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.
Ответы:
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).
источник
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!
источник
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;)
источник
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.
источник
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.
источник
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.
источник
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
источник