Перехід до кар'єри на Big Data Analytics

Я 35-річний ІТ-професіонал, який суто технічний. Я добре програмую, вивчаю нові технології, розумію їх та впроваджую. Я не любив математику в школі, тому в математиці не набрав успіху. Мені дуже цікаво продовжувати кар'єру в галузі аналітики Big Data. Мене більше цікавлять аналітика, а не технології великих даних (Hadoop тощо), хоча мені це не подобається. Однак, коли я оглядаюсь в Інтернеті, я бачу, що люди, які добре займаються аналітикою (Data Scientist), - це в основному випускники математики, які зробили свої PHD і звучать як розумні істоти, які набагато далеко попереду мене. Мені іноді стає страшно думати, чи правильно моє рішення, тому що самостійно вивчити статистику заздалегідь дуже важко і вимагає копіткої праці та часу.

Мені хотілося б знати, чи моє рішення правильне, чи я повинен залишати цю роботу лише інтелектуалам, які витратили своє життя на навчання в престижних коледжах та здобули ступінь і доктора наук.

Завдяки великому попиту можна розпочати кар’єру в науці даних без офіційного ступеня. Мій досвід полягає в тому, що мати диплом часто є «вимогою» в посадових інструкціях, але якщо роботодавець достатньо відчайдушний, то це не має значення. Взагалі важче потрапити у великі корпорації з формалізованими процесами подання заявок на роботу, ніж у менші компанії без них. "Знайомство з людьми" може пройти вам довгий шлях, в будь-якому випадку.

Незалежно від вашої освіти, яким би високим не був попит, ви повинні мати навички, щоб виконувати цю роботу.

Ви вірно зазначаєте, що передову статистику та іншу математику дуже важко вивчити самостійно. Справа в тому, як сильно ви хочете, щоб кар’єра змінилася. Хоча деякі люди мають "природний талант" в математиці, всі повинні виконувати роботу, щоб навчитися. Деякі можуть навчитися швидше, але всі повинні взяти час, щоб навчитися.

Це зводиться до вашої здатності показати потенційним роботодавцям, що у вас є справжній інтерес до цієї галузі, і що ви зможете швидко вчитися на роботі. Чим більше знань маєте, тим більше проектів, якими ви зможете поділитися в портфоліо, і чим більше досвіду роботи під вашим поясом, тим вищі робочі місця вам будуть доступні. Можливо, вам доведеться спочатку почати з позиції початкового рівня.

Я міг би запропонувати способи самостійно вивчити математику, але це не є частиною вашого питання. Поки що, просто знайте, що це важко, але можливо, якщо ви вирішили зробити кар'єру. Бийте, поки чавун гарячий (поки попит великий).

Вам слід більше заглянути в інфраструктурну сторону речей, якщо вам не подобається математика. Чим нижче ви переходите в стек програмного забезпечення, тим далі ви отримуєте математику (на зразок науки про дані). Іншими словами, ви можете створити фундамент, який інші використовуватимуть для створення інструментів, які будуть служити аналітикам. Подумайте про такі компанії, як Cloudera, MapR, Databricks тощо. Навички, які стануть у нагоді, - це розподілені системи та дизайн баз даних. Ви не збираєтесь стати науковцем даних без математики; це смішне поняття!

З мого досвіду мати докторський ступінь не означає, що я повинен бути хорошим в середовищі компанії, що займається науковими даними, я працюю вченим і я просто інженер, але я знаю деяких викладачів, які працюють у співпраці з моєю компанією та Іноді я говорив їм, що їхня точка зору була неправильною, оскільки, незважаючи на їхні ідеї та міркування, вони не були застосовні до діяльності компанії, тому нам довелося модифікувати деякі моделі даних, щоб зробити їх корисними для компанії та результатів. втратили свою цінність, тому нам довелося шукати нові моделі. Що я маю на увазі, що Data Science - це багатодисциплінарна область, тому потрібно багато різних людей, які працюють разом, тому я думаю, що ваші навички можуть бути дуже корисними для команди вченого, вам потрібно знайти лише те, куди вам підходить;)

Можливо, це буде трохи офтопіком, але я дуже рекомендую вам пройти цей MOOC https://www.coursera.org/course/statistics . Це дуже вдале і чітке вступ до статистики. Це дає базові принципи щодо основної галузі науки. Я сподіваюся, що це буде гарною відправною точкою для початку дружби між вами та статистикою.

Я цього не бачив, але важливо пам’ятати, що ви можете побачити зниження зарплати. Я кажу це, не знаючи, скільки ви заробляєте, але перехід від (я вважаю) досвідченого ІТ-професіонала до рівня вченого рівня даних даних може не заробити вам стільки.

Ось посилання на частину дослідження Burtch Works 2015 про зарплати за наукові дані:

http://www.burtchworks.com/files/2015/05/DS-2015_Changes-in-Base-Salaries.pdf

Як бачимо, середня зарплата для окремих внесків 1 рівня становить 90 тис. (Для країни). Повний звіт має розбиття залежно від регіону, але знову ж таки, якщо вважати, що ви досвідчений ІТ-професіонал, ви, мабуть, робите більше.

Анекдотична історія з n = 1: Один з моїх однокласників в моїй програмі майстрів DS був досвідченим розробником Java з будинком, сім'єю тощо. Хоча він дуже цікавився аналітиками даних (платив за програму з власної кишені), його потенційна зарплата робить аналітика даних не змогла б підтримати спосіб життя, який він наразі веде як розробник Java. В результаті він по суті "витратив" ступінь і повернувся до розвитку. Мені б дуже хотілося бачити, щоб це траплялося з більшою кількістю людей.

Майте на увазі, що "великі дані" - це все більш модна річ для компанії, яка говорить про те, що вони беруть участь. Вищі зразки можуть прочитати статтю про це в HBR, і сказати собі: "Мені потрібно отримати деякі з них що "(не те, що вони обов'язково помиляються).

Це означає для вас, що розширена аналітика не є такою необхідною для цієї компанії, як просто отримання чогось нового та запущеного роботи.

На щастя для вас, більшість компонентів, за якими, можливо, знадобляться компанії, є безкоштовними. Більше того, я вважаю, що і Hortonworks, і Cloudera мають безкоштовні віртуальні машини "пісочниці", які можна запустити на комп'ютері, щоб пограти з ними і отримати свої підшипники.

Передові аналітики на великих платформах даних є цінними, безумовно, але багатьом компаніям потрібно навчитися сканувати, перш ніж вони можуть працювати.

На мою думку це дійсно дивне питання. Чому ви збираєтеся рухатися в новому напрямку, якщо ви не впевнені, що любите цей новий напрямок або принаймні вважаєте його дуже цікавим? Якщо ви любите Big Data, чому ви дбаєте про докторів розумних істот, які вже є в цій галузі? Однакова кількість кандидатів є у всіх сферах ІТ. Будь ласка, прочитайте цю дуже приємну статтю http://www.forbes.com/sites/louisefron/2013/09/13/why-you-cant-find-a-job-you-love/, а потім запитайте себе якщо ви любите Big Data досить, і ви готові додати своє зерно піску до гори знань