"Sie kommen und denken, dass sie jetzt 500.000 pro Sekunde verdienen werden, weil sie die Namen der Frameworks kennen und wissen, wie sie das Modell in zwei Zeilen ausführen können."
Emil Maharramov leitet die Computational Chemistry Services Group bei biocad und sieht sich in Interviews der Tatsache gegenüber, dass Kandidaten kein systematisches Verständnis des Berufs haben. Sie beenden Kurse, kommen mit gut abgestimmtem Python und SQL, können Hadoop oder Spark in 2 Sekunden auslösen und eine Aufgabe gemäß einer klaren technischen Aufgabe erledigen. Gleichzeitig ist ein Schritt zur Seite nicht mehr möglich. Obwohl es die Flexibilität von Lösungen ist, die Arbeitgeber von ihren Data-Science-Spezialisten erwarten.
Was passiert auf dem Data Science-Markt?
Die Kompetenzen junger Berufstätiger spiegeln die Situation auf dem Arbeitsmarkt wider. Hier übersteigt die Nachfrage das Angebot erheblich, so dass verzweifelte Arbeitgeber oft wirklich bereit sind, vollständig umweltfreundliche Spezialisten einzustellen und diese für sich selbst auszubauen. Die Option funktioniert, ist jedoch nur geeignet, wenn das Team bereits einen erfahrenen Teamleiter hat, der die Ausbildung des Junioren übernimmt.
Laut Untersuchungen von HeadHunter und Mail.ru gehören Datenanalysten zu den gefragtesten auf dem Markt:
- Im Jahr 2019 gab es 9,6-mal mehr offene Stellen in der Datenanalyse und 7,2-mal mehr freie Stellen im maschinellen Lernen als im Jahr 2015.
- Im Vergleich zu 2018 hat sich die Zahl der offenen Stellen für Datenanalysten um das 1,4-fache erhöht, für maschinelles Lernen um das 1,3-fache.
- 38% der offenen Stellen sind in IT-Unternehmen, 29% - Unternehmen aus dem Finanzsektor, 9% - Dienstleistungen für Unternehmen.
Die Situation wird durch zahlreiche Online-Schulen angeheizt, die genau diese Junioren ausbilden. Grundsätzlich dauert die Schulung drei bis sechs Monate, in denen die Schüler Zeit haben, die wichtigsten Tools auf einer grundlegenden Ebene zu beherrschen: Python, SQL, Datenanalyse, Git und Linux. Das Ergebnis ist ein klassischer Junior: Er kann ein bestimmtes Problem lösen, aber er kann das Problem immer noch nicht verstehen und das Problem selbst formulieren. Die hohe Nachfrage nach Fachleuten und der Hype um den Beruf führen jedoch häufig zu hohen Ambitionen und Gehaltsanforderungen.
, Data Science : , - , , , , 200, 300, 400 .
- « », « » , .
Chief Data Scientist
Jeder Arbeitgeber möchte, dass seine Junioren ohne ständige Aufsicht arbeiten und sich unter der Führung eines Teamleiters entwickeln können. Dazu muss ein Anfänger sofort über die notwendigen Werkzeuge zur Lösung aktueller Probleme verfügen und über eine ausreichende theoretische Grundlage verfügen, um schrittweise eigene Lösungen vorzuschlagen und komplexere Probleme anzugehen.
Neulinge auf dem Markt kommen mit Werkzeugen ziemlich gut zurecht. Kurzzeitkurse ermöglichen es Ihnen, diese schnell zu meistern und loszulegen.
Nach Recherchen von HeadHunter und Mail.ru ist Python die am meisten nachgefragte Fähigkeit. Es ist in 45% der Data Science-Jobs und 51% der Jobs für maschinelles Lernen enthalten.
Die Arbeitgeber möchten auch, dass Datenwissenschaftler SQL (23%) kennen, sich mit Data Mining (19%) und mathematischen Statistiken (11%) auskennen und mit Big Data (10%) arbeiten können.
Arbeitgeber, die Spezialisten für maschinelles Lernen sowie Kenntnisse in Python suchen, erwarten, dass der Kandidat C ++ (18%), SQL (15%), Algorithmen für maschinelles Lernen (13%) und Linux (11%) beherrscht.
