Das Interesse an Data Science wächst weiter, der Markt braucht gute Spezialisten. Aber die Schwelle für den Berufseinstieg ist ziemlich hoch, Neuankömmlinge werden oft von Mythen und Stereotypen über das Gebiet aufgehalten - "es ist lang, schwierig, es ist besser, sich nicht ohne Sportunterricht einzumischen". Wir haben die häufigsten Fragen und Bedenken derjenigen gesammelt, die eine Karriere in Data Science beginnen, und Spezialisten gebeten, diese zu beantworten.„Welche Mathematik wird benötigt? Wenn es keine Matbase gibt, bin ich hoffnungslos? "
Konstantin Bashevoy, Analyst-Entwickler bei Yandex und Lehrer des Kurses "Python für Datenanalyse"Die Frage nach der Mathematik ist nicht eindeutig. Gründliche Kenntnisse der Mathematik sind weder eine notwendige noch eine ausreichende Voraussetzung. Natürlich werden diejenigen, die sie kennen, einfacher sein. Alle notwendigen Kenntnisse werden jedoch entweder im Klassenzimmer oder in zusätzlichen Materialien vermittelt.
Hier wie im Sport. Es gibt Leute, die ohne Vorbereitung einen Marathon laufen können. Der Rest wird schwieriger, aber mit ausreichender Vorbereitung werden sie laufen. Die mathematische Basis ist cool, aber nicht kritisch.
Daria Mukhina, Skyeng-Produktanalystin, Beraterin für Netology Analytics-KurseEs scheint, dass jetzt eine tiefe mathematische Basis durch die Fähigkeit zu google ersetzt werden kann. Es gibt viele Videos und Artikel im Internet, in denen Sie die Informationen auf zugängliche Weise präsentieren können - und Sie müssen nicht in Lehrbücher der Universität gehen. Die Hauptsache ist zu wissen, was Sie brauchen.
Wichtiger ist jetzt die Fähigkeit, Wissen in einer realen Aufgabe anzuwenden und nicht nur zu besitzen.
Elena Gerasimova, Leiterin Data Science in NetologyDas Konzept der "spezialisierten technischen oder mathematischen Ausbildung" gehört der Vergangenheit an. Diejenigen, die sich ihrer Fähigkeiten und Fachkenntnisse sicher sind, werden nicht mit einem Absolventen des Moskauer Instituts für Physik und Technologie mit mathematischen Kenntnissen verglichen - sie werden mit der Nützlichkeit eines Unternehmens zur Lösung von Problemen verglichen.
Es sind bereits Dutzende von Arbeitsalgorithmen und Bibliotheken bekannt, die in der Lage sind, den gesamten mathematischen Teil ohne menschliches Eingreifen zu übernehmen.
„Nun, und welche Art von Hintergrund ist einfacher, in die DS-Sphäre einzutreten? Das ist natürlich Mathe, aber was hilft noch? “
Konstantin Bashevoy, Analyst-Entwickler bei Yandex und Lehrer des Kurses "Python für Datenanalyse"Der einfachste Weg, in die DS-Sphäre einzutreten, ist natürlich für diejenigen, die Erfahrung in der Ausbildung oder in der Arbeit in einem technischen Bereich haben.
Obwohl die Unterteilung in „Technikfreaks“ und „Geisteswissenschaften“ sehr willkürlich ist, benötigt Data Scientist Mathematik, nicht Klasse 8, sondern höher. Sie können alles selbst studieren, aber wenn jemand eine technische Universität abgeschlossen hat, hat er höchstwahrscheinlich bereits die notwendige Basis. Diejenigen, die Programmiererfahrung und Verständnis für Algorithmen haben, werden es auch einfacher finden. Wenn Python für einen Menschen sehr schwierig ist, wird es für ihn schwieriger sein - schließlich werden sie anfangen, über Wahrscheinlichkeitstheorie und dann über neuronale Netze zu sprechen.
Die Erfahrung, in einem physikalischen Labor zu studieren oder in technischen Fachgebieten zu arbeiten, vereinfacht die Entwicklung von DS erheblich. Man muss jedoch bedenken, dass es immer noch eine große Anzahl von DS-nahen Spezialisierungen gibt, zu denen man ohne fundierte mathematische Kenntnisse gelangen kann. Es ist nicht erforderlich, ein Data Scientist zu sein. Mit einem guten Verständnis des Geschäfts können Sie ein hervorragender BI-Analyst werden.
"Und wer ist dem Arbeitgeber noch vorzuziehen: eine Person mit Python-Kenntnissen und einem Hintergrund für einen Entwickler oder ein Absolvent mit starker Mathematik?"
Alexey Kuzmin, Entwicklungsleiter bei DomKlik, Datenwissenschaftler, Lehrer für Netology-Kurse für maschinelles LernenEs hängt alles von der Aufgabe ab. Dies ist wirklich eine schwierige Wahl, es gibt kein fertiges Rezept. Ich würde einen Entwickler nehmen - für die Aufgaben meines Unternehmens ist ein solches Profil näher.
