Профессия Data Scientist: обучение, плюсы и минусы, зарплата

Содержание

• 1 Определение
• 2 Пять главных терминов
• 3 Профессия
• 4 Что нужно знать
• 5 Технические навыки
• 6 Теория
• 7 Практика
• 8 Плюсы и минусы профессии
• 9 Риски
• 10 Эти прогнозы и правда полезны?
• 11 То же самое, что и обычная бизнес-аналитика?
• 12 Используется ли в вашей работе?
• 13 Как понять, что вашей компании нужен
• 14 Big Data
• 15 Машинное Обучение
  • 15.1 Основные разделы
• 16 Откуда прийти в профессию и куда расти
• 17 Вузы и курсы
  • 17.1 1. A crash course in Data Scienc​e
  • 17.2 2. Building a Data Scien​ce Team
  • 17.3 3. The Data Scientist’s Too​lbox
  • 17.4 4. Stepic Contest. Data Sci​ence
  • 17.5 5. Факультет искусственного интеллекта от GeekBrains
  • 17.6 6. Факультет аналитики Big Data от GeekBrains
  • 17.7 7. Полный курс по Data Science от SkillFactory
  • 17.8 8. «Профессия Data Scientist» от Нетологии
  • 17.9 Доход
• 18 Заключение

Определение

Data Science — это применение научных методов при работе с данными, чтобы найти нужное решение. В широком смысле, естественные науки основаны на Data Science. Например, биолог проводит эксперименты и анализирует результаты для проверки своих гипотез. Он должен уметь обобщать частные наблюдения, исключать случайности и делать верные выводы.

Датасаентист работает с данными так же, как ученый в любой другой сфере. Он использует математическую статистику, логические принципы и современные инструменты визуализации, чтобы получить результат.

Сбор данных — это способ измерить процессы вокруг нас. А научные методы позволяют расшифровать большие массивы данных, найти в них закономерности и применить для решения конкретной задачи.

Пять главных терминов

Ис­кус­ствен­ный ин­тел­лект, ма­шин­ное обу­че­ние, глу­бо­кое обуче­ние и на­у­ка о данных — ос­нов­ные и са­мые по­пу­ляр­ные тер­ми­ны. Они близ­ки, но не эк­ви­ва­лент­ны друг дру­гу. На старте важ­но разо­брать­ся, чем они от­ли­ча­ют­ся.

Ис­кус­ствен­ный ин­тел­лект (Ar­ti­fi­cial In­tel­li­gence) — об­ласть, по­свя­щён­ная со­зда­нию ин­тел­лек­ту­аль­ных си­стем, работающих и дей­ству­ю­щих как люди. Её воз­ник­но­ве­ние связа­но с по­яв­ле­ни­ем ма­шин Ала­на Тью­рин­га в 1936 году. Несмот­ря на дол­гую историю раз­ви­тия, ис­кус­ствен­ный интеллект пока не спо­со­бен пол­но­стью за­ме­нить че­ло­ве­ка в боль­шин­стве об­ла­стей. А кон­ку­рен­ция ИИ с людь­ми в шахматах и шифро­ва­ние дан­ных — две сто­ро­ны од­ной ме­да­ли.

Ма­шин­ное обу­че­ние (Ma­chine learn­ing) — со­зда­ние инструмен­та для из­вле­че­ния зна­ний из дан­ных. Мо­де­ли ML обу­ча­ют­ся на дан­ных са­мо­сто­я­тель­но или по­этап­но: обу­че­ние с учи­те­лем на под­го­тов­лен­ных че­ло­ве­ком дан­ных и без учителя — ра­бо­та со сти­хий­ны­ми, за­шум­лен­ны­ми дан­ны­ми.

Глу­бо­кое обу­че­ние (Deep learn­ing) — со­зда­ние мно­го­слой­ных ней­рон­ных се­тей в об­ла­стях, где тре­бу­ет­ся бо­лее продвинутый или быст­рый ана­лиз и тра­ди­ци­он­ное ма­шин­ное обу­че­ние не справ­ля­ет­ся. «Глу­би­на» обес­пе­чи­ва­ет­ся некоторым количеством скры­тых сло­ев ней­ро­нов в сети, которые про­во­дят ма­те­ма­ти­че­ские вы­чис­ле­ния.

Боль­шие дан­ные (Big Data) — ра­бо­та с боль­шим объ­ё­мом ча­сто неструктурированных дан­ных. Спе­ци­фи­ка сфе­ры — это инстру­мен­ты и си­сте­мы, спо­соб­ные выдерживать вы­со­кие нагруз­ки.

