Dnes sú špecialisti Data Science potrební takmer vo všetkých oblastiach podnikania. Nie je to len o financiách
Dopyt po špecialistoch na dátovú vedu je rôznykvalifikácia každým rokom rastie. Podľa MADE Big Data Academy od Mail.ru Group a náborového portálu HeadHunter bolo v roku 2019 v oblasti analýzy dát 1,4-krát viac voľných pracovných miest v porovnaní s rokom 2018. A počet voľných pracovných miest v oblasti strojového učenia sa zvýšil 1,3-násobne.
Rastú aj príjmy dátových vedcov. Podľa HH.ru, dokonca aj junior v Rusku dostane okolo 120 tisíc rubľov, zatiaľ čo obchodný analytik už môže počítať so 170 tisíc rubľov a viac, a analytik veľkých dát - od 200 tisíc rubľov.
Kto je dopyt a prečo?
Najčastejšie v Rusku hľadajú dátových vedcovfinančné a IT spoločnosti. A najbežnejšou požiadavkou pre uchádzačov je znalosť programovacieho jazyka Python. Vyskytuje sa na 45% pracovných miest v oblasti dátovej vedy a takmer na polovici (51%) v strojovom učení.
Samozrejme, rastie aj počet dátových vedcov. Podľa HH.ru zverejňuje každý mesiac svoje životopisy 246 špecialistov na analýzu údajov a 47 špecialistov na strojové učenie.
Zoznam požiadaviek od uchádzačov tiež obsahuje:
- znalosť SQL;
- vlastníctvo dolovania dát (Data Mining);
- spoľahlivé znalosti matematickej štatistiky;
- schopnosť pracovať s veľkými dátami;
- vlastníctvo C ++, Git, Linux.
Zároveň je to asi 65% voľných pracovných miest v oblasti analýzyúdaje a 50% voľných pracovných miest špecialistov v oblasti strojového učenia sa nachádza v Moskve. Petrohradu patrí druhé miesto v Rusku (15%, respektíve 18%). Samozrejme, uchádzači o zamestnanie sú tiež väčšinou sústredení v dvoch hlavných mestách. Ale dnes, aby bolo možné absolvovať školenie, nie je potrebné sa niekam posunúť, ale práca vo vzdialenom formáte, outsourcingu, sa už stáva novým formátom na organizáciu pracovného toku.
Kde študovať pre dátového vedca a čo je potrebné na to?
Existuje niekoľko prístupov k výučbe vvedec dát. Jednou z nich je klasickejšia, vstup na univerzitu v IT oblastiach. To sa dá urobiť aj v zahraničí. Napríklad štúdium magisterského štúdia v odbore Data Science na americkej univerzite vás môže stáť veľmi pôsobivú čiastku: od 30 000 do 120 000 dolárov. Aj online kurzy tejto špecializácie na zahraničných univerzitách stoja minimálne 9 000 dolárov. Existujú aj takí, ktorí nie sú pripravení v takom rozsahu investujte do svojho školenia, pretože také náklady je ešte potrebné vrátiť, ale to sa nestane okamžite. Napríklad vedkyňa v oblasti dát Rebecca Vickery, ktorá sa v tejto oblasti venuje 10 rokov, vytvorila vlastný program, podľa ktorého nezávisle študovala Data Science. Tento prístup má aj svoje nevýhody: nedostatok spätnej väzby a podpory od mentora alebo učiteľa, vzdialenosť od tímu, samostatná práca a nakoniec mnohým pripadá tento proces učenia nudný.
Ďalšou možnosťou je online školenie všpecializované digitálne školy ako SkillFactory. Študenti sa tam učia nielen súbor techník a techník, ale učia sa ich aj učiť. Okrem toho bude mať každý študent mentora, ktorý poskytuje podporu a pomoc, a všetka práca vykonaná v procese učenia sa môže slúžiť nielen ako portfólio. Budúci vedecký pracovník v oblasti dát, ešte ako študent SkillFactory, vstupuje do priemyselnej komunity - pomáha nielen pri hľadaní práce, ale aj pri komunikácii s kolegami a zdieľaní skúseností. Online škola je presvedčená, že nestačí len naučiť sa nové technológie - musíte si osvojiť nové prístupy a nové spôsoby myslenia. A je ťažké sa s tým vyrovnať sám. Všetci študenti si preto navzájom poskytujú spätnú väzbu, vymieňajú si kódy, pomáhajú hľadať chyby a zdieľať problémy a skutočné prípady.
Čo by mal byť vedúci vedeckých pracovníkov schopný robiť:
- na návrh algoritmov používať základné algoritmické konštrukcie a dátové štruktúry Pythonu;
- vizualizovať dáta pomocou Pandas, Matplotlib, Seaborne;
- vytvárať modely priemyselnej kvality pomocou klasického strojového učenia a neurónových sietí na riešenie problémov v oblasti Data Science;
- vyhodnotiť kvalitu modelu (presnosť / stiahnutie z trhu);
- integrovať riešenie do výroby a podnikania všeobecne;
- práca s dátovými skladmi rôznych typov;
- pracovať s nástrojmi na analýzu veľkých údajov;
- prijímať údaje z webových zdrojov alebo prostredníctvom API;
- aplikovať na spracovanie dát metódy matematickej analýzy, lineárnej algebry, štatistiky a teórie pravdepodobnosti.
Ak sa vám tieto zručnosti zdajú veľmi ťažké, potom môžete absolvovať kurzy Data Scientist Profession.
Kto je dátový vedec a čo by mal byť schopný robiť?
