data scientist обучение вузы
Data Science: лучшие учебные курсы и программы сертификации
Можно получить два-три десятка Data Science-сертификатов, но по-настоящему стоящих программ сертификации из сферы науки о данных, по моему мнению, не так уж и много. Я хочу рассказать о нескольких таких программах, поддерживаемых авторитетными организациями. Эти программы я оцениваю по разным признакам. В частности — по объёму рассматриваемых в их рамках тем, по их «весу» в глазах потенциального работодателя, по репутации организации, реализующей программу. В последние несколько лет я являюсь и специалистом по анализу данных, и дата-сайентистом. Всё это время у меня формировалось понимание того, что сильнее всего влияет на успех человека в сфере Data Science (DS).
Здесь я рассмотрю ведущие программы Data Science-сертификации, входящие в список, собранный ресурсом Indeed. Из этого списка я выбрал четыре, которые кажутся мне наиболее достойными. Им и посвящён этот материал.
Google Certified Professional Data Engineer
Возможно, эта программа сертификации, которую я рассматриваю первой, кого-то удивит, так как она относится к сфере, отличной от Data Science. Но, несмотря на это, я уверен в том, что навыки и обязанности дата-инженера похожи на те, что характерны для дата-сайентистов. Ещё я думаю, что прохождение подобной сертификации может стать конкурентным преимуществом на рынке труда, так как дата-сайентист, получивший подобный сертификат, сможет эффективно работать не только в сфере науки о данных, но и в сфере инжиниринга данных.
Вот некоторые темы, знание которых проверяется на экзамене:
Общие сведения об экзамене:
Google Data Machine Learning Engineer
Это — ещё одна программа сертификации, которую тоже нельзя назвать программой, нацеленной исключительно на Data Science. Она, скорее, направлена на достаточно узкую тему, находящуюся в пределах науки о данных. Речь идёт о машинном обучении. Многие дата-сайентисты могут настолько привыкнуть к работе в Jupyter Notebook (ведь именно этому учат на большинстве DS-курсов), что необходимость вывода моделей в продакшн, необходимость их развёртывания на веб-сайте или в мобильной среде может вызвать у них серьёзные сложности. Поэтому тем, кто работает в сфере Data Science, весьма полезно будет ознакомиться и с вопросами практического применения моделей, что расширит их кругозор и сделает их работу эффективнее.
Вот темы, которые поднимаются на экзамене:
Общие сведения об экзамене:
IBM Data Science Professional Certificate
Это — уже не просто программа сертификации. Тут речь идёт о наборе учебных курсов, на которых можно изучить то, что проверяется во время прохождения испытаний. Эта программа сертификации, в отличие от предыдущих, ориентирована исключительно на саму науку о данных. А это, безусловно, именно та тема, которая нам особенно интересна. Ещё одной ценной особенностью этой программы является тот факт, что она подготовлена IBM, а пройти её можно на платформе Coursera. Обе эти компании известны и имеют хорошую репутацию.
Вот — 10 курсов, которые входят в состав учебной программы:
Общие сведения о программе учебных курсов:
Microsoft Certified Azure Data Scientist Associate
Как видите, в этом обзоре представлены программы сертификации от ведущих игроков IT-рынка. В их число входит и Microsoft. Если поучиться, поработать, пройти тестирование в любой из подобных компаний — это может пойти на пользу карьере дата-сайентиста. Представленная здесь программа напоминает смесь тех программ, о которых мы говорили выше. Это, с одной стороны, сертификация, но с другой — перед сертификацией тут же можно и подучиться, либо самостоятельно и бесплатно, либо — с инструктором и за деньги.
Вот темы, которые поднимаются на экзамене:
Итоги
В итоге скажу, что если вы сможете пройти все вышеописанные программы сертификации — полагаю, что вы будете более чем готовы к работе дата-сайентиста. Эти сертификации направлены на проверку знаний по популярным платформам и инструментам, а также — на проверку навыков, связанных с практическим использованием моделей. В частности, речь идёт о работе с бизнес-задачами, об анализе данных, о моделировании, о создании и развёртывании моделей. Конечно, если вы попробуете найти работу в компании, проводящей сертификацию, наличие сертификата повысит ваши шансы на успех. Подбирая себе программу сертификации учитывайте то, что те, о которых шла тут речь, я, руководствуясь собственным видением ситуации, выбрал из списка программ с ресурса Indeed. Есть ещё множество подобных программ. Вам, вполне возможно, подойдёт что-то совсем другое.
