डेटा विज्ञान में सबसे अधिक मांग वाले कौशल

ज्ञान के संदर्भ में, डेटा विज्ञान विशेषज्ञ बहुत कुछ अपेक्षा करते हैं: मशीन लर्निंग, प्रोग्रामिंग, सांख्यिकी, गणित, डेटा विज़ुअलाइज़ेशन, संचार और गहन शिक्षण। इनमें से प्रत्येक क्षेत्र अध्ययन के लिए उपलब्ध दर्जनों भाषाओं, रूपरेखाओं, प्रौद्योगिकियों को शामिल करता है। इसलिए डेटा पेशेवरों के लिए अपने प्रशिक्षण समय बजट का प्रबंधन करना बेहतर है ताकि उन्हें नियोक्ताओं द्वारा मूल्यवान किया जा सके?

मैंने नौकरी साइटों का ध्यानपूर्वक अध्ययन किया ताकि यह पता लगाया जा सके कि अभी नियोक्ताओं के साथ कौन से कौशल सबसे लोकप्रिय हैं। मैंने डेटा के साथ काम करने से जुड़े दोनों व्यापक विषयों पर विचार किया, साथ ही साथ विशिष्ट भाषाओं और उपकरणों, एक अलग अध्ययन के हिस्से के रूप में। सामग्री के लिए, मैंने 10 अक्टूबर, 2018 तक लिंक्डइन , वास्तव में , सिम्पलीहेड , मॉन्स्टर और एंजेलिस्ट की ओर रुख किया। नीचे दिए गए ग्राफ से पता चलता है कि इन संसाधनों में से प्रत्येक पर कितने डेटा विज्ञान नौकरियों का प्रतिनिधित्व किया जाता है।



मैंने यह समझने के लिए कि कौन से कौशल सबसे अधिक बार उल्लेख किए गए हैं, कई नौकरी विवरण और सर्वेक्षणों का अध्ययन किया है। विश्लेषण में "प्रबंधन" जैसे शब्द शामिल नहीं थे, क्योंकि वे विभिन्न संदर्भों की एक विस्तृत श्रृंखला में नौकरी साइटों पर उपयोग किए जाते हैं।

खोज "डेटा विज्ञान", "कीवर्ड" शब्दों के आधार पर संयुक्त राज्य में आयोजित की गई थी। आउटपुट को कम करने के लिए, मैंने केवल सटीक घटनाओं का चयन किया। एक तरह से या किसी अन्य, एक समान विधि ने यह सुनिश्चित किया कि सभी परिणाम डेटा विज्ञान के लिए प्रासंगिक होंगे और सभी प्रश्नों पर समान मानदंड लागू होंगे।

एंजेलिस्ट डेटा के साथ काम करने से संबंधित कुल रिक्तियों की संख्या नहीं देता है, लेकिन ऐसी रिक्तियों की पेशकश करने वाली कंपनियों की कुल संख्या। मैंने इस साइट को दोनों अध्ययनों से बाहर रखा है, क्योंकि इसकी खोज एल्गोरिथ्म, जाहिरा तौर पर, "ओआर" सिद्धांत के आधार पर काम करती है और किसी भी तरह "और" मॉडल पर स्विच करना संभव नहीं बनाती है। जब आप "डेटा वैज्ञानिक" "TensorFlow" की भावना में कुछ दर्ज करते हैं, तो आप AngelList के साथ काम कर सकते हैं - इस मामले में, दूसरी क्वेरी का मिलान पहले से मेल खाता है। हालाँकि, यदि आप "डेटा वैज्ञानिक" "react.js" की भावना में कीवर्ड का उपयोग करते हैं, तो बहुत सारी रिक्तियां होंगी जो डेटा विज्ञान से संबंधित नहीं हैं।

Glassdoor के साथ सामग्री को भी बाहर करना पड़ा। साइट ने दावा किया कि उन्हें डेटा के साथ काम करने में 26,263 नौकरी की रिक्तियों के बारे में जानकारी थी, लेकिन वास्तव में अधिकतम 900 प्रदर्शित किए गए थे। इसके अलावा, यह मुझे बहुत संदिग्ध लगता है कि उन्होंने तीन बार से अधिक रिक्तियों को किसी अन्य बड़ी साइट के रूप में एकत्र किया।

