Карьерный переход на Big Data Analytics

9

Я 35-летний ИТ-специалист, чисто технический специалист. Я хорош в программировании, изучаю новые технологии, понимаю их и внедряю. Я не любил математику в школе, поэтому у меня не было хороших результатов по математике. Я очень заинтересован в карьере аналитика больших данных. Меня больше интересует аналитика, а не технологии больших данных (Hadoop и т. Д.), Хотя мне это не нравится. Тем не менее, когда я смотрю в Интернете, я вижу, что люди, которые хорошо разбираются в аналитике (Data Scientists), в основном являются выпускниками математики, которые сделали свои PHD и похожи на интеллектуальных существ, которые намного опередили меня. Иногда мне страшно думать, верное ли мое решение, потому что самостоятельно изучать статистику заранее очень сложно и требует кропотливой работы и временных затрат.

Я хотел бы знать, правильное ли мое решение, или я должен оставить эту работу только тем интеллектуалам, которые посвятили свою жизнь обучению в престижных колледжах и получили ученые степени и докторские степени.

KurioZ7
источник
2
Я думаю, что это может быть немного шире для StackExchange, и, возможно, будет считаться не по теме, если речь идет о совете по карьере, но посмотрите, что думают другие.
Шон Оуэн,
7
Не забывайте, что люди, с которыми вы сравниваете себя, - это те, у кого есть знания о том, чтобы иметь хорошо читаемые блоги, иметь много представителей по обмену стека и т. Д., Т. Е. Не репрезентативную выборку. Вы сравниваете себя с лучшим, а не со средним. Если вы умный айтишник и хотите этого достаточно сильно, он всегда готов принять. Данные растут в геометрической прогрессии, наша способность анализировать и управлять ими, возможно, медленнее. Так что возможностей много, просто хватай быка за рога.
Джон Пауэлл,
1
Я думаю, что каждая компания уникальна, но в моей компании мы не занимаемся безумной статистикой / математикой. Хотя есть много решений проблем здравого смысла. Я лично хотел бы, чтобы мой опыт в области компьютерных наук был сильнее. Я бы оценил навыки в порядке значимости следующим образом: 1) Здравый смысл, 2) Информатика / Программирование 3) Математика / Статистика.
Akavall
Вы можете прочитать мой соответствующий ответ .
Александр Блех
Если вы хороший программист, то вы, вероятно, уже используете немало математики. Я не могу себе представить программиста, который хорош и не использует математику ежедневно. Какой самый высокий уровень математики вы использовали? Какой язык программирования вы используете и для чего вы его используете? Вам, конечно, не нужен доктор наук, чтобы заниматься наукой о данных, но математика необходима.
Амстелл

Ответы:

4

Из-за высокого спроса можно начать карьеру в науке о данных без формальной степени. Мой опыт показывает, что наличие степени часто является «требованием» в должностных инструкциях, но если работодатель достаточно отчаянен, то это не имеет значения. В целом, труднее попасть в крупные корпорации с формализованными процессами приема на работу, чем в небольших компаниях без них. В любом случае «знание людей» может продвинуть вас далеко.

Независимо от вашего образования, независимо от того, насколько высок спрос, у вас должны быть навыки, чтобы выполнять работу.

Вы правы, отмечая, что сложную статистику и другую математику очень трудно выучить самостоятельно. Вопрос в том, насколько сильно ты хочешь изменить карьеру. В то время как у некоторых людей есть «естественный талант» в математике, каждый должен делать работу, чтобы учиться. Некоторые могут учиться быстрее, но каждому нужно время, чтобы учиться.

Это означает, что вы можете показать потенциальным работодателям, что вы действительно заинтересованы в этой области и что вы сможете быстро учиться на работе. Чем больше у вас знаний, тем больше проектов вы можете поделиться в портфеле, и чем больше опыта работы у вас за плечами, тем более высокие рабочие места будут вам доступны. Возможно, вам придется начать с позиции начального уровня в первую очередь.

Я мог бы предложить способы самостоятельного изучения математики, но это не является частью вашего вопроса. Пока просто знайте, что это сложно, но возможно, если вы полны решимости изменить карьеру. Куй железо, пока оно горячее (спрос высок).

sheldonkreger
источник
Я упомянул о своей слабости в математике в школьные годы. Я начал любить математику с тех пор, как увидел ее реальное применение в решении реальных проблем :). Итак, вы можете предложить мне способы изучения математики. Мне нравится твой ответ.
KurioZ7
Мне всегда нравится узнавать о проблеме с программным обеспечением, которую я пытаюсь решить, а затем изучать математику, необходимую для решения проблемы. Тем не менее, возможно, что вы не сможете просто взять новую математику и использовать ее сразу же, в зависимости от вашего уровня квалификации. Будьте честны с собой и выберите программную задачу, в которой есть математика, которую, как вы думаете, вы могли бы решить. Работайте над этим ежедневно, как часть вашего портфолио. Расширьте свои знания по математике с помощью онлайн-курсов, если вы обнаружите увлекательные проблемы с программным обеспечением по математике, которые вам не понятны. Главное - это привычка - уделять время учебе или программированию каждый день.
Шелдонкрегер
1