Как вы посоветовали бы учиться и сертифицироваться тому, кто хочет работать в сфере Data Science?
Науки о данных (Data Science)
Стремительное развитие общества связано с двумя ключевыми направлениями науки и технологий: методами работы с большими данными (Big Data) и искусственным интеллектом (Artificial Intelligence). На стыке указанных дисциплин и существует магистерская программа «Науки о данных (Data Science)»
Выпускники программы смогут овладеть спектром новейших эффективных математических технологий, не включенных в классические математические учебники, которые будут существенно способствовать повышению их конкурентоспособности и востребованности.
Контакты
Плужникова Ирина Геннадьевна,
начальник отдела, менеджер
Телефон: +7(495)772-95-90 доб. 27330
E-mail: ipluzhnikova@hse.ru
Петрова Анастасия Алексеевна, методист
Телефон: +7(495)772-95-90 доб. 27329
E-mail: aa.petrova@hse.ru
Преимущества программы
В силу мультидисциплинарности наук о данных, призванных предоставлять средства анализа информационных, социальных, правовых, психологических, экономических, языковых и других явлений, программа будет интересной выпускникам бакалавриатов и специалитетов различных образовательных направлений. Среди преподавателей программы – сотрудники всех департаментов факультета компьютерных наук НИУ ВШЭ, высокотехнологичных IT-компаний (Яндекс и др.) и научно-исследовательских институтов РАН.
Обучение на программе проходит в новом корпусе НИУ ВШЭ: Покровский бульвар, 11, г. Москва.
Что я буду изучать
Оригинальный образовательный стандарт данной магистерской программы обеспечивает возможность выбора специализации. Распределение студентов по специализациям происходит уже после зачисления на программу по итогам собеседований и тестирований с учетом пожеланий студентов.
В рамках программы доступны 4 специализации: «Интеллектуальные системы и структурный анализ», «Анализ Интернет-данных», «Теоретическая информатика», «Технологии моделирования сложных систем».
Специализация «Интеллектуальные системы и структурный анализ» посвящена изучению основ интеллектуального анализа данных (методов кластеризации, классификации, прогнозирования и др.), классического искусственного интеллекта (различные подходы, связанные с интерпретируемыми и сертифицируемыми системами искусственного интеллекта, построением баз знаний, моделированием приближенных рассуждений, анализом формальных понятий), машинному (в том числе глубокому) обучению, нейросетевым решениям и технологиям, обработке естественных языков (чат-боты, машинный перевод), функциональным аспектам составляющих и компонент реальных систем искусственного интеллекта, их построению и реализации, разработке графического интерфейса, а также многому другому.
Среди основных дисциплин специализации:
Специализация «Анализ Интернет-данных» реализуется совместно с компанией Яндекс. На ней действуют два трека: базовый и продвинутый.
Продвинутый трек создан для тех, кто уже закончил Школу анализа данных Яндекса или бакалавриат в области Data Science. Такие студенты сразу начинают погружаться в приложения и фундаментальные дисциплины, такие как байесовские и нейробайесовские методы, теория глубинного обучения и другие.
Среди преподавателей специализации есть как ученые, так и разработчики из Яндекса и других компаний. Продуманное сочетание теории и практики позволяет выпускникам специализации работать как исследователями в ведущих научных лабораториях, так и аналитиками или разработчиками машинного обучения в лучших IT-компаниях.
Некоторые из дисциплин специализации:
Специализация «Теоретическая информатика» предназначена для студентов, заинтересованных в изучении теоретических аспектов компьютерных наук. Обязательные курсы специализации покрывают базовые разделы теоретической информатики, такие как теория вычислений, теория алгоритмов и теория обучения. Предполагается, что после этой специализации выпускник сможет вести научную деятельность в области компьютерных наук и смежных областях, а также сможет работать в индустрии на позиции высококвалифицированного специалиста.