На­у­ка об ана­ли­зе дан­ных (Data Sci­ence) — в ос­но­ве об­ла­сти ле­жит на­де­ле­ние смыслом мас­си­вов дан­ных, ви­зу­а­ли­за­ция, сбор идей и при­ня­тие ре­ше­ний на ос­но­ве этих дан­ных. Специа­ли­сты по ана­ли­зу дан­ных ис­поль­зу­ют неко­то­рые методы машин­но­го обу­че­ния и Big Data: об­лач­ные вы­чис­ле­ния, ин­стру­мен­ты для со­зда­ния вир­ту­аль­ной сре­ды раз­ра­бот­ки и мно­гое дру­гое.

Профессия

Дословно Data Scientist переводится как «ученый данных». Но деятельность у такого специалиста не научная, а практическая: он работает с данными компании, анализирует их, ищет зависимости, делает выводы на их основе и при необходимости строит визуализации. Для этого Data Scientist использует разные математические алгоритмы, специальное программное обеспечение и инструменты разработки.

Из более привычных специальностей Data Scientist ближе всего к программисту и бизнес-аналитику.

Данные, с которыми работает Data Scientist, могут быть любыми: звук, текст, фото, видео, таблицы, документы. Если у вас есть любые данные и нужно их проанализировать — это работа для Data Scientist.

В сфере данных работают и другие специалисты, например, Machine Learning Engineer, Data Engineer или Data Analyst. У них более узкая специализация, например, Machine Learning Engineer меньше занимается анализом данных, в основном разрабатывает модели машинного обучения. Data Scientist — более широкий термин, который обозначает человека с разными компетенциями в области анализа данных.

Обычно компании на старте нанимают одного Data Scientist. В будущем, если разноплановых задач, связанных с данными, станет слишком много, можно нанять несколько таких специалистов, то есть создать целый отдел Data Science.

Что нужно знать

У работодателей пока нет единых требований к таким кандидатам, набор навыков и инструментов зависит от задач конкретной компании. Можно выделить базовые требования для специалистов, которые работают с большим количеством данных:

• математика (статистика, теория вероятности, линейная алгебра и математический анализ), чтобы строить математические модели, искать закономерности или предсказывать что-то новое;
• программирование (языки программирования Python, R), чтобы написать модель для первоначальной оценки гипотезы, поиска общих данных или простой аналитики;
• машинное обучение, чтобы переобучать готовые или создавать собственные модели;
• инструменты анализа данных (библиотеки Pandas, Matplotlib).

Технические навыки

— Советую начинать именно с них, чтобы вы сразу ориентировались на практику, а не уходили в математическую теорию. Самый популярный язык программирования в DS — Python. По опросу Kaggle, который площадка проводила внутри своего сообщества специалистов по обработке данных и машинному обучению в 2018 году, 83% респондентов используют Python ежедневно. Поэтому в первую очередь изучите его, но немного внимания нужно будет уделить кое-каким другим языкам. Например, R.

Теория

По ходу изучения технических моментов вам неизбежно будет встречаться теория, которая стоит за кодом.

Призываю вас учить теорию без отрыва от практики.

Например, я изучаю код, чтобы научиться применять какую-то технику (скажем, метод k-средних, KMeans), а когда она сработает, начинаю глубже разбираться с понятиями, которые с ней связаны (например, с инертностью, Inertia).

1. Все сопутствующие алгоритмам математические термины есть в той же документации scikit-learn.
2. Ниже я перечислю главное, что нужно изучить из теории вместе с прикладными аспектами. Почти по всем этим вещам есть бесплатные уроки на khan academy. Во время регистрации или в профиле можно выбрать нужные вам дисциплины, и сайт выдаст пошаговый план по каждому предмету.

Практика

Теперь можно приступить к третьей части программы — практическому опыту. Чтобы отточить полученные скиллы, их нужно задействовать в проектах — желательно, чтобы они были похожи на какие-то уже существующие приложения. Попутно перед вами будут возникать разные сложности, но справляясь с ними, вы очень хорошо «прощупаете» предмет и прокачаете свои знания.

Андерс Эрикссон, «Максимум. Как достичь личного совершенства с помощью современных научных открытий»: «Чтобы научиться чему-то, чего вы не умели раньше, нужно постоянно выходить из состояния равновесия и заставлять мозг и тело адаптироваться к изменяющимся условиям».

