Данас су стручњаци за науку података потребни у скоро свим областима пословања. Не ради се само о финансијским
Потражња за стручњацима за науку о подацима је различитаквалификације расту сваке године. Према МАДЕ Биг Дата Ацадеми из Маил.ру Гроуп и регрутном порталу ХеадХунтер, у 2019. години било је 1,4 пута више слободних места у области анализе података у односу на 2018. годину. А број слободних радних места у области машинског учења порастао је 1,3 пута.
Зарада научника за податке такође расте. Према ХХ.ру, чак и јуниор у Русији прима око 120 хиљада рубаља, док пословни аналитичар већ може рачунати на 170 хиљада рубаља и више, а аналитичар великих података - од 200 хиљада рубаља.
Ко је тражен и зашто?
Најчешће у Русији траже научнике за податкефинансијске и ИТ компаније. А најчешћи услов за кандидате је познавање програмског језика Питхон. Јавља се на 45% послова у науци о подацима и скоро половини (51%) у машинском учењу.
Наравно, расте и број научника података. Према ХХ.ру, 246 стручњака за анализу података и 47 стручњака за машинско учење објављују своје биографије сваког месеца.
Списак захтева подносилаца захтева такође укључује:
- знање СКЛ-а;
- поседовање рударства података (Дата Мининг);
- поуздано познавање математичке статистике;
- способност рада са великим подацима;
- поседовање Ц ++, Гит, Линук.
Истовремено, око 65% слободних радних места у области анализеподаци и 50% слободних радних места стручњака из области машинског учења налазе се у Москви. Санкт Петербург је на другом месту у Русији (15%, односно 18%). Наравно, тражиоци посла су такође углавном концентрисани у ове две престонице. Али данас, да бисте прошли обуку, није потребно негде се преселити, већ рад у удаљеном формату, на спољном извођачу, већ постаје нови формат за организовање тока посла.
Где студирати за научника за податке и шта је за то потребно?
Постоји неколико приступа учењу унаучник података. Један од њих је класичнији, за упис на универзитет у ИТ областима. То се може учинити и у иностранству. На пример, студирање магистра наука о подацима на америчком универзитету може вас коштати веома импресивног износа: од 30 хиљада до 120 хиљада долара. Чак и онлајн курсеви ове специјалности на страним универзитетима коштају најмање 9 хиљада долара. Постоје и они који нису спремни потрошите на тренинг на таквом нивоу, јер такви трошкови и даље морају да се надокнаде, али то се неће догодити одмах. На пример, научница за податке Ребецца Вицкери, која у овом пољу ради већ 10 година, креирала је свој програм према којем је самостално проучавала науку о подацима. Овај приступ такође има своје недостатке: недостатак повратних информација и подршке ментора или наставника, удаљеност од тима, рад самостално и, коначно, многима је овај процес учења досадан.
Друга опција је онлајн тренинг успецијализоване дигиталне школе као што је СкиллФацтори. Тамошње студенте не само да подучавају низ техника и техника, већ их уче и да уче. Поред тога, сваки студент ће имати ментора који пружа подршку и помоћ, а сав посао урађен у процесу учења не може се користити само као портфељ. Још док је студент СкиллФацтори-а, будући научник података улази у индустријску заједницу - ово не само да помаже у проналажењу посла, већ и у комуникацији са колегама, размени искуства. Интернет школа је уверена да није довољно само научити нове технологије - треба савладати нове приступе и нове начине размишљања. И тешко је са тим изаћи на крај сам. Стога сви ученици дају једни другима повратне информације, размењују код, помажу у проналажењу грешака и деле проблеме и стварне случајеве.
Шта би млађи научник података требало да буде у стању да уради:
- користити основне алгоритамске конструкције и Питхон структуре података за дизајнирање алгоритама;
- визуализујте податке помоћу Пандас, Матплотлиб, Сеаборне;
- креирају моделе индустријског квалитета користећи класично машинско учење и неуронске мреже за решавање проблема науке о подацима;
- проценити квалитет модела (прецизност / опозив);
- интегришите решење у производњу и пословање уопште;
- рад са складиштима података различитих врста;
- рад са алатима за анализу великих података;
- прима податке из веб извора или путем АПИ-ја;
- применити методе математичке анализе, линеарне алгебре, статистике и теорије вероватноће за обраду података.
Ако вам се ове вештине чине веома тешким, онда можете похађати курсеве професије Дата Сциентист.
Ко је научник података и шта би требало да буде у стању да уради?