Студенты специализации будут изучать такие дисциплины, как:
Специализация «Технологии моделирования сложных систем» создана на базе Института проблем передачи информации РАН – одного из самых передовых институтов в области как прикладной науки так и фундаментальной. На факультете компьютерных наук ИППИ представлен двумя направлениями «Распознающие системы» и «Телекоммуникационные системы».
В зависимости от выбранного трека студенты получат необходимый набор знаний для развития в соответствующей научной и/или индустриальной области. Оба направления содержат, как базовые дисциплины, необходимые для освоения основ, так и специальные дисциплины, предполагающие глубокое погружение в предметную область. Важной особенностью специализации является то, что преподавателями на ней являются передовыми учеными и специалистами в своих областях, что дает возможность для студентов не только обзавестись знаниями, но и умениями, что в дальнейшем будет являться конкурентным преимуществом на рынке труда. Для усердных студентов, увлеченных наукой, специализация даёт возможность не только освоить знания, но и создать новые, описав их в научной статье (за 2020 год 2 студента специализации стали соавторами статей, принятых в международные журналы с самым высоким рейтингом).
Среди дисциплин специализации доступны следующие курсы:
Подробное описание всех дисциплин программы доступно в разделе аннотаций.
Во время обучения
На различных этапах учебного процесса, в рамках проектной работы и практик студенты проходят стажировку в ведущих IT-компаниях, научно-исследовательских институтах РАН, международных и научно-учебных лабораториях ФКН.
Помимо изучения основных дисциплин, у студентов есть возможность включать в курсы, преподаваемые в Школе анализа данных Яндекс, Сколтехе, МГУ и проч. Также обучение на магистерской программе предусматривает возможность получения второго диплома за рубежом.
Значимой частью учебного процесса всех специализаций являются научно-исследовательские семинары. Программа семинара включает четыре основных вида деятельности, ориентированных на то, чтобы научить студента умению получить результаты, представить их, понять и изложить чужие результаты, а также умению принять участие в научной дискуссии. Это:
На семинарах затрагиваются такие области научной деятельности, как искусственный интеллект (Artificial Intelligent), разработка интеллектуальных систем (Intelligent Systems Development), Прикладная теория графов (Applied Graph Theory), анализ сетей (Network Analysis), Мультимодальная кластеризация (Multi-Modal Clustering), рекомендательные системы (Recommender Systems) и многое другое.
Во время обучения студентов ждут проекты – отдельный вид самостоятельной деятельности. Проектная работа направлена на приобретение опыта самоорганизации в группах, получение и развитие навыков графического представления результатов, приближенных решений задач. Реализация проектов не привязана к модульной системе.
Перспективы после обучения
Студенты получают диплом магистра по направлению подготовки 01.04.02 «Прикладная математика и информатика» и овладевают такими навыками, как обработка больших объемов данных и построение поисковых систем.
Выпускники программы работают в ведущих российских и зарубежных организациях:
Что нужно знать для поступления
В 2021 году на данную специальность открыто 65 бюджетных мест, 15 платных для граждан РФ и 20 платных для иностранцев. После окончания обучения вы получаете диплом магистра по направлению 01.04.02 «Прикладная математика и информатика».
Вступительными испытаниями выступают высшая математика и английский язык. Программа вступительных испытаний и демоверсия опубликованы на сайте приемной комиссии.
Граждане РФ могут поступить по результатам вступительных экзаменов или Олимпиады для студентов и выпускников вузов. Могут устанавливаться льготы для участников других Олимпиад, к примеру, Я – профессионал.
Поступление на общих основаниях регламентируется Правилами приема.
Поступающие в НИУ ВШЭ (г. Москва) имеют право принимать участие в конкурсе на две образовательные программы магистратуры одновременно, и на места по договорам об оказании платных образовательных услуг.
Прием документов производится в июне-июле 2021 года. Зачисление в августе 2021 года. Распределение по специализациям – на организационных собраниях в конце августа-начале сентября. На специализацию АИД производится отбор.
Для иностранных граждан организован отдельный конкурс (портфолио + собеседование) как на бюджетные, так и на платные места. Подача документов заканчивается 15 августа 2021 года.