Konstantin Bashevoy, Analyst-Entwickler bei Yandex und Lehrer des Kurses "Python für Datenanalyse"Und wir haben Analytik - mehr Mathematik. Aber im Allgemeinen hängt alles wirklich von der Aufgabe ab. Wenn der Arbeitgeber über einen hoch ausgelasteten Bankdienst verfügt, benötigt er höchstwahrscheinlich einen Entwickler, der eine große Anzahl technischer Aufgaben schnell erledigt und bei DS und Modellen hilft. Wenn das Unternehmen ein Projekt hat, das bereits eingerichtet ist und reibungslos funktioniert, sind Nachwuchskräfte möglicherweise für seine Unterstützung geeignet.
„Sollte Kaggle als Hilfe bei der Eingabe von DS angesehen werden? Schauen sich Arbeitgeber Kaggle Masters an? “
Konstantin Bashevoy, Analyst-Entwickler bei Yandex und Lehrer des Kurses "Python für Datenanalyse"Natürlich! High Places bei Kaggle sind ein großartiges Portfolio-Projekt. Manchmal wird die Plattform für "idealisierte" Bedingungen kritisiert. Natürlich liegt hier kein Plattformfehler vor. Wenn eine Aufgabe für einen Wissenschaftler oder Analysten festgelegt wird, beginnt sie normalerweise nicht mit der Erstellung cooler Modelle, sondern mit der Arbeit des Managements, der Vorbereitung von Daten und Tools. Woher bekommen Sie die notwendigen Daten? Wie gehe ich damit um? Was sind die nicht offensichtlichen Probleme in den Daten? Dieser Teil auf Kaggle ist normalerweise nicht.
Wenn sie das Modell erstellt haben, beginnt eine weitere Phase - die Implementierung. Zusätzlich zu der Tatsache, dass das System im Produkt funktionieren sollte, müssen Sie seinen Wert für das Unternehmen nachweisen, Ihren Kollegen den Umgang damit beibringen und es möglicherweise an den Kunden „verkaufen“.
Daher baut ein Mitarbeiter manchmal coole Modelle, hat aber unter realen Bedingungen Schwierigkeiten mit dem ersten und dritten Teil der Arbeit. Wenn eine Person über gute Kommunikationsfähigkeiten verfügt, verfügt sie über ausgezeichnete Programmierfähigkeiten und baut außerdem genaue Modelle - sie hat keinen Preis. Bei Kaggle verbessern Sie den Modellbau, aber Sie benötigen viele angewandte Fähigkeiten, um dies in realen Projekten anzuwenden.
"Welche Kompetenzen werden zusätzlich zu den technischen Kompetenzen für einen unerfahrenen Spezialisten benötigt, damit der Arbeitgeber ihn im allgemeinen Strom wahrnimmt?"
Alexey Kuzmin, Entwicklungsleiter bei DomKlik, Datenwissenschaftler, Lehrer für Netology-Kurse für maschinelles LernenAlles hängt sehr stark von den Aufgaben und dem Profil des Unternehmens ab. Wenn dies ein Startup für 5 Personen ist, kann ein Analyst, der weiß, wie man mit Personal umgeht, nützlich sein, einfach weil das Startup keine Leute für das Personal hat. Wenn dies ein großes, seriöses, großes Unternehmen mit jahrelangen Projekten ist, in denen dieselben Personen dieselben Aufgaben ausführen, benötigen Sie einen engen Spezialisten, der nur einen bestimmten Bereich kennt und nichts weiter.
Soft Skills für Kommunikationsfähigkeiten, Stresstoleranz, Arbeitsfähigkeit und die Fähigkeit, das angewandte Feld zu verstehen, sind ein separates Plus.
Es ist nützlich, wenn ein Spezialist die Fähigkeiten hat, mit Unternehmen zu arbeiten. Dann ist es für ihn einfacher, die Anforderungen und Aufgaben des Unternehmens zu verstehen. Er kann in das Problem eintauchen und eine alternative Lösung anbieten.
Darüber hinaus gibt es jetzt einen großen Mangel an Spezialisten auf dem Markt mit Fähigkeiten im Zusammenhang mit DS. Zum Beispiel haben wir sehr lange nach einem Product Owner mit einem Verständnis für DS gesucht, damit er Produkte erstellen kann, die auf künstlicher Intelligenz basieren.
"Wie navigiere ich zu offenen Stellen und habe keine Angst, wenn neue Tools für Sie angezeigt werden?" Was braucht es, um in einem Beruf zu arbeiten? “
Konstantin Bashevoy, Analyst-Entwickler bei Yandex und Lehrer des Kurses "Python für Datenanalyse"Der Rat ist alltäglich - machen Sie Interviews. Oft in offenen Stellen geschrieben unterscheidet sich von den tatsächlichen Anfragen des Arbeitgebers. Das Interview gibt Ihnen die Möglichkeit herauszufinden, für welches Projekt die Arbeit geplant ist, welche Tools verwendet werden müssen und mit welchen Personen gearbeitet werden soll. Mein Rat ist, den Text der offenen Stelle als Richtlinie zu verwenden und nicht die endgültige Wahrheit.
