Архитектор, логист и строитель. Кто и как приходит в Data Science

Евгений Ломизе — одна из самых известных ИТ-персон России. Это он придумал Яндекс.Директ и уже двадцать лет руководит отделом рекламных технологий в Яндексе. При этом Евгений крупный специалист по истории Византии и закончил исторический факультет МГУ.

В том, что касается карьеры в Data Science, похожие истории встречаются нередко. Люди приходят в Data Science с совершенно разным опытом, часто переучиваясь уже после тридцати лет.

Зайти в мир Data science можно из любой профессии, даже насквозь гуманитарной. Конечно, придется освоить математический аппарат и программирование, но опыт в прошлой сфере будет только плюсом. Ведь Data Science — это не отдельная наука или профессия, а скорее инструмент, который применяют в самых разных сферах.

Если вы готовы изучать математику как язык, чтобы излагать мысли строго, то у вас все получится, даже если вы гуманитарий.

Иван Ямщиков,

Академический директор магистратуры «Наука о данных»

Из архитектуры в Data Science

Александр Погудин, Data engineer в Epoch8.co

«Прежде чем прийти в IT-сферу в принципе, я пару лет делал архитектурные макеты. Не было такого, что я приклеил очередной фонарный столб к макету и решил: «Хочу работать в датасаенсе». Просто меня изнутри дожрал вопрос: «А что, собственно, дальше?». Я ушел и полгода думал о том, что имеет перспективы, что востребовано, и где платят. Ну и всё-таки что хоть немного интересно.

В результате я пришёл в мир данных как тестировщик VR-игр. А потом как-то плавно стал тестировать платформу для этих игр и чтобы облегчить себе жизнь, начал учиться Питону и автоматизировал какие-то тесты. Потом какие-то из этих тестов облегчили жизнь другим сотрудникам. Потом были другие компании и проекты, где я уже всерьез занимался данными.

Мне нравится, что здесь всегда есть, чему учиться, куда расти и где становиться круче. Я тут уже три года и до сих пор продолжаю слышать какие-то новые слова. Но при этом научиться этому не невозможно».

Из логистики в Data Science

Олеся Криндач, дата саентист в госкомпании:

«По образованию я менеджер ВЭД, закончила Всероссийскую академию внешней торговли, факультет внешнеторгового менеджментa. Некоторое время работала по специальности, но работа оказалась скучной, а европейское направление, которым я занималась, схлопывалось. Нужно было либо учить китайский, либо что-то менять. Я резко сменила профессию, поступила в магистратуру и затем перешла в программирование, а оттуда в Data Science.

Год сидела переучивалась, дотягивала математику и базу программирования. Я стала сеньором с перспективой вырасти в тимлида. Очень помогал навык общения с людьми. Многие программисты не умеют общаться, а у меня в логистике общения было даже слишком много. Еще английский помог — если бы в ВАВТ так не вдалбливали язык, было бы трудно работать с англоязычными статьями».

Еще раз из логистики в Data Science

Станислав Дидух, business intelligence-консультант в Clouds on Mars

«Я работал в отделе планирования цепочек поставок у международного ритейлера. В тот момент у нас начал формироваться отдел аналитики и так как там ещё не было сформированной команды, то я начал помогать с построением и автоматизацией периодических отчётов и дашбордов. Мне очень нравилась работа с данными и решение различных задач, которые с этой работой связаны: очистка данных, конструирование новых признаков, data mining и т.п. Менеджмент это заметил и мне предложили перейти на фултайм должность аналитика данных.

Немного позже, начав работать с Python, я открыл для себя машинное обучение. С помощью аналитики данных и машинного обучения нам удалось оптимизировать многие логистические процессы и решить наболевшие проблемы. Очень пригодились знания Data Science, когда грянула пандемия. Наши физические магазины закрылись, работал только E-commerce, из-за чего системы прогнозирования не справились и сошли с ума. Пришлось в краткие сроки разрабатывать временный движок для прогнозирования.

Огромным плюсом стал мой бэкграунд в бизнес-среде в целом и в логистике в частности. Очень важно понимать, какие процессы и факторы стоят за цифрами на экране и что хотят увидеть люди, для которых мы готовим отчёт. Директор по транспорту и финансовый контролер могут иметь очень разные вопросы к данным и во время презентации результатов проекта желательно иметь ответы для обоих. Это практически невозможно без базовых знаний в сфере».

Из строительства в Data Science

Алексей Андреев, специалист в Epoch8.co

«Мой друг-разработчик часто рассказывал, какие крутые штуки они делают. Мне тоже всегда хотелось заниматься программированием, да и в строительстве в моем городе не было никакого развития. Так что я решил освоить новую специальность.

Больше всего меня заинтересовало машинное обучение. Начинал изучать сам, потом увидел бесплатный вводный курс в анализ данных на Python. Двухнедельный спринт мне очень понравился, и я решил пройти весь курс, который длится полгода. Закончив курс, я сразу начал искать работу и через несколько собеседований меня взяли в Epoch8. Весь процесс обучения и трудоустройства занял менее года.

Опыт в строительстве помогает и в новой профессии. Инженерное образование дало хорошие математические здания, а обследование конструкций и зданий привило способность подмечать мелкие детали».