Подробнее о поступлении читайте на странице Траектория поступления.
Специалист по большим данным: где учиться и куда пойти работать
Александр Петров, CTO E-Contenta, рассказывает, почему профессионалы в области обработки данных востребованы на рынке и где лучше работать специалистам по Big Data.
Мы живем в век информации, и ее количество растет очень быстро. Объем информации, которую потребляет современный человек за год, вскоре может оказаться больше, чем у наших предков за всю жизнь.
Данные, с которыми мы сегодня имеем дело, это не только книги, фильмы и web-страницы. Есть огромное количество данных, скрытых от конечного пользователя: ими оперируют компании. Это, например:
Умение правильно работать с этими данными позволяет предложить вам именно тот товар, который вы хотите, рассчитать оптимальную цену на перевозку в такси, отбраковать деталь на ранних этапах производства и в общем – сделать бизнес более эффективным.
Все больше компаний осознают этот тренд и создают у себя подразделения, специализирующиеся на данных. Также появляются новые молодые компании, работающие конкретно с данными. Так как область эта очень молодая и в вузах еще только-только начинают появляться соответствующие специализации – все это приводит к существенному недостатку специалистов на рынке, росту зарплат в области. А это, несомненно, делает профессию специалиста по работе с данными еще привлекательней.
В своей колонке я попытаюсь дать обзор направления обработки данных для тех, кто только начинает (или планирует начать) свой карьерный путь в этой области.
Какие есть специализации
Лично я выделил бы 3 основных направления, по которым можно развиваться в области обработки данных:
Рассмотрим каждое из них подробнее.
Data Engineer
Инженер – это тот, кто спроектирует такую систему обработки данных, которая сможет переварить петабайты данных и не лопнуть. Он знает все современные технологии и подходы в области обработки данных: MapReduce, Hadoop, Spark, Aerospike, Redis, Storm и т.д.
Он очень уверенно владеет командной строкой, знает, как разрабатывать отказоустойчивые решения, умеет настраивать красивые графики и понимать, что все в порядке c системой. Он легко может понять, где нужно использовать традиционные подходы, а где не обойтись без методов работы с большими данными (Big Data).
Data Scientist
Data Scientist умеет находить закономерности в больших массивах данных, хорошо знает область машинного обучения, уверенно владеет такими инструментами, как R, Weka, Python + Scikit-Learn + Pandas. Именно Data Scientist умеет извлекать из данных максимальную пользу и проектировать алгоритмы, которые будут давать ответы на нужные вопросы.
Область Data Science сама по себе довольно широкая, и в ней можно выделить еще несколько специализаций:
Data Manager
Специалист, в задачи которого не входит непосредственная разработка продукта. Однако он обязан представлять себе область, чтобы грамотно управлять проектом.
Он должен знать, что можно сделать при помощи современных технологий, а что – нельзя, уверенно владеть терминологией предметной области, а также иметь хороший навыки в техниках управления проектами (agile, SCRUM, экстремальное программирование и им подобных).
Где можно работать в области обработки данных
Разберем различные типы компаний и особенности работы в них.
Крупные интернет-компании. В России это – «Яндекс», Mail.ru (и его подразделения «ВКонтакте» и «Одноклассники»), Rambler. Именно интернет-компании стоят на передовой технологий, разрабатывают новые продукты и двигают индустрию вперед. В этих компаниях вы всегда найдете коллег, у которых будет больше опыта, чем у вас – и у них будет, чему поучиться.
Тут всегда отличные условия – белая зарплата, хорошая медстраховка, уютный офис, всяческие плюшки типа бесплатного питания и помощи в приобретении жилья. Ключевые сотрудники часто могут рассчитывать на опцион, реализация которого может принести существенную прибавку к зарплате.
Но самый главный минус работы в крупных компаниях – это их размер: работа, которую выполняете конкретно вы, может быть незаметна в масштабах всей компании (особенно в начале). Для кого-то это может быть существенно – хочется понимать собственную важность.
Исследовательские подразделения крупных компаний. Сюда можно отнести банки, аудиторские компании «большой четверки», телеком-операторов, крупные ритейл-сети.
В таких компаниях работе с данными в последнее время уделяют много внимания. