Что должен знать дата сайентист

Привет всем, друзья! ✌ Сегодня рассмотрим Что такое Data Science и как эта профессия поможет вам в будущем + обучение, которые можно пройти абсолютно бесплатно.

Чем занимается data scientist?

Data scientist — человек, который решает реальные бизнес-кейсы, проводя интеллектуальный анализ большого объема данных. Чтобы справляться с этими задачами, специалист должен обладать не только множеством hard skills, но и иметь выдающиеся личностные качества (о важности soft skills подробно написано в нашей статье). Вот с последних и начнем.

Обучение data science с нуля – какие личностные качества нужны?

Вам придется разбирать огромные массивы данных, искать нестандартные пути решения и успешно взаимодействовать с другими членкаи команды. Для этого нужно быть больше, чем азбукой алгоритмов. Подумайте, соответствуете ли вы требованиям к специалисту по данным на уровне soft skills. Для этого у вас должны быть:

1. Аналитический склад ума. Без подходящего склада ума, понять и проанализировать большие объемы данных разного типа просто невозможно;
2. Упорство и умение доводить начатое до конца. У профессионала не должны опускаться руки, сколько бы раз он ни пробовал решить проблему;
3. Креативность. Каждый кейс непохож на другие. Нужно не просто выбрать подходящий метод, а придумать его и только потом реализовать. Без креативного подхода в таком не обойтись;
4. Умение объяснять сложные вещи простым языком. Клиенты зачастую являются людьми без технического образования – теми, кто не разбирается в data science, machine learning и других технических аспектах. Представляя им результаты, специалист должен донести основные положение максимально просто;
5. Понимание того, как работают бизнес-решения в data science. Цель data scientist — разработать решение для бизнеса, поэтому он должен и сам разбираться, как работает бизнес и будет ли данное решение удобным для конечного пользователя.

Знание английского языка в data science

Но все soft skills меркнут перед необходимостью знать английский. Это более важно. Без этого никуда. Большая часть из необходимых для изучения ресурсов – на английском языке. Нужно смириться – самые свежие новости и курсы по data science появляются первым делом на английском. Многие книги и обучающие программы, представленные в этой статье, также поддерживают только английский.

Но не стоит отчаиваться, если ваш язык хромает.

Уже имея знание не ниже уровня B2, можно просто подтянуть словарный запас, дополнив его терминами, связанными с данными. Чувствуете себя неуверенно? Попробуйте курс по английскому языку для IT-специалистов от Skyeng или найдите более подходящий в нашем обзоре площадок для онлайн-обучения английскому.

Обучение data science с нуля – необходимые технические навыки успешного data scientist

Необходимые для успеха в карьере навыки диктует рынок, а он – вещь переменчивая и нестабильная. Именно поэтому полный список компетенций меняется от вакансии к вакансии. Остановимся на самых важных.

Линейная алгебра в data science

Обучение data science с нуля и математика – вещи созвучные. Нужно иметь серьезную математическую базу. К счастью, необязательно быть гением абсолютно во всех аспектах.

Линейная алгебра невероятно важна, ведь именно матрицы и векторы применяются для представления данных при использовании методов машинного обучения в серьезных компаниях. Чтобы получить базовые представления о линейной алгебре и быть конкурентоспособным кандидатом, можно пройти несколько курсов:

• Линейная алгебра на Stepik. Затрагивает только введение, очень короткий и понятный, позволяет за 4 часа лекций освежить знания или получить базовые представления о том, с какими задачами работает эта сфера математики и как их решать;
• Вводный курс в линейную алгебру от Высшей Школы Экономики на Coursera. По содержанию он очень близок к предыдущему, но укладывается в еще более сжатые сроки, без потери качества материала;
• Advanced Linear algebra от Техасского университета. Погружает слушателя в самую суть линейной алгебры и ее прикладное применение (в компьютерных операциях). К сожалению, без должной математической подготовки и знания английского языка осилить его практически невозможно;
• Не курс, но учебное пособие от Туганбаева. Качество материала не страдает от легкого и понятного изложения, а обилие заданий помогает закрепить все на практике.