Первый шаг в Data Science. Как начать карьеру

Даже если вы десять лет строили карьеру в гуманитарной сфере, это не закрывает вход в мир больших данных. Хоть и путь этот не будет простым. И первый же барьер на входе в профессию — это обилие курсов и информации. Всего этого так много, что новичку сложно выбрать первый шаг. Надо ли сразу учить Python? А какую математику? Всегда есть риск, что новичок потратит время впустую.

Математические знания точно необходимы хотя бы для того, чтобы понимать, как работают модели и будут ли они применимы для вашей задачи. Математическую базу для data science можно сравнить с минимумом по математике, который дается на первых двух курсах технических специальностей.

Для предобработки и предварительного анализа данных необходимы знания по математической статистике и визуализации данных, для понимания работы классических и глубоких моделей — линейная и тензорная алгебра, для обучения и поиска оптимальных параметров модели — теория оптимизации.

Дарина Дементьева,

PhD, Skoltech

Главным образом в мир данных ведут два пути: быстрый через курсы и более долгосрочный через магистратуру.

Курсы позволяют быстро освоить нужные инструменты, но не закладывают теоретическую базу. Выпускники получают хорошие практические навыки, а вот разбираться в той же математике им придется самостоятельно. Это быстрый вход в Data Science, потому что компании готовы брать таких новичков и доращивать под себя. Но без глубокого понимания профессии есть риск так и остаться на начальной позиции исполнителя.

Магистратура длится дольше, около двух лет. За это время обучающиеся осваивают нужные инструменты и гораздо глубже погружаются в теорию. Большой плюс в том, что информации много и она структурирована. Параллельно с учебой уже можно устраиваться на позицию джуниора, а благодаря мощной базе специалисту будет проще расти дальше.

Среди абитуриентов онлайн-магистратуры «Наука о данных» мы видим не только аналитиков, разработчиков, продактов, но и людей с мощным бэкграундом в других сферах: финансы, нефтегаз, право, телеком, энергетика и другие. Отраслевая экспертиза — это всегда преимущество для начинающего специалиста в Data Science. Это то, что поможет выпускнику стать уникальным специалистом.

Наша же задача — подготовить профессионалов с большим потенциалом карьерного роста для самых разных сфер. Поэтому в магистратуре мы даем не только знания, но и системный подход, погружаем студентов в командную работу над реальными кейсами под руководством ведущих экспертов-практиков, развиваем навыки коммуникации с коллегами и заказчиками.

Дарья Гриц, директор по работе с вузами SkillFactory

55
4 комментария

О, очень хороший и вдохновляющий материал, спасибо :)

Ответить

спасибо!

Ответить

Ага а теперь давайте возьмите после обучения к себе же в мейл груп. Только не лучших, которые и так знали кучу всего, да еще и были мидлами или сеньорами в других языках, а именно из неайтишных перепрофиленцев 

Ответить

Андрей, отвечу достаточно подробно:

Наше ключевое отличие - проектное обучение. Почему мы так много говорим об этом и считаем его киллерфичей? Вот почему 👇🏻

🌶 Мы создаем условия для долгосрочной работы с реальным внешним заказчиком - вы завершаете обучение с более глубоким и серьезным портфолио и с большей вероятностью переходите внедрять свое решение в команду ментора.

У нас есть пул менторов, которые работают со студентами в течение всех 2 лет обучения. Если студент нравится ментору и студенту нравится ментор, то студент может продолжить работать с ментором после окончания магистратуры. Наш выпускник сможет собрать портфолио не из разрозненного списка учебных задач, а из понятных продуктовых задач под потребности конкретного заказчика. Одна из целей магистратуры - сделать внедрение. Оценки “Отлично” будут заслуживать такие проекты, когда предложенная магистрантом модель или решение будут внедрены в компании. И внедрять это решение будет наш выпускник.

🌶 Как альтернатива, вы сможете получить опыт работы с различными заказчиками (можно менять менторов и работать над задачами из разных компаний). В отличие от первой стратегии, работа с несколькими менторами это сборка более широкого портфолио. А еще это возможность найти "своего" ментора и "свою" команду за несколько попыток.

🌶 Мы погружаем студентов в особенности разработки инновационных продуктов и готовим к работе на управленческих позициях в сфере Data Science.

Мы не просто учим на проектах, а даем командный опыт продуктовой разработки на наших практикумах и хакатонах.

Мы проектируем обучение так, чтобы наши выпускники умели не только в код, но и в менеджмент. Наш выпускник сможет работать на управленческих позициях в сфере DS — компетентным проджектом/продактом: оценивать сложность задач, реалистичность фичей, адекватность сроков. Такой управленец более востребован и получает больше, чем менеджер без знания предметной области.

Дизайн обучения в магистратуре построен вокруг цели подготовить специалистов:
👉🏻 с обширным портфолио решения реальных, а не учебных кейсов
👉🏻 с качественным нетворком в среде технологических компаний
👉🏻 с продуктовым мышлением и сильными проджектовыми навыками
👉🏻 с умением находить нужную информацию и учиться, чтобы продолжать развиваться в карьерном и профессиональном плане

Ждем вас среди магистрантов :)

Ответить