Плюсы и минусы профессии

Плюсы

• Профессия не только чрезвычайно востребованная, но существует острый дефицит специалистов такого уровня. Поэтому так стремительно и широко финансируются и развиваются факультеты при самых престижных вузах по подготовке специалистов по данным. В России также растет спрос на Data Scientist.
• Высокооплачиваемая профессия.
• Необходимость постоянно развиваться, идти в ногу с развитием IT-технологий, самому создавать новые методы обработки, анализа и хранения данных.

Минусы

• Не каждый человек сможет освоить эту профессию, нужен особый склад ума.
• В процессе работы могут не сработать известные методы и более 60% идей. Множество решений окажется несостоятельным и нужно иметь большое терпение, чтобы получить удовлетворительные результаты. Учёный не имеет права сказать: «НЕТ!» проблеме. Он должен найти способ, который поможет решить поставленную задачу.

Риски

Традиционные риски Data Science проектов

• Высокая стоимость реализации проекта приведет к финансовым потерям (не окупится)
• Отсутствие подробной отчетности по проекту не позволит отчитаться о потраченных средствах или принять правильное решение о продолжении проекта
• Внедрение закрытого алгоритма или программы («Черный ящик») сделает невозможным дальнейшее изменение или модернизацию проекта внешними или внутренними ресурсами

Эти прогнозы и правда полезны?

Да. Очень многие сервисы, к которым мы уже привыкли, создали дата-сайентисты. И вы сталкиваетесь с результатами их работы каждый день. Например, это прогнозы погоды, чат-боты, голосовые помощники… А ещё — алгоритмы, рекомендующие музыку и видео под вкус конкретного пользователя. Список возможных друзей в социальных сетях — тоже результат Data Science. В основе поисковых систем и программ для распознавания лиц тоже лежат алгоритмы, написанные дата-сайентистами.

То же самое, что и обычная бизнес-аналитика?

Нет, это не одно и то же. Основная разница заключается в результате. Data Scientist ищет в массивах данных связи и закономерности, которые позволят ему создать модель, предсказывающую результат, — то есть можно сказать, что Data Scientist работает на будущее. Он использует программные алгоритмы и математическую статистику и решает поставленную задачу в первую очередь как техническую.

Бизнес-аналитик сосредоточен не столько на технической, программной стороне задачи, сколько на коммерческих показателях компании. Он работает со статистикой и может оценить, например, насколько эффективна была рекламная кампания, сколько было продаж в предыдущем месяце и так далее. Вся эта информация может использоваться для улучшения бизнес-показателей компании. Если данных много и нужен какой-то прогноз или оценка, то для решения технической стороны этой задачи бизнес-аналитик может привлечь дата-сайентистов.

Поясним на примере. Допустим, программа анализирует финансовые операции клиента и рекомендует выдать ему кредит или отказать. То есть задача программы — оценить платёжеспособность клиента. Создание такого програмного алгоритма — работа дата-сайентиста.

А бизнес-аналитик не занимается такими техническими задачами. Его не интересует работа с конкретным клиентом, но он может проанализировать всю статистику банка по кредитам, например, за последние три месяца — и рекомендовать банку сократить или увеличить объёмы кредитования. Это бизнес-задача: предлагаются действия, которые увеличат доходность банка либо снизят финансовые риски.

Работа бизнес-аналитика и дата-сайентиста нередко пересекается, просто каждый занимается своей частью задачи.

Используется ли в вашей работе?

Ниже мы составили список задач, которые разные компании решают с помощью машинного обучения. Отметьте те из них, которые актуальны и для вас. А если у вас уже есть идея, которой нет в списке, — допишите ее. Она еще пригодится вам по ходу курса.

Придумав идею, как использовать машинное обучение в работе, вы станете лучше воспринимать информацию курса и будете знать, что и когда можно применить.