У својој основи, Дата Сциенце је следећа„Еволуциони“ корак човечанства у раду са подацима. Ранији математичари и статистичари решавали су сличне проблеме. Сада су појавом вештачке интелигенције оптимизација и рачунарство ушле у методе анализе података, што значи да је нови приступ проналажењу решења заснован на подацима постао много ефикаснији од претходних „аналогних“ метода.
Посао научника за податке започиње сакупљањемвелики скупови података: структурирани и не. Тада се претварају у формат који је лак за читање. Следећа фаза: визуелизација и рад са статистикама. Машинско и дубоко учење, пробабилистичка анализа, предиктивни модели и неуронске мреже користе се као аналитичке методе.
Пет основа за научника за податке
- Вештачка интелигенција (АИ) је подручјепосвећен стварању интелигентних система који раде и понашају се попут људи. АИ је повезан са сличним циљем коришћења рачунара за разумевање људске интелигенције, али није нужно ограничен на биолошки прихватљиве методе. Данас постојећи интелигентни системи имају врло уска подручја примене. На пример, програми који могу победити особу у шаху не могу да одговоре на питања.
- Машинско учење -стварање алата за издвајање знања из података. МЛ модели се обучавају на подацима независно или у фазама: обука са наставником о подацима које припрема особа и без наставника - рад са спонтаним, бучним подацима.
- Дубоко учење -изградња вишеслојних неуронских мрежа у областима у којима су потребне напредније или брже анализе, а традиционално машинско учење заказује. „Дубину“ пружа низ скривених слојева неурона у мрежи који врше математичке прорачуне.
- Велики подаци - рад са великимобим често неструктурираних података. Специфичност сфере су алати и системи који могу да поднесу велика оптерећења.
- Дата Сциенце - усрж подручја је оснаживање скупова података, визуелизација, прикупљање идеја и доношење одлука на основу тих података. Научници података користе неке од метода машинског учења и великих података: рачунарство у облаку, алате за стварање виртуелног развојног окружења и још много тога.
Као и свака друга професија, и савладавање податакаНаука започиње са основама - проучавањем математике, линеарне алгебре и, наравно, статистике. За озбиљно разумевање науке о подацима, будућем стручњаку биће потребан прави универзитетски курс из теорије вероватноће (укључујући рачуницу). Срећом, данас је такав материјал лако пронаћи на Интернету или се чак пријавити за један семестар на најбољим универзитетима у Русији на платформи Отворено образовање. Или похађајте целокупан курс науке о подацима на СкиллФацтори, где ће основно знање бити први корак у савладавању нове професије. Математичко знање је првенствено важно за анализу резултата примене алгоритама за обраду података. Наравно, постоје јаки инжењери у машинском учењу без таквог образовања. Али то су углавном ретки случајеви.
Други корак у постајању научника за податке је програмирање. Довољно је научити бар један језик, савладавши све нијансе његове синтаксе. Као што је горе поменуто, један од најтраженијих језика је Питхон.
Машинско учење - трећа компонентапрофесија научника за податке, када више не треба да пише упутства за рачунаре за обављање одређених задатака. МЛ се састоји од три главна облика: учење под надзором, учење без надзора и учење с појачањем. Можете прочитати више о свакој врсти тренинга у нашем великом материјалу са професором Јаном Лекуном.
И на крају, последњи корак је Дата Мининг (анализаподаци) и визуелизација података, што је важан процес истраживања и укључује анализу скривених модела података у складу са разним опцијама за превођење у корисне информације које се прикупљају и формирају у складиштима података ради олакшавања пословних одлука дизајнираних за смањење трошкова и повећање прихода.
Упркос чињеници да се образовање може стећи уприлично кратким роковима, научник података треба редовно да потврђује своје квалификације, похађајући високо специјализоване курсеве, учествујући у хакатонима, отвореним такмичењима и када тражи посао. Независна потврда ваших квалификација биће предност. На пример, напредни профил на Каггле-у, који има систем рангова. Можете прећи од почетника до велемајстора. За успешно учешће на такмичењима, објављивање сценарија и дискусије добијате бодове који повећавају ваш рејтинг. Поред тога, веб локација бележи на којим сте такмичењима учествовали и какви су ваши резултати.
Пријавите се
Погледајте и:
Погледајте куда сада лети ровер Персеверанце
Симптоми коронавируса код деце. На шта треба обратити пажњу?
Астрономи виде како црна рупа емитира трепереће гама зраке