Математический анализ в data science

Необходим, чтобы понимать, как работает machine learning, и уметь оптимизировать алгоритмы машинного обучения на будущем месте работы. Полезными будут следующие курсы:

• Calculus 1 на Udemy – дает вводные знания по пределам и знакомит слушателя с базовыми приемами дифференцирования. Изложен на английском языке, поэтому знание языка и предметной терминологии обязательно.
• Еще один курс от Udemy, но более глубокого уровня — Calculus 3. Очень длинный, но после прохождения принцип работы большей части machine learning алгоритмов, применяемых в data science, становится простым и понятным;
• Хороший курс по введению в математический анализ на русском на платформе Stepik. Будет понятен даже тем, кто забыл университетский курс матанализа. Все дается в понятной форме и подкрепляется доказательствами;
• Полный курс матанализа — в учебнике MIT. Рассчитан на студентов младших курсов, поэтому не очень сложен в освоении, но есть и минус — он полностью на английском.

Обучающие материалы для Data Science

Взрыв мозга «Аналитика данных с нуля»

В рамках микрокурса вы получите выжимку необходимой информации для старта в новой профессии: от необходимых навыков до секретов успешного прохождения собеседования, от кейсов до подробного разбора инструментов.

• Поймёте, какие аналитики бывают и чем отличаются
• На реальных кейсах поймете специфику работы аналитиков
• Найдёте своё место в обилии направлений анализа данных
• Начнёте ориентироваться в современных инструментах аналитиков
• Узнаете, как покорить HR: секреты идеального резюме и успешного собеседования

• Экономия времени: все материалы собраны в одном месте, в удобном формате (только выжимка структурированной информации, ничего лишнего)
• После каждого урока вам будут доступны бесплатные ресурсы для самостоятельного обучения
• Не нужны дополнительные знания: курс подходит для новичков
• Вы получите советы по карьерному росту от экспертов индустрии

На правах профессии «Аналитика Данных» от лучшей IT-школы в России

Вы научитесь работать с данными, а как результат вы получите сопровождение с наставником-экспертом до трудоустройства!

400 часов теории и практики + обучение в реальной рабочей среде + мастер-классы с реальными рабочими задачами +доступ к курсу навсегда + индивидуальная проверка домашних заданий +к онсультации с экспертами каждую неделю +плюшки:

• 5 проектов в портфолио
• Диплом о переподготовке
• Цепляющее резюме от опытного рекрутера
• Подготовка к собеседованиям
• Наставник по трудоустройству — поможет, научит, успокоит
• Сопровождение до трудоустройства

Аналитик данных помогает принять решение в бизнесе, науке и управлении. Он находит закономерности и составляет логические выводы на базе проведенного анализа.

Справитесь без опыта в IT: учим с азов
• В рассрочку на 12 месяцев
• Всего 10 часов в неделю

• Курс 1. Excel для анализа данных
• Курс 2. Обработка данных с помощью SQL
• Курс 3. Python для анализа данных
• Курс 4. Решение бизнес-кейсов
• Подготовка к трудоустройству

1. «Обучение Data Science: будущее для каждого»

Длительность курса составляет 3 урока в формате записей вебинаров и текстовых материалов.

Обратная связи нет,зато есть сертификат.

1. Data Science: будущее для каждого. Разберёмся, почему работа с данным настолько актуальна. Какие направления и профессии есть в сфере Data Science, чем они отличаются и как определить направление для себя.
2. Базовые навыки: с чего начать. Расскажем об обязательных навыках каждого аналитика и его инструментарии. Напишем первый код с помощью языка запросов SQL.
3. Как найти работу: первые шаги. Кого ищут работодатели. Пошаговый план для старта карьеры в сфере Data Science. Как составить карту ваших компетенций.

«Профессия Data Scientist »

Что ты получишь? За два года обучения по 10 часов в неделю ты освоишь востребованные навыки в Data Science и соберёшь портфолио проектов. Начнёшь практиковаться на реальных бизнес-кейсах, подтянешь soft skills (коммуникация с бизнесом и др).

Формат учёбы: короткие видео и вебинары с разбором заданий + тесты и интерактивные задания + практике на тренажере + общий чат с 6000 студентами для решения вопросов + личный наставник в решении проблем.

Изюминка курса: помощь в трудоустройстве, общение с экспертами и решение сложных вопросов с ментором.

Длительность курса составляет 30 уроков с выдачей сертификата. Формат как обычно проходит в виде видеоуроков с тестами и выполнением домашней работы.