Вы должны больше смотреть на инфраструктуру, если вам не нравится математика. Чем ниже вы идете в программном стеке, тем дальше вы получаете от математики (из области науки о данных). Другими словами, вы могли бы создать фундамент, который другие будут использовать для создания инструментов, которые будут служить аналитикам. Подумайте о таких компаниях, как Cloudera, MapR, Databricks и т. Д. Навыки, которые пригодятся, - это распределенные системы и проектирование баз данных. Вы не станете ученым данных без математики; это смешное понятие!

Эмре
источник
1

По моему опыту иметь степень доктора наук не обязательно значит быть хорошим в окружающей среде компании, занимающейся наукой о данных, я работаю в качестве ученого по данным и просто являюсь инженером, но я знаю некоторых универсальных преподавателей, которые работают в сотрудничестве с моей компанией и иногда я говорил им, что их точка зрения была неправильной, потому что, несмотря на то, что их идеи и рассуждения были правильными, они не применимы к деятельности компании, поэтому нам пришлось изменить некоторые модели данных, чтобы сделать их полезными для компании и результатов. потеряли свою ценность, поэтому нам пришлось искать новые модели. Я имею в виду, что Data Science - это междисциплинарная область, поэтому необходимо много разных людей, работающих вместе, поэтому я думаю, что ваши навыки могут быть очень полезны в команде исследователей данных, вам нужно только найти, где вы подходите;)

Хави
источник
1

Может быть, это будет немного оффтоп, но я очень рекомендую вам пройти через этот MOOC https://www.coursera.org/course/statistics . Это очень хорошее и понятное введение в статистику. Это даст вам базовые принципы в основной области науки о данных. Я надеюсь, что это станет хорошей отправной точкой для начала дружбы между вами и статистикой.

думка
источник
1

Я не видел, чтобы это упоминалось, но важно иметь в виду, что вы можете увидеть снижение зарплаты. Я говорю это, не зная, сколько вы зарабатываете, но переход от (я полагаю) опытного ИТ-специалиста к уровню данных ученого начального уровня может не принести вам столько прибыли.

Вот ссылка на часть исследования Burtch Works 2015 по зарплате Data Science:

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

Как видите, средняя зарплата отдельных участников уровня 1 составляет 90 тыс. (По всей стране). Полный отчет имеет разбивку по регионам, но, опять же, если вы опытный ИТ-специалист, вы, вероятно, зарабатываете больше.

Неподходящая история с n = 1: Один из моих одноклассников в моей программе для магистров DS был опытным Java-разработчиком с домом, семьей и т. Д. Хотя он очень интересовался аналитикой данных (платил за программу из своего кармана), его потенциальная зарплата была аналитика данных не сможет поддерживать образ жизни, который он в настоящее время вел как Java-разработчик. В результате он, по сути, «потерял» свою степень и вернулся к развитию. Мне бы очень не хотелось, чтобы это случилось с большим количеством людей.

Джейк С.
источник
Интересная информация Джейк!
KurioZ7
0

Имейте в виду, что «большие данные» - это все более модная вещь для компании, чтобы сказать, что они вовлечены. Более высокие ups могли бы прочитать статью об этом в HBR и сказать себе: «Я должен принести мне некоторые из это "(не то, что они обязательно ошибаются).

Для вас это означает, что для этой компании расширенная аналитика не так необходима, как может потребоваться просто запустить что-то и запустить.

К счастью для вас, большинство компонентов, которые могут понадобиться компаниям, бесплатны. Более того, я считаю, что и у Hortonworks, и у Cloudera есть бесплатные виртуальные машины «песочницы», которые вы можете запускать на своем ПК, чтобы поиграться с ними и получить информацию.

Конечно, расширенная аналитика на платформах больших данных очень важна, но многим компаниям необходимо научиться ползать, прежде чем они смогут работать.

Джордан Пилат
источник
0

Это действительно странный вопрос на мой взгляд. Почему вы собираетесь двигаться в новом направлении, если вы не уверены, что вам нравится это новое направление или, по крайней мере, вы найдете его очень интересным? Если вы любите большие данные, почему вы заботитесь о интеллектуальных существах PhD, которые уже находятся в этой области? Такое же количество кандидатов наук есть в каждой области ИТ. Пожалуйста, ознакомьтесь с этой очень хорошей статьей http://www.forbes.com/sites/louisefron/2013/09/13/why-you-cant-find-a-job-you-love/, а затем спросите себя если вы любите большие данные достаточно, и вы готовы добавить свою песчинку в гору знаний

Ник Де Грек
источник