Aber wenn Junioren gut mit Werkzeugen umgehen können, stehen ihre Führungskräfte vor einem anderen Problem. Die meisten Kursabsolventen haben kein tiefes Verständnis für den Beruf, so dass es für Anfänger schwierig ist, Fortschritte zu machen.
. , Data Science, , .Die Struktur und Dauer der Kurse ermöglicht es Ihnen nicht, tiefer in das erforderliche Niveau einzusteigen. Den Absolventen fehlen oft die sehr weichen Fähigkeiten, die normalerweise beim Lesen von Stellenangeboten fehlen. Nun, die Wahrheit ist, wer von uns wird sagen, dass er kein systemisches Denken oder Entwicklungsbedürfnis hat. Bei einem Data Science-Spezialisten handelt es sich jedoch um eine tiefere Geschichte. Um sich zu entwickeln, braucht man hier eine ausreichend starke Tendenz in Theorie und Wissenschaft, die nur im Langzeitstudium beispielsweise an einer Universität möglich ist.
, Biocad
: , « », , . 90-95% , - , . , , .
Chief Data Scientist
, Data Science
Es gibt viele gute Data Science-Kurse auf dem Markt, und eine Erstausbildung ist kein Problem. Es ist jedoch wichtig, die Richtung dieser Ausbildung zu verstehen. Wenn der Kandidat bereits einen starken technischen Hintergrund hat, sind Intensivkurse das, was Sie brauchen. Eine Person wird die Werkzeuge beherrschen, an den Ort kommen und schnell arbeiten, weil sie bereits weiß, wie man wie ein Mathematiker denkt, ein Problem sieht und Probleme formuliert. Wenn es keinen solchen Hintergrund gibt, wird es nach dem Kurs einen guten Leistungsträger geben, aber mit begrenzten Wachstumschancen.
Wenn Sie vor der kurzfristigen Aufgabe stehen, einen Beruf zu wechseln oder einen Job in diesem Fach zu finden, sind einige systematische Kurse für Sie geeignet, die kurz sind und schnell ein Mindestmaß an technischen Fähigkeiten vermitteln, damit Sie sich für eine erste Stelle in diesem Bereich bewerben können.Das Problem mit den Kursen ist, dass sie eine schnelle, aber minimale Beschleunigung bieten. Eine Person fliegt buchstäblich in den Beruf und erreicht schnell die Decke. Um lange in den Beruf einzusteigen, müssen Sie sofort eine gute Grundlage in Form eines längerfristigen Programms schaffen, zum Beispiel eines Master-Abschlusses.
Ivan Yamshchikov
Akademischer Direktor des Online Master of Science in Data Science
, , . . , , , , , . , , - .Das Fehlen einer Karriereobergrenze ist der Hauptvorteil des Masterstudiengangs. In zwei Jahren erhält der Spezialist eine starke theoretische Basis. So sieht das erste Semester des Data Science-Programms bei NUST MISIS aus:
- « »
- Einführung in Data Science. 2 Wochen.
- Grundlagen der Datenanalyse. Datenverarbeitung. 2 Wochen
- Maschinelles Lernen. Datenvorverarbeitung. 2 Wochen
- EDA. Analyse von Nachrichtendaten. 3 Wochen
- Grundlegende Algorithmen für maschinelles Lernen. Ch1 + Ch2 (6 Wochen)
Gleichzeitig können Sie bei der Arbeit praktische Erfahrungen sammeln. Nichts hindert Sie daran, eine Juniorposition zu bekommen, sobald der Student die notwendigen Werkzeuge beherrscht. Aber im Gegensatz zum Absolventen der Kurse hört der Meister hier nicht auf zu studieren, sondern vertieft sich weiterhin in den Beruf. Auf diese Weise können Sie sich in Zukunft ohne Einschränkungen in Data Science weiterentwickeln.
«» , Data Science. «», SkillFactory, HeadHunter, Facebook, Mail.ru Group , :
- « Data Science?»,
- « data scientist ?»,
- « data scientist- 2-5 ?»,
- « data science?»,
- « Data Science?»
, . 10 .