Data Scientist
Сегодня мы живем во времена, где особенно ценится информация и специалисты, которые умеют с ней работать. Одним из таких специалистов называют data scientist’а. Данная профессия есть и будет актуальной долгое время еще и потому, что она очень универсальная.
Аналитики данных становятся всё популярнее и требуются в различных сферах. Для крупных компаний этот специалист на вес золота, поскольку его грамотная работа может увеличить объём продаж в несколько раз.
Мы постараемся подробно ответить на вопрос, что за профессия data science, рассказать о задачах, с которыми сталкивается специалист. Поговорим о месте работы дата сайентиста, его рабочем дне, плюсах и минусах профессии. Вы узнаете, что нужно для старта в этой сфере, какие перспективы развития, и что ждёт рынок дата сайенс в ближайшем будущем.
Что такое Data Science
Data Science – использование научных методов во время работы с данными. Это междисциплинарная область, основанная на статистике, математике, системном анализе, машинном обучении. Она исследует и анализирует сверхбольшие объёмы информации для получения практического результата.
Data Science помогает автоматизировать размещение контента, прогнозировать заболевания, предлагать рекомендации пользователям, планировать производство, искать подходящие товары или услуги.
Используется в самых разных сферах экономики – от здравоохранения и спорта до государственного управления и онлайн-продаж.
Кто такой Data Scientist
Дата сайнтист – специалист, который обрабатывает массивы данных, используя алгоритмы машинного обучения. Он строит и тестирует математические модели поведения данных. Благодаря этому в них находят закономерности или прогнозируют будущие значения.
Например, ориентируясь на данных о продажах билетов на отдых в Сочи прошлого года, он может сделать прогноз на востребованность этого направления отдыха в следующем году. Специалисты строят модели при помощи алгоритмов машинного обучения, работают с базами данных.
Задачи специалиста
В каждой компании задачи дата сайентиста отличаются. В крупных корпорациях на плечах специалиста может висеть несколько проектов. Среди основных задач, которые решают большинство аналитиков:
- выяснить требования заказчика;
- подготовить данные для обработки;
- оценить эффективность модели;
- разработать и потренировать модель машинного обучения;
- оценить экономический эффект от внедрения модели;
- внедрить её в производственный процесс или продукт;
- сопровождать модель.
Где работают дата-сайентисты
Data scientists работают в сферах бизнеса, где для достижения применяются методы машинного обучения. Сциентист может работать в:
- банках;
- транспортных компаниях над созданием алгоритмов вычислениях оптимальных маршрутов;
- производстве над прогнозом сбоев оборудования, дефектов продукции;
- продажах над анализом данных предыдущих лет и созданием алгоритмов, которые спрогнозируют спрос на услуги фирмы в будущем;
- IT-сфере над созданием ботов, алгоритмов поиска, нейросетей;
- медицине над автоматической постановкой диагнозов;
- сельском хозяйстве над прогнозом урожайности;
- страховой сфере над оценкой вероятности наступления страхового случая;
- биоинформатике над созданием генетических карт;
- стартапах над разработкой технологий, которые выведут продукт на новый уровень.
Как выглядит рабочий день специалиста
Специалист может работать в офисе, из дома или совмещать оба рабочих места. Если проект большой, либо у аналитика данных нет опыта, то он будет работать в команде сообща. Специалист с большим опытом может общаться напрямую с заказчиками и делегировать задачи своей команде.
В большинстве случаев день начинается с проверки рабочей почты и общения с командой, определения цели на день. Потом наступает стандартная рутинная забота. Специалист анализирует, предобрабатывает и очищает данные. Занимается разработкой и тестированием моделей, формулировкой и проверкой гипотез, визуализацией данных и написанием технической документации. Функция этих задач – найти оптимальное решение проблемы, которую поставил заказчик. Исходя из этого применяются различные пути достижения цели – где-то нужно прибегнуть к математическому анализу, где-то придётся окунуться в статистику.
Среди самого приятного в рабочем дне специалисты называют поиск решения для сложной задачи. Меньше всего дата сайентисты любят писать сопроводительную документацию, которая может занимать несколько сотен страниц.