1. Автоматически прогнозировать цены на товары и услуги в зависимости от сезонности спроса, появления новинок на рынке и результатов продаж в аналогичные периоды предыдущих лет.
2. Рекомендовать клиентам дополнительные релевантные продукты, опираясь на историю их выбора, а также поведение других клиентов.
3. Оптимизировать закупки и дозаказ оборудования, чтобы оно всегда было на складе, но не залеживалось на нем. Учитывать сезонность, исторические данные продаж, новые контракты и другие факторы.
4. Создавать персонализированные предложения для пользователей текущих продуктов, опираясь на историю взаимодействия с ними, и при этом максимизировать выручку бизнеса с каждого предложения.
5. Уточнить профиль клиента: лучше понять его интересы и изменение поведения в зависимости от разных факторов, опираясь на имеющийся у нас массив сырых данных.
6. Найти новую целевую аудиторию для продукта или услуги, опираясь на обезличенную информацию о массе текущих клиентов.
7. Научиться лучше понимать причины оттока пользователей по истории их поведения и взаимодействия с ними: например, выявлять аномальные события, которые могут серьезно сказываться на их лояльности, но не лежать на поверхности.
8. Научить программу распознавать голос и лицо человека для его идентификации без документов, пропусков и так далее.

Как понять, что вашей компании нужен

Если компания связана с технологиями, например, разработкой искусственного интеллекта или инструментов автоматизации, Data Scientist ей нужен с самого старта.

Если компания напрямую не связана с IT, Data Scientist обычно становится нужен, когда данных и бизнес-процессов много, ими сложно управлять вручную. Обычно такое происходит в крупных компаниях, которые уже перепробовали разные способы увеличить прибыль и пришли к тому, что нужно извлекать новую информацию из собранных данных, автоматизировать отдельные процессы и искать другие подходы к работе с клиентами.

«Если бизнес уже цифровизован, Data Scientist однозначно нужен хотя бы для наведения порядка в IT-системах и поиска инсайтов для извлечения дополнительной прибыли. Если бизнес не цифровизован, Data Scientist тоже пригодится, чтобы что-нибудь спрогнозировать, проанализировать конкурентов или подсказать, как подойти к вопросу цифровизации. Например, представим агрофирму, которая выращивает продукты. Data Scientist может помочь ей спрогнозировать влажность почвы на полях и сформировать график полива».

Илья Шутов, руководитель направления Data Science компании «Медиа-Тел», кандидат физико-математических наук

Впрочем, иногда Data Scientist может быть полезен и небольшой компании. Он подскажет, как стоит собирать данные, что можно автоматизировать, где искать проблемы и зоны роста.

«Data Scientist может быть полезен маленькой, но амбициозной компании. Он увидит потенциальные возможности, подскажет, какие данные стоит собирать, и подготовит площадку для развития компании в будущем. На старте для этого можно не брать специалиста в штат, а пригласить на консультацию или нанять на аутсорс».

Александр Северинов, Data Scientist, маркетплейс Ozon

Big Data

Big Data — это различные инструменты, подходы и методы обработки как структурированных, так и неструктурированных данных, которые позволяют использовать эти данные для решения конкретных задач и достижения целей.

Используя анализ Big Data, розничные продавцы смогут заранее узнать, какие продукты будут хорошо продаваться, телекоммуникационные компании смогут предсказать, захочет ли клиент сменить оператора и когда это произойдёт, а страховые компании смогут оценить, насколько безопасно их клиенты управляют автомобилем. Среди прочего, анализ Big Data позволяет нам лучше понимать и прогнозировать эпидемии болезней и находить самые эффективные способы лечения.

Машинное Обучение

Цитируя Тома Митчела: Машинное обучения изучает вопрос создания программ, способных улучшаться в процессе обучения.

Машинное Обучение носит междисциплинарный характер и использует, среди прочего, методы из области информатики, статистики и искусственного интеллекта.

Основной областью исследований в Машинном Обучении являются алгоритмы, которые способны обучаться и запоминать и могут применяться в различных областях науки и бизнеса.

Основные разделы

Чтобы освоить Data Science с нуля, первым делом нужно изучить три основных раздела машинного обучения:

• Обучение с учителем (Supervised Learning)
  Позволяет спрогнозировать результат по заранее размеченным данным. Если нужно предсказать несколько значений (например отличить фотографии машин от самолётов и поездов), то это задача классификации, если одно (скажем, предположить цену квартиры в зависимости от её характеристик) — задача регрессии.
• Обучение без учителя (Unsupervised learning)
  Здесь входные данные не размечены, то есть ни результат, ни способ обработки данных не известны заранее. В пример можно привести поиск аномалий — необычных транзакций по кредитной карте, ошибочных показаний датчиков и тому подобное.
• Обучение с подкреплением (Reinforcement learning)
  Исходные данные тоже не размечены, но при каждом действии нейросеть получает стимул — положительный или отрицательный. По такому принципу ИИ учат играть в компьютерные игры, например в Dota 2 и Starcraft II.