1. О чём курс?
2. Big Data, Deep Machine Learning — основные понятия.
3. Модель, начнём с дерева.
4. Pandas, Dataframes.
5. Фильтрация данных
6. Группировка и агрегация.
7. Визуализация, seaborn.
8. Практические задания: Pandas.
9. Секретный гость.
10. Stepik ML contest — это ещё что такое?
11. Stepik ML contest — data preprocessing.
12. Какого музыканта Beatles я загадал или entropy reduction.
13. Немного теории и энтропии.
14. Titanic: Machine Learning from Disaster.
15. Обучение, переобучение, недообучение и кросс-валидация.
16. Последний джедай или метрики качества модели.
17. Подбор параметров и ROC and Roll.
18. Практика, Scikit-learn, fit, predict, you are awesome.
19. ML на практике — автокорректор ошибок правописания.
20. Секретный гость.
21. Stepik ML contest.
22. Снова возвращаемся к деревьям.
23. Random forest.
24. Зачем знать что-то ещё, если есть Random Forest?
25. Секретный гость.
26. И на Марсе будут яблони цвести.
27. Нейроэволюция.
28. Трюки в Pandas.
29. Вот и всё, а что дальше?
30. Stepik ML contest.

• Основные понятия Data Science и Machine Learning
• Наиболее популярные Python-библиотеки для анализа данных — Pandas и Scikit-learn

• Начать обучение можно сразу после регистрации
• Обучение проводят лучшие преподаватели Института биоинформатики
• Современная программа обучения
• Изложение материала простым языком
• Можно бесплатно получить сертификат по окончании обучения

3. «Нейронные сети‎»

Формат уроков представляет собой видео с выполнением тестов и заданий, а длительность курса из 24 уроков. Есть обратная связь.

1. Основы линейной алгебры.
2. Перцептрон и градиентный спуск.
3. Алгоритм обратного распространения ошибки.
4. Мониторинг состояния сети.
5. Заключение.

Твои навыки после обучения

• Основы линейной алгебры (векторы и матрицы)
• Принципы работы нейронных сетей
• Применение нейронных сетей для решения практических задач

• Большая обучающая программа
• Интерактивные тесты и задачи

4. «Знакомство с R ‎и базовая статистика»

Длительность курса составляет 20 часов, формат материала видеообучение с выполнением тестов + текстовые пометки.

Сертификат выдаётся после покупки подписки.

В этом из бесплатных курсов по Data Science разберёшь основы статистики и познакомишься с основами языка статистического программирования R.

Будешь использовать средства визуализации (диаграммы, графики и т.п.), чтобы сделать результаты анализа максимально доступными и понятными. Научишься рассчитывать основные описательные статистики: медиану и квантили, среднее и стандартное отклонение..

• Основы языка программирования R
• Статистическая обработка данных
• Создание автоматизированных отчетов с помощью R Markdown и Knitr
• Тестирование гипотез
• Визуализация результатов анализа

• Обратная связь с преподавателями на форуме
• Гибкие сроки изучения материала
• Опытные преподаватели
• Интересная подача материала
• Хорошие примеры
• Можно получить сертификат

5. «Эконометрика‎»

Длительность курса составляет 30 часов в формате видеоуроков с выполнением тестов.

Выдача сертификата предусмотрена.

Ты будешь подробно изучать линейные регрессионные модели, рассмотришь наиболее частые отклонения от предпосылок классической линейной регрессии.

Изучишь базовые модели (логит и пробит) для качественных зависимых переменных. Наряду с теоретической основой ты будешь работать с реальными данными, используя статистический пакет R.

Твои навыки после обучения

• Понимание методов наименьшего квадрата и максимального правдоподобия
• Исследование закономерности в реальных данных
• Работа со случайными величинами в R
• Прогнозирование переменной y
• Проверка гипотез о коэффициентах в R
• Понимание взаимодействия переменных

• Насыщенная программа обучения
• Работа с материалами в удобное время
• Опытный преподаватель
• Много прикладных задач
• Возможность улучшить имеющиеся знания в эконометрике
• Общение на форуме с преподавателем

Заключение

Evgenev RU сотрудничает с ведущими онлайн-школами и образовательными платформами из России и других стран. Некоторые ссылки на нашем ресурсе имеют реферальный характер. Чтобы понять, что это означает для вас, ознакомьтесь с данным материалом.

Евгений Волик

¡Hola amigos! Здесь я выкладываю подборки с курсами для обучения разным профессиям с нуля. Проект существует с 2021 года и постоянно развивается.