В дни, когда нет рабочих проектов, специалисты могут заниматься самообучением, помогать коллегам или готовить презентации для заказчиков. Во время работы аналитикам приходится общаться с разными людьми, среди которых большая часть не разбирается в инструментах обработки, не знакома с моделями машинного обучения и другими техническими тонкостями.
Что нужно для старта в профессии
Для старта в профессии дата сайнс не достаточно одних лишь навыков программирования. Аналитику данных нужно иметь личностные качества, которые помогут ему развиваться по карьерной лестнице. От сайентиста понадобится большое терпение и усидчивость, поскольку не всегда можно решить имеющуюся задачу с первого раза. Важно обладать логическим мышлением и техническим складом ума. Такая работа потребует от специалиста самоорганизованности и саморазвития. Также аналитику важно обладать критическим мышлением, которое поможет найти выход из ситуации, рассмотреть все стороны проблемы. Специалист должен выявлять главное в задаче.
Необходимые качества
Чтобы работать аналитиком данных, следует обладать следующими знаниями:
- Понимание математического анализа – теории вероятности, статистики, линейной алгебры. Это поможет разобраться в значимости данных, разработать новые решения, оптимизировать и скорректировать существующие аналитические модели.
- Программирование. Специалист в своей работе собирает, очищает, обрабатывает и систематизирует данные. Для этого аналитики используют Python.
- Работа с языком запросов SQL. Базы данных – одни из важнейших инструментов аналитика.
- Алгоритмы обработки. Человек должен понимать основы линейной и логистической регрессии, дерева принятия решений и метода опорных векторов.
- Умение донести свою идею. В большинстве случаев заказчики проекта не смогут понять технический язык, поэтому аналитику данных нужно уметь подавать информацию простым и понятным языком.
- Работать сообща. Многими проектами занимаются специалисты в команде. Data scientist должен чётко понимать свою роль, уметь общаться с партнёрами, доносить до них информацию и слушать их мнение.
- Умение видеть экономически выгодные решения. В большинстве случаев к помощи специалистов прибегает бизнес, который хочет повысить узнаваемость, продажи товаров или услуг с минимальными затратами. Аналитик должен понимать, как реализовывать бизнес-идеи при помощи обработки данных.
Курсы по Data Science
В интернете много онлайн курсов, которые помогут приобрести необходимые навыки для входа в профессию. Рассмотрим топ-3 платных и бесплатных.
Платные
Профессия Data Scientist PRO от Skillbox.
Стоимость 374 325 руб. Студенты могут выбрать одну из трёх предлагаемых специальностей – Machine Learning, «Дата-инженер» и «Аналитик данных». Обучение подойдёт для людей без опыта программирования. Они научатся анализировать объёмы данных, прогнозировать, обучать нейронный сети.
Плюсы:
- помощь с трудоустройством;
- рассрочка на обучение;
- курс английского языка в подарок.
Минусы:
- высокая стоимость.
Профессия Data Scientist от SkillFactory.
Стоимость 303 000 руб. Студентов ждёт множество тестовых и интерактивных заданий. После обучения они могут стажироваться у партнёров онлайн-школы. Студенты научатся обучать нейронные сети, собирать и визуализировать данные, управлять алгоритмом, программировать на python, конвертировать бизнес-задачи.
Плюсы:
- карьерная поддержка после обучения;
- подойдёт новичкам;
- доступ к учебным материалам навсегда.
Минусы:
- высокая стоимость.
Факультет искусственного интеллекта от GeekBrains.
Стоимость 315 684 руб. Курсы рассчитаны на студентов без знаний основ программирования. Учеников ждут онлайн-лекции дважды в неделю. Они научатся строить скоринговые модели, писать на python, искать и исправлять ошибки в коде, строить алгоритмы. После обучения лучшие студенты получат помощь с поиском работы.
Плюсы:
- диплом государственного образца;
- помощь с карьерой;
- много практики.
Минусы:
- высокая стоимость.
Бесплатные
Введение в Data Science и машинное обучение от Института биоинформатики.