Книги по теме

• «Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных» П. Флах — книга о методах построения моделей и алгоритмах МО.
• «Вероятностное программирование на Python: байесовский вывод и алгоритмы», К. Дэвидсон-Пайлон — рассказывает об алгоритмах обработки данных и развивает аналитические навыки.
• «Введение в машинное обучение с помощью Python», А. Мюллер, С. Гвидо — книга для оттачивания практических навыков машинного обучения.

Откуда прийти в профессию и куда расти

Дата-сайентист действительно нуждается в хорошей математической подготовке. Он работает со сложными математическими моделями, поэтому хотя бы средний уровень высшей математики, теории вероятностей и статистики должен быть обязательно.
Это — одна из главных причин, почему лишь немногие специалисты попадают в сферу Data Science с нуля. Подтянуть необходимый математический базис можно и без университетской подготовки, но это сложно.
Чаще всего в Data Science уходят из аналитики данных. Data Analyst уже обладает практически всеми необходимым компетенциями и знанием специальных инструментов. Ему нужно подтянуть только математику и более прикладные области вроде машинного и глубокого обучения.
Python-разработчику тоже открыта дорога в Data Science. Большинство компаний требуют именно знания Python как ЯП для аналитики. Если есть хоть какая-нибудь математическая подготовка и знание SQL — вообще прекрасно.

Сейчас вся сфера Data Science находится в стадии активного роста, поэтому перспективы прекрасные. Профессионал высокого уровня может расти как вертикально, так и горизонтально. То есть можно вырасти в главу отдела Data Science, который, по сути, является вице-президентом компании, — его влияние на стратегическое планирование всей деятельности просто огромно. Или же можно попробовать себя практически в любой другой отрасли аналитики — бизнес-аналитика, продуктовая аналитика, аналитика программного обеспечения, системная аналитика.
Некоторые дата-сайентисты уходят назад в разработку на Python, но таких не слишком много. Можно попробовать и более интересные варианты — например, архитектура искусственного интеллекта для компьютерных игр.

Вузы и курсы

• Московский гуманитарный университет, МосГУ
• Национальный исследовательский технологический университет «МИСиС» Прикладная математика (Институт информационных технологий и компьютерных наук)
• Национальный исследовательский университет «МЭИ» Математическое и программное обеспечение вычислительных машин и компьютерных сетей (Институт информационных и вычислительных технологий НИУ «МЭИ»)
• Московский технический университет связи и информатики Прикладная математика (Факультет общетехнический-1 МТУСИ)
• Российский новый университет Математическое моделирование и вычислительная математика (Институт информационных систем и инженерно-компьютерных технологий РосНОУ)

Как и в любой профессии здесь важно самообразование, несомненную пользу которому принесут такие ресурсы, как:

• онлайн-курсы ведущих университетов мира COURSERA;
• канал машинного обучения MASHIN LEARNING;
• подборка курсов edX;
• курсы Udacity;
• курсы Dataquest, на которых можно стать настоящим профи в Data Science;
• 6-шаговые курсы Datacamp;
• обучающие видео O’Reilly;
• скринкасты для начинающих и продвинутых Data Origami;
• ежеквартальная конференция специалистов Moskow Data Scients Meetup;
• соревнования по анализу данных Kaggle.сom

Курсы:

1. A crash course in Data Scienc​e

Курс хочет быстро научить разбираться в работе с большими данными. Здесь не будет кучи технических терминов — всё сосредоточено на понимании общих принципов больших данных: основные термины, роль больших данных в бизнесе, основные инструменты, используемые для работы с большими объемами информации. В общем, хороший курс для знакомства с темой.

2. Building a Data Scien​ce Team

На этом курсе речь пойдет о команде аналитики больших данных. Узнаете какие роли должны быть в команде, как управлять такими командами, как подобрать подходящих специалистов и эффективно выстроить рабочий процесс.

3. The Data Scientist’s Too​lbox

Время практики! Авторы курса дают обзор типов данных, рассказывают о подходах и методологиях обработки информациии. После вводной теории, вас познакомят с инструментами для работы: Git, R и RStudio — самые популярные штуки, которые помогают обрабатывать массивы информации, и украсят резюме дата майнера!

4. Stepic Contest. Data Sci​ence

Еще одно обзорное путешествие в мир больших данных. Крутизна курса заключается в его умении автоматически адаптироваться под любой уровень знаний студента. Stepik недавно запустили самонастраиваемые программы, поэтому советуем скорее оценить на благо знаний и улучшения сервиса.