Источник: evgenev.ru

У вас есть все данные

Почему Data Science-эксперты стали самыми востребованными специалистами сегодня

В быстро меняющемся мире точное прогнозирование становится залогом успеха для бизнеса и единственной возможностью избежать попадания компании в кризисную ситуацию. Для решения таких задач уже недостаточно только навыков аналитиков рынка или бизнес-консультантов: при написании стратегии развития бренда специалистам необходимо охватывать сразу несколько значимых показателей за разные промежутки времени. Поэтому спрос на Data Science-экспертов, способных проанализировать и учесть большое количество факторов, опираясь на массив цифровых данных, за один год вырос вдвое. “Ъ” выяснил, чем на практике занимаются специалисты Data Science, на какие зарплаты могут претендовать в условиях дефицита кадров, где в России можно овладеть новой профессией и стоит ли перепрофилироваться прямо сейчас.

Выйти из полноэкранного режима

Развернуть на весь экран

Фото: Игорь Иванко, Коммерсантъ

Дефицит профи

«Без анализа больших данных вы остаетесь слепыми и глухими посреди автострады» — эти слова известного аналитика и консультанта в области управления Джеффри Мура остаются актуальными для бизнеса уже много лет. Сегодня же тех, кто способен работать с данными, компаниям особенно не хватает.

За восемь месяцев 2021 года на портале интернет-рекрутмента hh.ru в России было открыто свыше 2 тыс. вакансий для Data Scientist — это на 54% больше, чем в 2020 году. Резюме специалистов Data Science показывают еще большую динамику: за этот же период они выросли в 2,5 раза, до 5 тыс. Но все равно эта IT-специализация испытывает острый дефицит: в 2020 году на одну вакансию приходилось одно резюме, в 2021-м — менее трех при норме для рынка в пять-шесть предложений, поделились представители hh.ru.

«Резкий спрос на этих специалистов появился в 2015 году в связи с активным ростом продуктовых направлений: голосовых помощников, беспилотных автомобилей, биотехнологий и десятков других. Фактически сейчас ни одна технологическая компания не обходится без отдела анализа данных»,— рассказывает Talent Director, партнер IT-рекрутингового агентства и персонального карьерного маркетплейса gms Норбит» Дмитрий Тимаков.— Важной особенностью работы с данными на этапах анализа и разработки моделей машинного обучения является необходимость глубокого понимания протекающих бизнес-процессов».

Задачи перед экспертом могут стоять самые разные: от анализа фактических данных до определения морального состояния говорящего по видеоизображению, перечисляет президент «Ланит-Терком» Андрей Терехов: «Например, специалисты магазина, анализируя список покупок одной из клиенток за длительное время, догадались, что она беременна, и стали предлагать соответствующие товары. Отец девушки возмутился такими предположениями и даже начал судиться с магазином, но оказалось, что девушка на самом деле ждет ребенка. Разумеется, этот пример носит не вполне серьезный характер, хотя и абсолютно правдив». Также среди примеров эксперт приводит предсказание общего спроса на какие-либо продукты и выставление наиболее подходящей цены для этих товаров.

Самое сложное в работе Data Scientist — это оценка результатов. «Иногда очевидные с первого взгляда ответы, связанные с анализом данных, ничего не означают. Как и везде в науке, здесь нужно уметь отличать ремесленнический подход от исследовательского: ремесленник, попробовав пару методов и подобрав разумные коэффициенты, может получить приемлемый результат, но он никогда не сможет объяснить, почему именно этот метод верный, а не другой,— рассуждает Андрей Терехов.— А исследователь на каждом шагу будет понимать, что сработало, а что — нет, и почему, и как улучшить полученный результат с подробной аргументацией».

В целом деятельность специалистов направлена на решение большой бизнес-задачи: увеличения выручки компании или конверсии, автоматизации рабочих процессов, которые ранее выполняли люди, утверждает Дмитрий Тимаков. Среди наиболее заинтересованных отраслей эксперты назвали сам IT-сектор, ритейл, финтех, производство и нефтегазовую промышленность.

Работодатели со своей стороны готовы платить за услуги востребованных специалистов. По данным hh.ru, зарплаты экспертов в Data Science начинаются в среднем от 120 тыс. руб. и достигают 300–400 тыс. руб. в месяц при возможности работать удаленно. Особый интерес к специалистам рекрутинговые агентства видят со стороны международных стартапов, которые готовы платить выше рынка: 400–500 тыс. руб., рассказывает Алексей Исаев.

Выйти из полноэкранного режима

Развернуть на весь экран

Применение на практике

Пандемия коронавируса придала резкий импульс развитию Data Science как профессии, в которой не нужен личный контакт с источниками информации и создающей инструменты для дистанционного решения важных задач. Так, несмотря на всемирную изоляцию, врачам было необходимо обмениваться ценной информацией о новой вирусной инфекции, собирать данные со всех возможных источников, переводить и структурировать. Профессионалы в Data Science в области медицины оказались остро востребованы.

