Comments 16
В принципе так и есть.
Очень много людей с самым разным бэкграундом, и не всегда даже техническим, в последнее время пытаются перейти в data science.
А математикам-то можно или они тоже даже?
О математиках я не пишу: таких очень мало. И если вы сильный математик, но вообще без знаний программирования, возрастом за 50 - я бы рекомендовал податься в те аналитики, которые "статистики". Т.к. изучение всех технологий может занять много времени, которое вряд ли есть. В Дата сайенс вас возьмут скорее на начальную позицию, что может быть не интересно, а в аналитике можно найти позицию, в которой сильная математика будет высоко оценена.
Очень много людей с самым разным бэкграундом, и не всегда даже техническим, в последнее время пытаются перейти в data science.
Сначала воодушевился,
Идти в дата сайенс без опыта работы в ИТ, примерно как захотеть стать нейрохирургом, без опыта работы в медицине.
Потом огорчился)
Очень часто всплывает в последнее время информация про дата сайенс. Можно ли из финансиста переквалифицироваться? В статье нет ни слова о фин аналитиках, которые тоже работают с большим объемом данных.
насчёт переквалификации не знаю. можно просто выучиться.
НО:
- Нету навыков программирования (для эконометрики касались R, но только касались).
- Под каждый курс было отдельное ПО, которое на рынке стоит кучу денег, и не каждая компания готова будет за него платить (MatLab, iThink, Vensim, Eviews), плюс есть же фри-ту-плей питон с его библиотеками.
- Многие вещи просто уже ушли из/ спрятались далеко в памяти.
П.С. Сам сейчас после работы просматриваю/прохожу курсы, но пока отношусь как к хобби.
Конечно стоит! Идите вы все туда! Тестирование так уже паламале, пришло время датасайенс.
Не обращайте внимание на слово "сайенс", оно там просто так написано, без смысла! Наводняйте рынок труда!
Я то же туда хочу. Правда пока не знаю зачем.
А почему Питон? Я вот скажем хорошо знаю С++, с этим туда возьмут?
Требования к математике сильно зависят от сферы и культуры компании, думаю.
Мой опыт в Чехии: больше половины всех вакансий в этой сфере - в маркетинге, во всех командах, которые я видел, кроме одной, не хватает дата-инженеров. Поэтому ключевые навыки: коммуникация, чтобы маркетологом объяснить что ты там нашёл, и программирование чтобы самому автоматизировать своё решение задачи end-to-end. Математика достаточно базовая: самому ничего изобретать не нужно, надо просто правильно пользоваться стандартными моделями из библиотек, с типовыми функциями потерь. И я видел людей со слабыми знаниями математики на синьор дата сайенс позициях, которых очень ценили коллеги из маркетинга.
Одновременно видел PhD в математике на позиции руководителя отдела дата сайенс - это был достаточно слабый специалиста, потому что он не изучал современных библиотек ML, методов и технологий. И хотя был, наверное, крут в математике вообще, и смог бы что-то нетривиальное в статистике посчитать, чего бы я не смог, но в применении ML алгоритмов и разных полезных библиотек (Shap, MLflow) я всё время напарывался на пробелы в его знаниях и непонимании того, что вообще я предлагаю. Я ушёл от него до конца испытательного срока: замечательный человек, хороший, наверное, математик, но нуб в технологиях, из-за которого мы делали вещи технически неэффективно.
Machine learning- это же не подмножество data science, а вообще другая ветка эволюции? С некоторым пересечением, конечно. Хочу стать экспертом в нейросетях, бэкграунд: 15 лет разработки.
Стоит ли смотреть в сторону Data science?