5. Факультет искусственного интеллекта от GeekBrains

После завершения обучения ты станешь специалистом по машинному обучению, искусственному интеллекту, нейронным сетям и Data Science. А подтверждением навыков станут диплом и сертификат от GeekBrains.

Кому подойдёт:

• Тем, кому надоела старая работа.
• Новичкам в аналитике.
• Разработчикам.

Чему научат:

• Основам языка Python.
• Линейной алгебре.
• Алгоритмам анализа данных.
• Применению машинного обучения в бизнесе.
• Работе с рекомендательными системами.
• Использованию фреймворков для разработки нейронных сетей.
• + Курсы вне четверти (один из 8 предметов на выбор).
• + Дополнительные курсы от партнеров GeekBrains.

Сколько длится: 18 месяцев.

Цена: 270 000 рублей, или 162 000 рублей со скидкой.

6. Факультет аналитики Big Data от GeekBrains

Рабочих мест для спецов по Big Data много, а их самих — ничтожно мало. Ребята из GeekBrains гарантированно трудоустроят тебя.

Кому подойдёт:

• IT-специалистам.
• Студентам технических ВУЗов.
• Заинтересованным в работе с ИИ.
• Тем, кто хочет работать как в России, так и заграницей.

Чему научат:

• Работе с языком SQL.
• Фундаменту языка Python.
• Сбору данных.
• Обработке неструктурированных данных.
• Работе с Hadoop.
• Теории вероятности и математической статистике.
• А/Б тестированию.
• Использованию машинного обучения в реальных проектах.

Сколько длится: 18 месяцев.

Цена: 270 000 рублей, 362 000 рублей.

7. Полный курс по Data Science от SkillFactory

Главное направление SkillFactory — профессии, связанные с обработкой данных. На этом курсе ты создашь 10 проектов для своего портфолио, отточишь навыки в тренажерах и поучаствуешь в хакатонах.

Кому подойдёт:

• Новичкам в IT.
• Практикующим программистам.
• Начинающим аналитикам.

Чему научат:

• Языку программирования Python для анализа данных.
• Математике и статистике.
• Машинному обучению на практике.
• Глубокому обучению и нейронным сетям (инструменты, типы и анализ естественного языка).
• Data Engineering (инструменты Hadoop, Spark и cloud-технологии).
• Управлению DS-проектами.

Сколько длится: 12 месяцев.

Цена: 189 996 рублей без скидки, 142 500 рублей со скидкой.

8. «Профессия Data Scientist» от Нетологии

«Нетология» — один из крупнейших онлайн-университетов России, по окончании обучения выдаёт удостоверение или диплом о профессиональной переподготовке установленного государством образца (при наличии высшего образования), а также красивый именной сертификат для тех, кто по каким-либо причинам не имеет «вышки».

Официальная страница курса: https://netology.ru/programs/data-scientist .

Длительность: чуть меньше 1 года.

Формат обучения: онлайн-видеолекции в прямом эфире + очные лекции в московском кампусе «Нетологии» + домашние практические задания с проверкой и обратной связью + общение с единомышленниками и личным наставником в Telegram + создание групповых и индивидуальных проектов для портфолио.

Стоимость: 200 000 без скидки, 130 000 рублей со скидкой. В рассрочку (беспроцентный кредит) на 24 месяца — от 5 417 рублей в месяц.

Особенности:

• Помощь с трудоустройством
• Присутствует возможность посещения очных занятий
• Очень насыщенная обучающая программа

Доход

Исследование рынка аналитиков компании «Нормальные исследования» и рекрутингового агентства New.HR показывает, что специалисты по Data Science получают в среднем большую зарплату, чем аналитики других специальностей.

В России начальная зарплата дата-сайентиста с опытом работы до года — от 113 тыс. рублей.

В качестве опыта работы сейчас также учитывается прохождение обучающих программ.

Через 1‒2 года такой специалист уже может получать до 160 тыс. рублей.

Для сотрудника с опытом работы от 4‒5 лет вилка вырастает до 310 тыс.

Заключение

Стать экспертом в Data Science непросто: приходится изучать множество инструментов и быть гибким, чтобы вовремя узнавать о трендах.

Хорошая стратегия — получить базу по Data Science на фундаментальном курсе, а новые инструменты и технологии изучать, решая практические задачи на работе.