Также сейчас во всех бизнес-процессах для принятия стратегических решений специалистам нужно видеть полную картину, состоящую из разной неструктурированной информации. Например, для введения нового тарифа или спецпредложения телеком-оператору необходимо проанализировать действия своих абонентов и выявить их ключевые предпочтения: разговоры по сотовой связи, общение в мессенджерах или просмотр видео в интернете — в зависимости от этого компания предложит наиболее выгодные условия для клиентов.

Собрать и обработать такую информацию Data Scientists помогают алгоритмы ИИ. «В первую очередь ИИ стал востребован в тех отраслях, где есть необходимость быстрого и безошибочного анализа большого объема данных, оптимизации процессов,— соглашается начальник управления развития перспективных технологий AI «Сбера» Андрей Черток.— Пионером стали банки, дальше e-commerce. Постепенно весь бизнес, включая малый, осознает, что работа с данными дает большой прирост эффективности. Например, маленькая кофейня на основе анализа предпочтений клиента может настроить рекомендательную систему, улучшить качество коммуникации и повысить лояльность».

Продукты, которые делают специалисты в области Data Science, окружают нас каждый день, размышляет директор по технологиям искусственного интеллекта «Тинькофф» Павел Калайдин. Например, цифровой ассистент врача, если снимок смотрит не только доктор, но и нейросеть, которая обучилась на похожих случаях. «Это как подключить дополнительный мозг, который тоже предлагает свою идею по решению проблемы,— проводит аналогию господин Калайдин.— В свое время промышленная революция привела к механизации ручного труда, сейчас происходит то же самое, но в других областях. Количество используемой информации сильно возросло, при этом неструктурированная информация содержит важные знания, которые можно использовать с пользой для бизнеса».

Чтобы стать хорошим Data Science-специалистом, который будет востребован в крупных передовых компаниях, в идеале надо иметь базовое техническое образование, считает Павел Калайдин. В эту область приходят и после девяти месяцев онлайн-курсов, но, по его словам, обычно этого недостаточно. Большинству потом все равно приходится учиться: они получают высшее образование в этой области и при этом параллельно работают. Это требует серьезной дисциплины и упорного, многолетнего труда.

Выйти из полноэкранного режима

Развернуть на весь экран

Alma mater для Data Science

Пожалуй, в наши дни нет профессии или навыка, которые нельзя освоить, обладая достаточными ресурсами в виде времени и денег. Data Science не исключение. «Если в Data Science идут для перепрофилирования, то это люди с хорошим математическим бэкграундом, либо просто с аналитическим складом ума, либо обычные программисты,— рассуждает Delivery Director в First Line Software Константин Фартусов.— Ведь часть практик Data Science связана с языками программирования, например Python и R, то есть языками с низким порогом вхождения. Поэтому перспективы профессии внушают оптимизм: спрос есть, а обучиться основам не так сложно, как может показаться».

Новой профессии уже учат в ведущих российских вузах, таких как МГТУ имени Баумана или Высшая школа экономики. Учебный центр при Бауманке предлагает пройти курс от шести месяцев, его стоимость начинается от 121 тыс. руб. Программа подразумевает в том числе начало освоения специальности с нуля. В нее входят обучение применению на практике знаний по математической статистике, необходимых для статистического анализа, использованию современных баз данных, применению технологии Big Data и машинного обучения (о том, какие навыки и инструменты востребованы в российских компаниях, см. колонку главы направления больших данных VK Германа Царева).

Образованием также занимаются российские IT-компании. Например, «Тинькофф» в своем проекте «Тинькофф Образование» совместно с МФТИ запустил несколько курсов по машинному обучению как для старшеклассников и студентов младших курсов, так и для студентов магистратуры. Второе направление предполагает работу над проектами «Тинькофф» в МФТИ, когда студенты вместе с бизнес-менторами банка и научными менторами со стороны вуза решают прикладные задачи.

«Это способ проверить гипотезы и сделать экспериментальный проект вместе со студентами. На стыке бизнеса и науки максимизируются результаты и часто появляются нестандартные решения»,— поясняет Павел Калайдин.