अध्ययन के अंतिम चरण के लिए, मैंने उन कीवर्ड का चयन किया जिनके लिए लिंक्डइन पर एक बड़ा रिटर्न था: ब्रॉड-प्रोफाइल कौशल के लिए 400 से अधिक परिणाम, निजी प्रौद्योगिकियों के लिए 200 से अधिक। बेशक, कुछ डुप्लिकेट ऑफ़र थे। मैंने एक Google दस्तावेज़ में इस चरण के परिणाम रिकॉर्ड किए हैं ।

तब मैंने .csv फ़ाइलों को डाउनलोड किया, उन्हें JupyterLab पर अपलोड किया, प्रतिशत के रूप में प्रत्येक की व्यापकता की गणना की, और विभिन्न संसाधनों पर प्राप्त मूल्यों को औसत किया। मैंने बाद में 2017 की पहली छमाही में ग्लासडोर से डेटा विज्ञान क्षेत्र से नौकरी के उद्घाटन पर अध्ययन में प्रस्तुत लोगों के साथ भाषा के परिणामों की तुलना की। यदि आप KDNuggets के उपयोग पर सर्वेक्षण से इस जानकारी को जोड़ते हैं, तो ऐसा लगता है कि कुछ कौशल लोकप्रियता प्राप्त कर रहे हैं, जबकि अन्य धीरे-धीरे मूल्य खो रहे हैं। लेकिन उस पर और बाद में।

मेरे केगल कर्नेल में आपको इंटरेक्टिव ग्राफ और अतिरिक्त विश्लेषण मिलेगा। विज़ुअलाइज़ेशन के लिए, मैंने प्लॉटली का उपयोग किया। एक गुच्छा में प्लॉटली और जुपिटरलैब के साथ काम करने के लिए, आपको कुछ खेलना होगा, कम से कम जो इस लेखन के समय था - निर्देश मेरे कैगल कर्नेल के अंत में पाया जा सकता है, साथ ही प्लॉटली दस्तावेज में भी ।

व्यापक कौशल

यहां एक ग्राफ़ है जो सबसे लोकप्रिय सामान्य कौशल का प्रतिनिधित्व करता है जो नियोक्ता उम्मीदवारों को देखना चाहते हैं।



परिणाम बताते हैं कि एनालिटिक्स और मशीन लर्निंग डेटा विज्ञान विशेषज्ञों के काम का आधार बनाते हैं। इस विशेषता का मुख्य उद्देश्य डेटा सरणियों के आधार पर उपयोगी निष्कर्ष बनाना है। मशीन लर्निंग का उद्देश्य उन प्रणालियों को बनाना है जो क्रमशः घटनाओं के पाठ्यक्रम की भविष्यवाणी कर सकते हैं, यह बहुत मांग में है।

डेटा प्रोसेसिंग के लिए आंकड़ों की जानकारी और कोड लिखने की क्षमता की आवश्यकता होती है - इसमें हैरान होने की कोई बात नहीं है। इसके अलावा, सांख्यिकी, गणित और सॉफ्टवेयर इंजीनियरिंग ऐसी विशिष्टताएं हैं जिनमें विश्वविद्यालयों में प्रशिक्षण दिया जाता है, जो अनुरोधों की आवृत्ति को भी प्रभावित कर सकता है।

दिलचस्प बात यह है कि लगभग आधे रिक्तियों के विवरण में, संचार का उल्लेख किया गया है: डेटा विशेषज्ञों को अपने निष्कर्षों को लोगों तक पहुंचाने और एक टीम में काम करने में सक्षम होने की आवश्यकता है।

एआई और डीप लर्निंग का उल्लेख अन्य प्रश्नों की तरह नियमित नहीं है। हालांकि, ये क्षेत्र मशीन सीखने की शाखाएं हैं। डीप लर्निंग का उपयोग उन कार्यों में तेजी से किया जा रहा है जिनके लिए पहले मशीन लर्निंग एल्गोरिदम का उपयोग किया जाता था। उदाहरण के लिए, प्राकृतिक भाषा को संसाधित करते समय आने वाली समस्याओं के लिए सबसे अच्छा मशीन लर्निंग एल्गोरिदम, अब विशेष रूप से गहन सीखने के क्षेत्र से संबंधित है। मुझे विश्वास है कि भविष्य में यह अधिक से अधिक लोकप्रिय हो जाएगा, और मशीन सीखने को धीरे-धीरे गहरे के पर्याय के रूप में माना जाने लगेगा।