V jadre je Data Science„Evolučný“ krok ľudstva pri práci s údajmi. Predchádzajúci matematici a štatistici riešili podobné problémy. Teraz, s príchodom umelej inteligencie, vstúpila optimalizácia a informatika do metód analýzy dát, čo znamená, že nový prístup k hľadaniu riešení založených na dátach sa stal oveľa efektívnejším ako predchádzajúce „analógové“ metódy.
Úloha dátového vedca začína zhromažďovanímsúbory veľkých dát: štruktúrované a nie. Potom sa prevedú do formátu, ktorý je ľahko čitateľný. Ďalšia etapa: vizualizácia a práca so štatistikami. Ako analytické metódy sa používajú strojové a hlboké učenie, pravdepodobnostná analýza, prediktívne modely a neurónové siete.
Päť základov pre dátového vedca
- Umelá inteligencia (AI) je oblasťvenované vytváraniu inteligentných systémov, ktoré fungujú a konajú ako ľudia. AI súvisí s podobným cieľom používania počítačov na pochopenie ľudskej inteligencie, ale nemusí sa nevyhnutne obmedzovať na biologicky prijateľné metódy. Inteligentné systémy, ktoré dnes existujú, majú veľmi úzke oblasti použitia. Napríklad programy, ktoré môžu človeka poraziť v šachu, nemôžu odpovedať na otázky.
- Strojové učenie -vytvorenie nástroja na získavanie poznatkov z údajov. Modely ML sa trénujú na dátach nezávisle alebo po etapách: školenie s učiteľom o dátach pripravených osobou a bez učiteľa - práca so spontánnymi, hlučnými údajmi.
- Hlboké učenie -budovanie viacvrstvových neurónových sietí v oblastiach, kde sa vyžaduje pokročilejšia alebo rýchlejšia analýza a tradičné strojové učenie zlyhá. „Hĺbku“ poskytuje niekoľko skrytých vrstiev neurónov v sieti, ktoré vykonávajú matematické výpočty.
- Veľké dáta - práca s veľkýmiobjem často neštruktúrovaných údajov. Špecifikom sféry sú nástroje a systémy, ktoré vydržia vysoké zaťaženie.
- Data Science - injadrom oblasti je posilnenie dátových súborov, vizualizácia, zhromažďovanie nápadov a rozhodovanie na základe týchto údajov. Dátoví analytici používajú množstvo techník strojového učenia a veľkých dát: cloud computing, nástroje na vytváranie virtuálneho vývojového prostredia a oveľa viac.
Rovnako ako každé iné povolanie, aj masteringVeda začína základmi - štúdiom matematiky, lineárnej algebry a samozrejme štatistiky. Pre vážne pochopenie Data Science bude budúci špecialista potrebovať skutočný univerzitný kurz teórie pravdepodobnosti (vrátane počtu). Dnes je našťastie také materiály ľahké nájsť na internete alebo sa dokonca prihlásiť na jeden semester na najlepšie univerzity v Rusku na platforme Open Education. Alebo absolvujte úplný kurz Data Science v SkillFactory, kde budú základné vedomosti prvým krokom k zvládnutiu novej profesie. Matematické znalosti sú primárne dôležité pri analýze výsledkov použitia algoritmov spracovania údajov. Samozrejme, že v strojovom učení existujú silní inžinieri bez takého vzdelania. Ale väčšinou ide o ojedinelé prípady.
Druhým krokom k tomu, aby ste sa stali dátovým vedcom, je programovanie. Stačí sa naučiť aspoň jeden jazyk, zvládnuť všetky nuansy jeho syntaxe. Ako už bolo spomenuté vyššie, jedným z najpopulárnejších jazykov je Python.
Strojové učenie - tretia zložkaprofesia dátového vedca, keď už na vykonávanie určitých úloh nepotrebuje písať pokyny pre počítače. ML má tri hlavné formy: učenie pod dohľadom, učenie bez dozoru a učenie posilňovania. Viac o každom type výcviku si môžete prečítať v našom rozsiahlom materiáli s profesorom Janom Lekunom.
A nakoniec, posledným krokom je dolovanie dát (analýzaúdaje) a vizualizácia údajov, ktorá je dôležitým výskumným procesom a zahŕňa analýzu skrytých dátových modelov v súlade s rôznymi možnosťami prekladu do užitočných informácií, ktoré sa zhromažďujú a tvoria v dátových skladoch, aby sa uľahčili obchodné rozhodnutia zamerané na zníženie nákladov a zvýšenie výnosov.
Napriek tomu, že vzdelanie je možné získať vv pomerne krátkych časových rámcoch musí vedecký pracovník v oblasti údajov pravidelne potvrdzovať svoju kvalifikáciu absolvovaním vysoko špecializovaných kurzov, účasťou na hackatonoch, otvorených výberových konaniach a pri hľadaní zamestnania. Výhodou bude nezávislé potvrdenie vašej kvalifikácie. Napríklad pokročilý profil na Kaggle, ktorý má systém hodnotení. Môžete ísť od nováčika k veľmajstrovi. Za úspešnú účasť na súťažiach, publikovanie skriptov a diskusií získate body, ktoré zvyšujú vaše hodnotenie. Okrem toho stránka zaznamenáva, ktorých súťaží ste sa zúčastnili a aké sú vaše výsledky.
platiť
Pozri tiež:
Pozrite sa, kde vytrvalostný rover teraz letí
Príznaky koronavírusu u detí. Čomu by ste mali venovať pozornosť?
Astronómovia vidia, ako čierna diera vyžaruje blikajúce gama lúče