"Ils viennent et pensent que maintenant ils gagneront 500k par seconde, car ils connaissent les noms des frameworks et comment faire fonctionner le modèle en deux lignes à partir d'eux."
Emil Maharramov dirige le groupe de services de chimie computationnelle chez biocad et, lors d'entretiens, fait face au fait que les candidats n'ont pas une compréhension systématique de la profession. Ils terminent les cours, sont livrés avec Python et SQL bien réglés, peuvent élever Hadoop ou Spark en 2 secondes, terminer une tâche selon une mission technique claire. Mais en même temps, un pas sur le côté n'est plus. Bien que ce soit la flexibilité des solutions que les employeurs attendent de leurs spécialistes en science des données.
Ce qui se passe sur le marché de la science des données
Les compétences des jeunes professionnels reflètent la situation sur le marché du travail. Ici, la demande dépasse considérablement l'offre, de sorte que les employeurs désespérés sont souvent vraiment prêts à embaucher des spécialistes entièrement verts et à les développer pour eux-mêmes. L'option fonctionne, mais elle ne convient que si l'équipe a déjà un chef d'équipe expérimenté qui prendra en charge la formation du junior.
Selon les recherches de HeadHunter et Mail.ru, les analystes de données sont parmi les plus demandés sur le marché:
- En 2019, il y avait 9,6 fois plus de postes vacants en analyse de données et 7,2 fois plus de postes vacants en apprentissage automatique qu'en 2015.
- Par rapport à 2018, le nombre de postes vacants pour les analystes de données a augmenté 1,4 fois, pour l'apprentissage automatique - 1,3 fois.
- 38% des postes vacants sont dans des entreprises informatiques, 29% - des entreprises du secteur financier, 9% - des services aux entreprises.
La situation est alimentée par de nombreuses écoles en ligne qui forment ces très jeunes. Fondamentalement, la formation dure de trois à six mois, pendant lesquels les étudiants ont le temps de maîtriser les principaux outils à un niveau de base: Python, SQL, analyse de données, Git et Linux. Le résultat est un junior classique: il peut résoudre un problème spécifique, mais il ne peut toujours pas comprendre le problème et formuler le problème par lui-même. Cependant, la forte demande de spécialistes et le battage médiatique autour de la profession suscitent souvent des ambitions et des exigences salariales élevées.
, Data Science : , - , , , , 200, 300, 400 .
- « », « » , .
Chief Data Scientist
Tout employeur souhaite que ses juniors travaillent sans supervision constante et qu'ils puissent évoluer sous la direction d'un chef d'équipe. Pour ce faire, un débutant doit immédiatement posséder les outils nécessaires pour résoudre les problèmes actuels, et disposer d'une base théorique suffisante pour proposer progressivement ses propres solutions et aborder des problèmes plus complexes.
Les nouveaux venus sur le marché se débrouillent plutôt bien avec les outils. Les cours de courte durée vous permettent de les maîtriser rapidement et de vous lancer.
Selon les recherches de HeadHunter et Mail.ru, la compétence la plus demandée est Python. Il est présent dans 45% des emplois en science des données et 51% des emplois en machine learning.
Les employeurs veulent également que les scientifiques des données connaissent SQL (23%), maîtrisent le data mining (19%), les statistiques mathématiques (11%) et soient capables de travailler avec le big data (10%).
Les employeurs à la recherche de spécialistes de l'apprentissage automatique, ainsi que de la connaissance de Python, s'attendent à ce que le candidat maîtrise le C ++ (18%), SQL (15%), les algorithmes d'apprentissage automatique (13%) et Linux (11%).
Mais si les juniors se débrouillent bien avec les outils, alors leurs dirigeants sont confrontés à un autre problème. La plupart des diplômés n'ont pas une connaissance approfondie de la profession, il est donc difficile pour un débutant de progresser.
. , Data Science, , .La structure et la durée mêmes des cours ne permettent pas d'approfondir le niveau requis. Les diplômés manquent souvent des compétences très générales qui sont généralement manquées lors de la lecture des offres d'emploi. Eh bien, la vérité est, lequel d'entre nous dira qu'il n'a pas de pensée systémique ou de désir de se développer. Cependant, appliqué à un spécialiste de la science des données, nous parlons d'une histoire plus profonde. Ici, pour se développer, il faut un biais suffisamment fort en théorie et en science, ce qui n'est possible que dans des études à long terme, par exemple dans une université.
, Biocad
: , « », , . 90-95% , - , . , , .
Chief Data Scientist
, Data Science
Il existe de nombreux bons cours de Data Science sur le marché et obtenir une formation initiale n'est pas un problème. Mais il est important de comprendre le sens de cette éducation. Si le candidat a déjà une solide expérience technique, des cours intensifs sont ce dont vous avez besoin. Une personne maîtrisera les outils, viendra sur place et travaillera rapidement, car elle sait déjà penser comme un mathématicien, voir le problème et formuler des problèmes. S'il n'y a pas de tels antécédents, après le cours, il y aura un bon interprète, mais avec des possibilités de croissance limitées.
Si vous êtes confronté à la tâche à court terme de changer de profession ou de trouver un emploi dans cette spécialité, alors certains cours systématiques vous conviennent, qui sont courts et fournissent rapidement un ensemble minimum de compétences techniques afin que vous puissiez postuler pour un premier poste dans ce domaine.Le problème avec les cours est qu'ils fournissent une accélération rapide mais minimale. Une personne entre littéralement dans la profession et atteint rapidement le plafond. Pour entrer dans la profession pendant une longue période, vous devez immédiatement jeter de bonnes bases sous la forme d'un programme à plus long terme, par exemple une maîtrise.
Ivan Yamshchikov
Directeur académique du Master of Science en ligne en science des données
, , . . , , , , , . , , - .L'absence de plafond de carrière est le principal avantage du programme de maîtrise. En deux ans, le spécialiste reçoit une base théorique puissante. Voici à quoi ressemble le premier semestre du programme Data Science chez NUST MISIS:
- « »
- Introduction à la science des données. 2 semaines.
- Bases de l'analyse des données. Traitement de l'information. 2 semaines
- Apprentissage automatique. Prétraitement des données. 2 semaines
- EDA. Analyse des données de renseignement. 3 semaines
- Algorithmes d'apprentissage automatique de base. Ch1 + Ch2 (6 semaines)
En même temps, vous pouvez simultanément acquérir une expérience pratique au travail. Rien ne vous empêche d'obtenir un poste junior dès que l'étudiant maîtrise les outils nécessaires. Mais, contrairement au diplômé des cours, le maître ne s'arrête pas là, mais continue de se plonger dans le métier. À l'avenir, cela vous permettra de vous développer en Data Science sans restrictions.
«» , Data Science. «», SkillFactory, HeadHunter, Facebook, Mail.ru Group , :
- « Data Science?»,
- « data scientist ?»,
- « data scientist- 2-5 ?»,
- « data science?»,
- « Data Science?»
, . 10 .