Angemessene Arbeitgeber wissen, dass dies kein Problem ist, wenn Sie mit Google Cloud gearbeitet haben und Azure verwenden. Der Spezialist wird es schnell wieder lernen. Es gibt viel wichtigere Dinge: Was genau müssen Sie tun, wie sind die Prozesse im Team angeordnet - dies kann nur persönlich herausgefunden werden. In offenen Stellen geben solche Details nicht an.
"Stimmt es, dass es auf dem DS-Markt keine Remote-Arbeit gibt?"
Elena Gerasimova, Leiterin Data Science in NetologyRemote-Arbeit in ähnlichen Positionen in großen IT-Unternehmen ist eigentlich eher eine Ausnahme. Dennoch sind viele ausländische Unternehmen mit russischen Repräsentanzen bereit, bei der Ausführung der zugewiesenen Aufgaben Gehälter zu sparen und in ein entferntes Format zu wechseln.
Start-ups suchen häufig auch nach Remote-Mitarbeitern - wenn es auf die Udalenka ankommt, lohnt es sich, nach solchen Stellen zu suchen.
Im Allgemeinen denke ich, dass es vorzuziehen ist, im Büro für Analysten und Data Scientist zu arbeiten. Ohne im Büro zu arbeiten, nehmen Sie sich die Möglichkeit, direkt am Arbeitsplatz mit Kollegen zu lernen, mit dem Team zu kommunizieren, Probleme schnell zu lösen (naja, und nutzen Sie ein gutes Büro: ein Fitnessstudio, Abendessen, ein Szenenwechsel).
„Und was ist, wenn ich im Alter von 40 Jahren Junior Scientist werde? Was sind meine Aussichten? Wo bin ich und wie bewege ich mich? “
Konstantin Bashevoy, Analyst-Entwickler bei Yandex und Lehrer des Kurses "Python für Datenanalyse"Wir hatten Leute, die nach 30 von Industrieberufen zu Entwicklern wechselten: Es stellte sich heraus, dass alles in der Abteilung 5-8 Jahre jünger war - aber das waren Kleinigkeiten.
Wenn eine Person im Alter von 65 Jahren zu DS wechselt, wird es ihnen wahrscheinlich schwer fallen. Und so gibt es eine große Anzahl von Fällen, in denen Menschen aus sehr abgelegenen Gebieten, zum Beispiel der Medizin, im Alter von 30 bis 40 Jahren zu DS gezogen sind.
Ein weiterer wichtiger Punkt: Wenn Sie in eine neue Sphäre eintreten, müssen Sie bereit sein, die Gehälter zu senken. Wenn der Spezialist eine Familie und drei Kinder hat, ist es stressig. Im Allgemeinen gibt es viele positive Beispiele, und das Gehaltsniveau wächst parallel zu neuen Erfahrungen.
Elena Gerasimova, Leiterin Data Science in NetologyWenn Sie im Erwachsenenalter zu DS wechseln, sind der Geist und die Bereitschaft, einige Ihrer etablierten Prinzipien zu opfern und die Spielregeln zu akzeptieren, die in dieser Umgebung vorgesehen sind, äußerst wichtig. Wir haben kürzlich einen Studenten mit drei Kindern mit Auszeichnung abgeschlossen: Er hat während seines Studiums Pflegeurlaub genommen, und seine Frau hat in dieser Zeit gearbeitet. Er möchte wirklich ein Wissenschaftler-Date sein, ein sehr talentierter Absolvent und seine Motivation ist stärker als die Umstände.
„Wie kann ein unerfahrener Spezialist bei einem Vorstellungsgespräch Fragen zu Gehältern beantworten? Wie beurteilen Sie sich selbst? "
Daria Mukhina, Skyeng-Produktanalystin, Beraterin für Netology Analytics-KurseFür jeden ist die Frage nach dem Gehalt beim Vorstellungsgespräch eine stressige Frage. Ich denke, es ist riskant, über dieses Thema zu scherzen oder auszuweichen. Es ist am besten, vor dem Gespräch eine Mini-Studie durchzuführen, um die offenen Stellen zu entladen, an denen der Stecker angezeigt wird: obere Schwelle, untere Schwelle. Verstehen Sie, wie viel Sie bedingt Geld zum Leben benötigen, und sehen Sie sich dann noch einmal die Gehaltsgabeln auf der Ebene von Juni an - und nennen Sie den Betrag, der in sie passt, aber nicht unter Ihrem Existenzminimum liegt.
Von den Redakteuren