नियोक्ताओं के अनुसार, डेटा विज्ञान विशेषज्ञों को किस विशिष्ट सॉफ़्टवेयर समाधान में महारत हासिल होनी चाहिए? हम अगले खंड में इस प्रश्न की ओर मुड़ते हैं।

तकनीकी कौशल

नीचे 20 विशिष्ट भाषाएं, पुस्तकालय और तकनीकी उपकरण हैं, जिनके साथ नियोक्ताओं की राय में, डाटा प्रोसेसिंग विशेषज्ञों के पास अनुभव होना चाहिए।



चलो नेताओं के माध्यम से जल्दी से चलो।



पायथन सबसे अनुरोधित विकल्प है। तथ्य यह है कि यह खुला स्रोत भाषा प्रोग्रामर के बीच बेहद लोकप्रिय है, कई प्रसिद्ध हैं। शुरुआती लोगों के लिए, यह एक बहुत ही सुविधाजनक विकल्प है: कई प्रशिक्षण संसाधन हैं। नए डेटा टूल का अधिकांश हिस्सा इसके अनुकूल है। इन सभी के आधार पर, पायथन को डेटा विज्ञान विशेषज्ञों के लिए मुख्य भाषा कहा जा सकता है।



आर एक छोटे अंतर से अजगर का अनुसरण करता है। एक बार, यह वह था जो डेटा विज्ञान विशेषज्ञों के लिए मुख्य भाषा थी। यह मेरे लिए एक आश्चर्य की बात है कि उसके प्रति सक्रिय रुचि अभी भी कायम है। यह भाषा सांख्यिकी में उत्पन्न होती है, और तदनुसार, उन लोगों के बीच बहुत लोकप्रिय है जो इससे निपटते हैं।

लगभग सभी रिक्तियां इन दो भाषाओं में से एक को जानना आवश्यक बनाती हैं - पायथन या आर।



SQL भी बहुत ज्यादा डिमांड में है। संक्षिप्त नाम संरचित क्वेरी भाषा (संरचित क्वेरी भाषा) के लिए है, और यह वह भाषा है जो संबंधपरक डेटाबेस के साथ बातचीत करने के लिए मुख्य उपकरण है। डेटा विज्ञान समुदाय में SQL को अक्सर उपेक्षित किया जाता है, लेकिन यह उन कौशल को संदर्भित करता है जो आपको श्रम बाजार में प्रवेश करने की योजना बनाने में धाराप्रवाह होना चाहिए।




इसके बाद Hadoop और Spark - ये दोनों अपाचे के ओपन सोर्स टूल हैं, जिन्हें बड़े डेटा के साथ काम करने के लिए डिज़ाइन किया गया है। मीडियम पर बहुत कम ट्यूटोरियल और लेख उनके बारे में लिखे गए हैं। मेरा मानना ​​है कि जो आवेदक हैं उनकी संख्या उन लोगों की तुलना में काफी कम है जो पायथन या आर से परिचित हैं। यदि आप जानते हैं कि हाडोप और स्पार्क के साथ कैसे काम करना है या उन्हें महारत हासिल करने का अवसर है, तो यह आपके प्रतियोगियों के लिए एक अच्छा लाभ हो सकता है।




इसके बाद जावा और एसएएस हैं । मुझे हैरानी हुई कि ये दोनों भाषाएँ इतनी ऊँचाई पर चढ़ने में सक्षम थीं। दोनों बड़ी कंपनियों के दिमाग की उपज हैं और दोनों के लिए कुछ मुफ्त सामग्री है। हालांकि, डेटा विज्ञान विशेषज्ञों के बीच, न तो जावा और न ही एसएएस विशेष रुचि रखते हैं।



लोकप्रिय तकनीकों की रैंकिंग में अगला स्थान झांकी का है । यह एक विश्लेषणात्मक मंच और विज़ुअलाइज़ेशन उपकरण है जो शक्तिशाली और उपयोग करने में आसान है। इसकी लोकप्रियता लगातार बढ़ रही है। झांकी का एक नि: शुल्क सार्वजनिक संस्करण है, लेकिन यदि आप निजी मोड में डेटा के साथ काम करना चाहते हैं, तो आपको बाहर कांटा करना होगा। यदि आप झांकी के लिए पूरी तरह से नए हैं, तो यह एक छोटा कोर्स लेने के लिए समझ में आता है - कहते हैं, उदमी पर झांकी 10 AZ । वे मुझे विज्ञापन के लिए भुगतान नहीं करते हैं, मैंने सिर्फ यह पाठ्यक्रम खुद किया है और इसे बहुत उपयोगी पाया है।