Студенты освоят понятия Data Science и Machine Learning, популярные библиотеки для анализа данных. Программа обучения состоит из 30 уроков.
Плюсы:
- наличие сертификата;
- тесты и интерактивные задачи;
- современная программа.
Минусы:
- нет обратной связи.
Data Science: будущее для каждого от Нетологии.
Расскажут о направлениях и профессии в этой сфере, базовых навыках, поиске работы. Студенты напишут код с помощью SQL.
Плюсы:
- видео и текстовые материалы;
- практические задания;
- доступ к закрытому чату.
Минусы:
- нет обратной связи.
Машинное обучение от ОмГТУ.
Учебная программа включает в себя 71 урок, текстовые материалы и тесты. Студенты научатся работать с таблицами данных, строить модели машинного обучения, восстанавливать данные с помощью искусственного интеллекта.
Плюсы:
- можно учиться сразу после регистрации;
- материал подаётся простым языком.
Минусы:
- нет практики;
- для прохождения нужно уверенное знание математики.
Обзор рынка: востребованность и заработная плата
На рынке труда наблюдается высокая востребованность дата саентистов. Количество вакансий значительно превышает количество специалистов. Компании активно борются за аналитиков данных, что выражается в высокой заработной плате: Junior может получать свыше 70 000 руб., Middle в районе 100 000 руб., Senior – 150 000 – 200 000 руб., зарплата Lead свыше 200 000 руб.
Спрос на специалистов ежегодно растёт в два раза. Компании чаще всего ищут Middle и Senior. В настоящее время около 2 000 вакансий только в Москве. В Санкт-Петербурге их в районе 300. Это два города, где аналитик может быстро подняться по карьерной лестнице.
Компании всё чаще предлагают работу в формате полной или частичной удалёнки. В большинстве предложений требования к кандидату: знание языка программирования Python, SQL, Git.
Вероятный карьерный путь
Карьера в Data Science мало чем отличается от карьеры в других направлениях IT-отрасли:
- Специалист уровня Джуниор занимается решением детализированных задач. Он ещё не разбирается в тонкостях, ему нужно подсказывать и направлять на правильный путь. Зачастую такие специалисты занимаются подготовкой данных к обработке, ищут в них ошибки, строят сводные таблицы.
- Специалисты уровня Мидл, которые больше разбираются в технологиях big data, могут самостоятельно выполнять стандартные задачи. Помощь такому сайентисту потребуется только в нестандартных ситуациях, которые бывают не так часто. Основная работа – машинное обучение и создание алгоритмов.
- Синьоры, обладающие большим набором практических навыков, могут одновременно работать над несколькими проектами. Специалисты получают задание от бизнеса и самостоятельно работают над ней. Они обрабатывают большие объёмы данных, визуализируют результаты, работают со сложными фреймворками и помогают программистам младших уровней.
Специалистам без опыта работы или с минимальными знаниями лучше всего устроиться в компанию, где будут опытные наставники, которые подскажут и обучат тонкостям профессии. Желательно получить базовые знания во всех сферах дата сайенс, чтобы стать более универсальным и востребованным мастером.
Программисты уровня Middle и Senior могут перейти на удалённый формат работы и заниматься проектами самостоятельно. Это может быть фриланс или собственный небольшой бизнес.
Плюсы и минусы профессии
У профессии data analyst существуют свои плюсы:
- востребованность, на рынке IT-сферы большой дефицит data engineer;
- лёгкая обучаемость – благодаря разнообразным курсам и другим возможностям можно с нуля быстро овладеть технологиями машинного обучения;
- зарплата специалистов выше, чем в большинстве других направлений IT;
- быстрый карьерный рост;
- если освоить ряд смежных профессий, то получится быстро повысить свой уровень;
- можно работать в зарубежных компаниях из дома и получать в несколько раз больше, чем в России.
Профессия специалиста, который занимается машинным обучением, имеет ряд минусов:
- чтобы освоить алгоритмы машинного обучения, нужно обладать техническим складом ума и понимать основы математики;
- в профессии важны усидчивость и терпение, потому что результат достигается путём множества проб;
- важно следить за трендами, чтобы оставаться востребованным.