grunnleggende om dataanalyse. Databehandling. 2 uker
- Maskinlæring. Dataforbehandling. 2 uker
- EDA. Intelligensdataanalyse. 3 uker
- Grunnleggende maskinlæringsalgoritmer. Ch1 + Ch2 (6 uker)
Samtidig kan du få praktisk erfaring på jobben samtidig. Det er ingenting i veien for å få en juniorstilling så snart studenten har mestret nødvendige verktøy. Men i motsetning til en kursutdannet, stopper ikke en mastergrad studiene hans der, men fortsetter å dykke dypere inn i yrket. I fremtiden lar dette deg utvikle deg innen Data Science uten begrensninger.
På nettstedet til University of Science and Technology "MISiS" for de som ønsker å jobbe innen datavitenskap. Representanter for NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group og Yandex, jeg vil fortelle deg om de viktigste tingene:
- "Hvordan finner du din plass i datavitenskap?",
- "Er det mulig å bli dataforsker fra bunnen av?",
- "Vil behovet for dataforskere fortsatt eksistere om 2-5 år?"
- "Hvilke problemer jobber dataforskere med?"
- "Hvordan bygge en karriere innen datavitenskap?"
Nettbasert opplæring, vitnemål om offentlig utdanning. akseptert til 10 august.
Kilde: www.habr.com