नीचे दिए गए चार्ट पर आप डेटा के साथ काम करने के लिए लोकप्रिय भाषाओं, रूपरेखाओं और अन्य उपकरणों की एक विस्तारित सूची पा सकते हैं।

ऐतिहासिक तुलना

ग्लासडूर टीम ने जनवरी से जुलाई 2017 तक डेटा विज्ञान विशेषज्ञों के लिए दस सबसे लोकप्रिय कौशल का एक अध्ययन प्रकाशित किया। नीचे दिए गए ग्राफ़ पर, शर्तों की आवृत्ति पर उनके डेटा की तुलना लिंक्डइन, वास्तव में, सिम्पलीयर, और मॉन्स्टर साइटों के लिए मेरे द्वारा गणना किए गए औसत मूल्यों से की जाती है।



कुल मिलाकर, परिणाम समान हैं। ग्लासडोर से मेरे शोध और अनुसंधान दोनों सहमत हैं कि पायथन, आर और एसक्यूएल की मांग सबसे अधिक है। कौशल के शीर्ष भी पहले नौ पदों के भीतर रचना में मेल खाते हैं, हालांकि सटीक क्रम अलग है।

2017 की पहली छमाही की तुलना में परिणामों को देखते हुए, आर, हेडोप, जावा, एसएएस और मैटलैब की मांग कम हो गई, जबकि इसके विपरीत, झांकी, अधिक लोकप्रिय हो गई। यह उम्मीद की जानी चाहिए यदि आप कम से कम केडानुगेट के डेवलपर्स के सर्वेक्षण के परिणामों को देखते हैं। वे स्पष्ट रूप से दिखाते हैं कि R, Hadoop, Java और SAS कई वर्षों से गिरावट पर हैं, जबकि झांकी वृद्धि पर स्थिर है।

सिफारिशें

इन गणनाओं को देखते हुए, मैं उन डेटा विशेषज्ञों के लिए कई सिफारिशें पेश करना चाहता हूं, जो पहले ही बाजार में प्रवेश कर चुके हैं या सिर्फ अपना करियर शुरू करने के लिए तैयार हो रहे हैं, और हालांकि अपनी प्रतिस्पर्धात्मकता बढ़ाने के लिए।

• दिखाएँ कि आपको पता है कि डेटा का विश्लेषण कैसे करना है, और मास्टर मशीन सीखने के लिए कोई प्रयास नहीं करना है
• संचार कौशल पर ध्यान दें। मैं आपको " मेड टू स्टिक " पुस्तक पढ़ने की सलाह दूंगा, जिसमें बताया गया है कि आपके विचारों को अधिक वजन कैसे दिया जाए। अपने विचारों को अधिक स्पष्ट रूप से व्यक्त करने का तरीका जानने के लिए हेमिंग्वे संपादक ऐप के साथ भी अभ्यास करें।
• गहरी शिक्षा के लिए रूपरेखा सीखें। यह धीरे-धीरे मशीन सीखने की सीखने की प्रक्रिया का एक अभिन्न अंग बन रहा है। अपने अन्य लेख में, मैं विभिन्न रूपरेखाओं की तुलना करता हूं कि वे कितनी उपयोगी, दिलचस्प और लोकप्रिय हैं - आप इसे यहां पा सकते हैं।
• यदि आप पायथन और आर के बीच झिझक रहे हैं, तो पायथन चुनें। यदि आप पहले से ही पायथन को अपने हाथ के पीछे के रूप में जानते हैं, तो आर के बारे में जानने पर विचार करें। यह निश्चित रूप से आपको बाजार में अधिक आकर्षक उम्मीदवार बना देगा।

