2019 में डेटा विज्ञान के क्षेत्र में अधिक मांग वाले विशेषज्ञ कैसे बनें

इस लेख का शीर्षक थोड़ा अजीब लग सकता है। वास्तव में: यदि आप 2019 में डेटा साइंस के क्षेत्र में काम करते हैं, तो आप पहले से ही मांग में हैं। इस क्षेत्र में विशेषज्ञों की मांग लगातार बढ़ रही है: इस लेखन के समय, "डेटा साइंस" कीवर्ड के साथ 144.527 रिक्तियों को लिंक्डइन पर पोस्ट किया गया था।

फिर भी, यह निश्चित रूप से उद्योग में नवीनतम समाचारों और रुझानों के बाद लायक है। सीवी कम्पाइलर टीम और मैंने जून 2019 में कई सौ डेटा विज्ञान नौकरियों का विश्लेषण किया और निर्धारित किया कि कौशल नियोक्ता उम्मीदवारों से सबसे अधिक क्या उम्मीद करते हैं।

2019 में डेटा विज्ञान कौशल के बाद सबसे अधिक मांग की गई

यह ग्राफ उन कौशल को दर्शाता है जो नियोक्ता 2019 में डेटा साइंस नौकरियों में सबसे अधिक बार उल्लेख करते हैं:



हमने StackOverflow, AngelList और इसी तरह के संसाधनों के साथ लगभग 300 नौकरियों का विश्लेषण किया। कुछ पद एक ही रिक्ति के भीतर एक से अधिक बार दोहराए जा सकते हैं।

महत्वपूर्ण: यह रेटिंग डेटा साइंस के क्षेत्र में विशेषज्ञों के बजाय नियोक्ताओं की वरीयताओं को प्रदर्शित करती है।

डेटा साइंस में प्रमुख रुझान

जाहिर है, डेटा साइंस मुख्य रूप से फ्रेमवर्क और लाइब्रेरी नहीं है, बल्कि मौलिक ज्ञान है। हालांकि, कुछ रुझान और प्रौद्योगिकियां अभी भी ध्यान देने योग्य हैं।

बड़ा डेटा

2018 में बिग डेटा के बाजार अनुसंधान के अनुसार, उद्यमों में बिग डेटा का उपयोग 2015 में 17% से बढ़कर 2018 में 59% हो गया। तदनुसार, बड़े डेटा के साथ काम करने के लिए उपकरणों की लोकप्रियता में वृद्धि हुई है। यदि आप Apache Spark और Hadoop की उपेक्षा करते हैं (हम अधिक विस्तार से उत्तरार्द्ध के बारे में बात करेंगे), सबसे लोकप्रिय उपकरण MapReduce (36) और Redshift (29) हैं।

Hadoop

स्पार्क और क्लाउड स्टोरेज की लोकप्रियता के बावजूद, हडोप युग अभी खत्म नहीं हुआ है। इसलिए, कुछ कंपनियां उम्मीद करती हैं कि उम्मीदवार अपाचे पिग (30), एचबीएस (32), और इसी तरह की तकनीकों को जानते हैं। कुछ नौकरियों में एचडीएफएस (20) भी पाया जाता है।

वास्तविक समय डाटा प्रोसेसिंग

विभिन्न सेंसर और मोबाइल उपकरणों के सर्वव्यापी उपयोग के साथ-साथ IoT (18) की लोकप्रियता को देखते हुए, कंपनियां यह जानने की कोशिश कर रही हैं कि वास्तविक समय में डेटा को कैसे संसाधित किया जाए। इसलिए, अपाचे फ्लिंक (21) जैसे प्लेटफॉर्म नियोक्ता के साथ लोकप्रिय हैं।

फ़ीचर इंजीनियरिंग और हाइपरपैरेट ट्यूनिंग

डेटा की तैयारी और मॉडल मापदंडों का चयन डेटा साइंस के क्षेत्र में किसी भी विशेषज्ञ के काम का एक महत्वपूर्ण हिस्सा है। इसलिए, डेटा खनन (128) शब्द नियोक्ताओं के बीच काफी लोकप्रिय है। कुछ कंपनियां हाइपरपरमुट ट्यूनिंग (21) पर भी ध्यान देती हैं ( फीचर इंजीनियरिंग जैसे शब्द को भी नहीं भूलना चाहिए )। मॉडल के लिए इष्टतम मापदंडों का चयन महत्वपूर्ण है, क्योंकि मॉडल का समग्र प्रदर्शन इस ऑपरेशन की सफलता पर निर्भर करता है।

डेटा विज़ुअलाइज़ेशन

डेटा को सही ढंग से संसाधित करने और आवश्यक पैटर्न प्रदर्शित करने की क्षमता महत्वपूर्ण है। हालांकि, डेटा विज़ुअलाइज़ेशन (55) एक समान रूप से महत्वपूर्ण कौशल है। आप अपने काम के परिणामों को एक प्रारूप में प्रस्तुत करने में सक्षम होना चाहिए जो किसी भी टीम के सदस्य या ग्राहक के लिए समझ में आता है। डेटा विज़ुअलाइज़ेशन टूल के संदर्भ में, नियोक्ता झांकी (54) पसंद करते हैं।

सामान्य रुझान

रिक्तियों में, हम AWS (86), डॉकर (36), साथ ही कुबेरनेट्स (24) जैसे शब्दों में भी आए थे । यह निष्कर्ष निकाला जा सकता है कि सॉफ्टवेयर विकास के क्षेत्र से सामान्य रुझान धीरे-धीरे डेटा साइंस के क्षेत्र में चले गए हैं।