Выйти из полноэкранного режима

Развернуть на весь экран

Без спроса не останемся

Опрошенные “Ъ” эксперты в IT-сфере и рекрутинговых агентствах единогласны: в эту профессию стоит уходить как молодым специалистам, так и профессионалам. Спрос на Data Science в перспективе пяти-десяти лет будет только расти, а кадровый голод рынка быстро утолить не удастся. Согласно прогнозу агентства Research and Markets, рынок аналитики больших данных вырастет до $115,13 млрд к 2028 году при средней динамике 11,9%.

Основная задача при смене профессии — дружить с цифрами, поделился ментор сервиса поиска наставников в IT Solvery Евгений Кочанов. Важно, чтобы у начинающего эксперта был очень гибкий, живой мозг, открытый к математике, либо хороший опыт в работе с цифрами и таблицами, статистикой и программированием. Без этого овладеть специальностью будет сложно, так как осваивать нужно в процессе множество разных сфер.

Топовый Data Scientist сродни ученому, который изучает работу человеческого мозга, говорит Константин Фартусов. Как известно, ответа на вопрос, на сколько процентов вообще изучен мозг, не существует. А это значит, что в Data Science границ для дальнейшего углубления, похоже, нет.

Дата-сайентист — герой нашего времени

Еще десять лет назад в Harvard Business Review назвали профессию в области аналитики больших данных одной из самых привлекательных в мире. С тех пор спрос на таких специалистов продолжает расти. О том, что нужно знать и уметь дата-сайентисту и как попасть в эту сферу, рассказывает директор направления больших данных VK Герман Царев.

Выйти из полноэкранного режима

Развернуть на весь экран

Герман Царев, директор направления больших данных VK

Многие крупные компании уже умеют работать с данными. Они поняли, что специалисты в этой области могут напрямую или косвенно генерировать дополнительную выручку, создавать новые продукты и направления за счет технологий. Поэтому в организациях появляются подобные вакансии — а там, где такие профессионалы уже были, их становится больше.

Если описать, кто такой дата-сайентист и какими навыками должен обладать, получится программист с отличным математическим фундаментом. Он умеет работать с различными базами данных и стеком больших данных, может строить и улучшать модели машинного обучения. Важно, чтобы специалист был погружен в специфику работы компании: это помогает формулировать гипотезы и проверять определенные наборы данных для решения задач бизнеса быстрее.

Конкретный набор навыков и компетенций, которые потребуются дата-сайентисту, может разниться от компании к компании. К тому же со временем выделяются узконаправленные специальности, например инженер машинного обучения или специалист по качеству данных. Поэтому сейчас диапазон задач дата-сайентиста простирается от классической аналитики до построения моделей машинного обучения. Часто отличие между позициями заключается именно в пропорции задач внутри этого диапазона — например, одни вакансии предполагают 80% аналитических задач и 20% машинного обучения, а другие наоборот.

В список технологий и инструментов дата-сайентистов в коммерческих компаниях, как правило, входят Python, SQL, Hadoop, Spark, Presto, Jupyter Notebook, библиотеки работы с данными и библиотеки машинного обучения.

Из персональных качеств важно желание разбираться в деталях сложных систем, не бояться неопределенности и любить эксперименты. Часто приходится работать с чем-то совершенно новым, непредсказуемым, делать то, чего никто до этого не делал. Очень помогают сильные коммуникативные навыки: для решения нетривиальных задач часто нужно общаться с коллегами.

Хорошей базой для дата-сайентиста станет образование в сфере прикладной математики или техническое, например факультет компьютерных наук НИУ ВШЭ, ВМК или мехмат МГУ, математическо-технические факультеты МФТИ, МИФИ, Бауманки и других ведущих вузов. Но в этой профессии главное не диплом, а способности кандидата и его опыт, которые позволяют хорошо пройти технические собеседования. Есть много примеров, когда это успешно удавалось студентам второго-третьего курсов.

Поскольку для дата-сайентиста важна техническо-математическая база, перейти в эту профессию легче тому, у кого эта база уже есть. Часто дата-сайентистами становятся продуктовые аналитики или аналитики данных, разработчики.

Несмотря на сильную тенденцию к автоматизации как при работе с данными, так и в машинном обучение, в перспективе пяти лет спрос на дата-сайентистов и их количество на рынке, скорее всего, продолжат расти. Ведь именно такие профессионалы генерируют и проверяют множество гипотез, от которых зависят многие процессы, качество сервисов, счастье клиентов и, как следствие, доходы компаний.

• «Информационные технологии». Приложение №219 от 02.12.2021, стр. 1

• Татьяна Исакова подписаться отписаться

Источник: www.kommersant.ru