जब एक नियोक्ता एक कर्मचारी की तलाश में है, जो पायथन के साथ काम करता है, तो वह सबसे अधिक उम्मीद करेंगे कि उम्मीदवार मुख्य डेटा प्रोसेसिंग पुस्तकालयों से परिचित हो जाएं: संख्यात्मक, पांडा, स्किट-लर्न और मैटलोट्लिब। यदि आप इस सेट में महारत हासिल करना चाहते हैं, तो मैं निम्नलिखित संसाधनों की सलाह देता हूं:

• डेटाकैम्प और डेटाक्वेस्ट - वहां और वहां दोनों में आप थोड़े पैसे के लिए सास डेटा साइंस ट्रेनिंग कोर्स ऑनलाइन कर सकते हैं; आप कोड लिखने की प्रक्रिया में सही सीखेंगे। दोनों पाठ्यक्रमों में उपकरणों की एक विस्तृत श्रृंखला शामिल है।
• डेटा स्कूल विभिन्न संसाधनों की एक श्रृंखला प्रदान करता है, जिसमें YouTube वीडियो की एक अच्छी श्रृंखला शामिल है जो डेटा विज्ञान की मूल अवधारणाओं की व्याख्या करती है।
• मैकिन्नी द्वारा पायथन और डेटा विश्लेषण । यह पंडों के पुस्तकालय के लेखक का काम है; मूल रूप से यह इसके बारे में है, लेकिन यह डेटा विज्ञान के संबंध में पायथन, संख्यात्मक और डरावना-मूल की मूल बातों को भी छूता है।
• “ अजगर के साथ मशीन सीखने का परिचय। मुलर और गुइडो द्वारा डेटा पेशेवरों के लिए एक गाइड । मुलर स्किट-लर्न का समर्थन करने के लिए जिम्मेदार है। विशेष रूप से मशीन लर्निंग का अध्ययन करने वालों के लिए एक महान पुस्तक और विशेष रूप से इस पुस्तकालय।

यदि आप गहरी शिक्षा में सफलता प्राप्त करना चाहते हैं, तो मैं आपको केरस या फास्टएआई के साथ शुरू करने की सलाह देता हूं , और फिर टेन्सरफ्लो या पियरटेक पर जाएं । केरोल के साथ काम करने वालों के लिए स्कोल का " डीप लर्निंग इन पाइथन " एक बड़ी मदद है।

इन सिफारिशों के अलावा, मुझे लगता है कि इस बात पर ध्यान देना उचित है कि आप खुद में क्या रुचि रखते हैं, हालांकि, निश्चित रूप से, आप विभिन्न प्रकार के विचारों के आधार पर प्रशिक्षण के लिए अपना समय आवंटित कर सकते हैं।

यदि आप ऑनलाइन पोर्टल पर डेटा प्रोसेसिंग विशेषज्ञ के रूप में नौकरी की तलाश कर रहे हैं, तो मैं आपको लिंक्डइन से शुरू करने की सलाह देता हूं - उसके परिणाम लगातार सबसे व्यापक हैं। इसके अलावा, जब रिक्तियों की खोज करते हैं या वेबसाइटों पर रिज्यूमे पोस्ट करते हैं, तो कीवर्ड बहुत महत्वपूर्ण भूमिका निभाते हैं। उदाहरण के लिए, सभी माना संसाधनों के लिए, क्वेरी "डेटा विज्ञान" क्वेरी "डेटा वैज्ञानिक" की तुलना में तीन गुना अधिक परिणाम देता है। दूसरी ओर, यदि आप केवल और विशेष रूप से डेटा वैज्ञानिक ऑफ़र में रुचि रखते हैं, तो इस अनुरोध को वरीयता देना बेहतर है।

लेकिन कोई फर्क नहीं पड़ता कि आप किस संसाधन को चुनते हैं, मैं एक ऑनलाइन पोर्टफोलियो बनाने की सलाह देता हूं जो आपके कौशल को विभिन्न मांग वाले क्षेत्रों में प्रदर्शित करता है - जितने बेहतर हैं, उतना ही बेहतर है। आपके लिंक्डइन प्रोफाइल में आदर्श रूप से उन कौशल के कुछ सबूत होने चाहिए, जिनके बारे में आप बात कर रहे हैं।

शायद मैं बाकी शोध परिणामों को अन्य लेखों में प्रस्तुत करूंगा। यदि आप कोड या इंटरैक्टिव ग्राफिक्स के बारे में अधिक जानना चाहते हैं, तो मैं आपको कागल कर्नेल के लिए आमंत्रित करता हूं ।