विशेषज्ञ की राय

प्रौद्योगिकियों की यह सूची वास्तव में डेटा विज्ञान की दुनिया में चीजों की वास्तविक स्थिति को दर्शाती है। हालांकि, कोड लिखने से कम महत्वपूर्ण चीजें नहीं हैं। यह उनके काम के परिणामों को सही ढंग से व्याख्या करने की क्षमता है, साथ ही उन्हें कल्पना और उन्हें एक समझने योग्य रूप में प्रस्तुत करना है। यह सब दर्शकों पर निर्भर करता है - यदि आप विज्ञान के उम्मीदवारों के लिए अपनी उपलब्धियों के बारे में बात करते हैं, उनकी भाषा बोलते हैं, लेकिन यदि आप परिणामों को ग्राहक के सामने पेश करते हैं, तो वह कोड के बारे में परवाह नहीं करेगा - केवल वह परिणाम जो आपने हासिल किया है।

कार्ला जेंट्री
डेटा वैज्ञानिक, विश्लेषणात्मक समाधान के मालिक
लिंक्डइन | चहचहाना

यह ग्राफ डेटा साइंस के क्षेत्र में वर्तमान रुझान दिखाता है, लेकिन इसके आधार पर भविष्य की भविष्यवाणी करना मुश्किल है। मुझे विश्वास है कि आर की लोकप्रियता घट जाएगी (MATLAB की लोकप्रियता की तरह), जबकि पायथन की लोकप्रियता केवल बढ़ेगी। जड़ता द्वारा सूची में Hadoop और Big Data भी दिखाई दिए: Hadoop जल्द ही गायब हो जाएगा (कोई भी इस तकनीक में गंभीरता से निवेश नहीं कर रहा है), और Big Data एक बढ़ती प्रवृत्ति के रूप में बंद हो गया है। स्काला का भविष्य पूरी तरह से स्पष्ट नहीं है: Google आधिकारिक तौर पर कोटलिन का समर्थन करता है, जो सीखना बहुत आसान है। मैं TensorFlow के भविष्य के बारे में भी उलझन में हूं: वैज्ञानिक समुदाय PyTorch को पसंद करता है, और डेटा साइंस के क्षेत्र में वैज्ञानिक समुदाय का प्रभाव अन्य सभी क्षेत्रों की तुलना में बहुत अधिक है। (यह मेरी निजी राय है, जो शायद गार्टनर की राय से मेल नहीं खाती)।

एंड्री बर्कोव,
गार्टनर में मशीन लर्निंग के निदेशक,
सौ पेज की मशीन लर्निंग बुक के लेखक।
लिंक्डइन

PyTorch प्रबलित सीखने के साथ-साथ कई GPU (जो कि TensorFlow के साथ ऐसा नहीं है) पर समानांतर कोड निष्पादन के लिए एक मजबूत ढांचा है। PyTorch डायनामिक ग्राफ़ बनाने में भी मदद करता है जो आवर्तक तंत्रिका नेटवर्क के साथ काम करते समय प्रभावी होते हैं। TensorFlow स्थैतिक रेखांकन के साथ संचालित होता है और इसका अध्ययन करना अधिक कठिन है, लेकिन इसका उपयोग अधिक डेवलपर्स और शोधकर्ताओं द्वारा किया जाता है। हालाँकि, डेटा विज़ुअलाइज़ेशन (matplotlib, seaborn) के लिए कोड और लाइब्रेरीज़ को हटाने के मामले में PyTorch Python के करीब है। अधिकांश पायथन कोड डिबगिंग टूल का उपयोग PyTorch कोड को डीबग करने के लिए किया जा सकता है। TensorFlow का अपना डिबगिंग टूल भी है - tfdbg।

गणपति पुलिपका,
एक्सेंचर में मुख्य डेटा वैज्ञानिक,
शीर्ष 50 टेक लीडर अवार्ड विजेता।
लिंक्डइन | चहचहाना

मेरी राय में, डेटा साइंस में काम और करियर एक ही बात नहीं है। काम करने के लिए, आपको कौशल के उपरोक्त सेट की आवश्यकता होगी, लेकिन डेटा विज्ञान में एक सफल कैरियर बनाने के लिए, सबसे महत्वपूर्ण कौशल सीखने की क्षमता है। डेटा साइंस एक चंचल क्षेत्र है, और आपको समय के साथ तालमेल बनाए रखने के लिए नई तकनीकों, उपकरणों और तरीकों को सीखना होगा। लगातार नई चुनौतियों का सामना करें और कोशिश करें कि "थोड़ा संतुष्ट रहें।"

लोन रिस्बर्ग
डेटा अमृत के संस्थापक / क्यूरेटर,
पूर्व नासा।
ट्विटर | लिंक्डइन

डेटा साइंस एक तेजी से विकसित और जटिल क्षेत्र है जिसमें मौलिक ज्ञान कुछ उपकरणों के साथ अनुभव के रूप में महत्वपूर्ण है। हमें उम्मीद है कि यह लेख आपको यह निर्धारित करने में मदद करेगा कि 2019 में डेटा साइंस के क्षेत्र में एक अधिक मांग वाले विशेषज्ञ बनने के लिए किन कौशल की आवश्यकता है। शुभकामनाएँ!

यह लेख सीवी कंपाइलर टीम द्वारा लिखा गया था, जो डेटा विज्ञान और अन्य आईटी पेशेवरों के लिए रिज्यूमे सुधारने का उपकरण है।