Область науки о данных полна потенциала и возможностей. Общий поиск на платформе Indeed по запросу «ученый по данным» выдает более 15 000 вакансий по науке о данных, многие из которых оплачиваются в диапазоне от 90 000 до 100 000 долларов. Теперь вполне естественно, что люди нацелены на оттачивание навыков науки о данных, как это было раньше для врачей и инженеров. Однако специалист по обработке и анализу данных — не единственная должность, где ценны навыки работы с данными. Компании FAANG платят огромные деньги профессионалам в области обработки и обработки данных, таким как ученые, аналитики данных, инженеры данных, архитекторы данных, ученые, занимающиеся машинным обучением, рассказчики данных, инженеры машинного обучения и т. д. FAANG относится к акциям пяти самых известных технологических компаний в мире; это Facebook, Amazon, Apple, Netflix и Google. Мировое признание, очень высокие пакеты, отличная атмосфера обучения, комфортный график работы и многое другое; это то, что привлекает соискателей в эти первоклассные компании. Забавный факт: Amazon получает около 18-20 заявлений о приеме на работу в минуту, уровень принятия Apple составляет всего 2-3%, а Google получает почти три миллиона заявлений о приеме на работу в год, поэтому вам нужно выйти за пределы планки гениальности, чтобы попасть в эти бренды. . Поэтому все, от начинающих специалистов по данным до экспертов, хотят попасть в компании FAANG. Но проблема в том, что эти компании избегают нанимать ученых-самоучек. Почему? Давай выясним.
Причины, по которым FAANG избегает специалистов по данным-самоучек
Не имея профессионального образования
Можно развить свои навыки анализа данных и потенциально получить работу без степени. Но получение одного дает вам структурированный способ развивать навыки и общаться с профессионалами в этой области. Вы также можете найти больше вакансий, особенно в компаниях FAANG со степенью, чем без нее. Потому что, когда вы отправляете резюме в большие технологические компании, они сначала копаются в вашей истории квалификаций, чтобы проверить, подходите ли вы лучше всего для их компании или нет. Забудьте о бакалавриате, многие компании ищут магистров в области науки о данных, если вы хотите работать в их уважаемой организации. Причина, по которой специалистам по данным нужны навыки общения, заключается в том, что их работа требует передачи информации коллегам. Вам нужно объяснить, что означают данные и как вы можете использовать свои идеи для решения проблемы. Хотя соискатели часто могут дополнить свое резюме сертификатами или отдельными курсами, посвященными некоторым необходимым им навыкам, скорее всего, у них все еще будут пробелы.
Программы магистратуры учат студентов, как связать все, что они узнали
Больше всего на свете программа магистратуры по науке о данных учит студентов, как использовать все, что они узнали, в сочетании со всем, что они уже знают. В науке о данных много неопределенности. Вы должны иметь возможность использовать несколько инструментов в своем наборе инструментов одновременно, чтобы в конечном итоге придумать что-то конкретное.
Отсутствие практического опыта
Для ученых-самоучек всегда существует огромная пропасть между обучением и практическими знаниями. Как только они закончат все свое обучение, вполне естественно, что они забудут большую часть этого, если они не начнут использовать эти знания на практике. Таким образом, столкнувшись с проблемами науки о данных, ученые-самоучки обычно путают операции. Это мешает им проявить себя должным образом в сфере труда.
Пропуская основы
Все интересное и считающееся «крутым» привлекает больше самоучек в науке о данных, чем что-либо еще. Отсутствие терпения при первом изучении основ и достаточной практике, чтобы стать экспертом в основах, часто замедляет карьеру ученого-самоучки.
Есть еще способ устроиться на работу в хорошие технологические компании
Изучите инструменты. Существует множество инструментов, которые специалисты по данным могут использовать для обработки, анализа и визуализации данных. SAS, Apache Spark или просто Spark, BigML, Github, блокноты Jupyter, TensorFlow, D3.js, MATLAB, Excel, ggplot2, Tableau, Jupyter, Matplotlib, обработка естественного языка, Scikit-learn, TensorFlow — вот некоторые из инструментов, которые могут быть подавляющим, чтобы научиться стать специалистом по данным.
Повысьте уровень своих социальных навыков. Карьера в науке о данных зависит не только от технических навыков, но и от навыков работы с людьми. В процессе разработки продуктов, улучшения удержания клиентов или анализа данных для поиска новых возможностей для бизнеса организации все чаще полагаются на навыки специалистов по данным, чтобы поддерживать, расти и оставаться на шаг впереди конкурентов.
Регистрация на хакатоны: хакатоны — это мероприятия, на которых вы работаете над проектом с другими людьми. Это помогает научиться применять на практике все новые знания в области науки о данных, а также познакомиться с единомышленниками, которые также заинтересованы в получении дополнительной информации о науке о данных или уже изучили довольно много.
Обучение по учебникам: обучение по учебникам дает более точные и глубокие знания, помимо того, что вы получаете на онлайн-курсах. Эти книги представляют собой отличное введение в науку о данных и машинное обучение с кодом, включающим Python Machine Learning.
Практикуйте основы: метод науки о данных похож на научный метод, но с упором на обеспечение того, чтобы все используемые данные были самого высокого качества. Обработка данных составляет большую часть науки о данных, потому что без качественных данных ваши идеи бессмысленны или, что еще хуже, неверны.
Сообщение Почему компании FAANG избегают ученых-самоучек? впервые появился в Analytics Insight.
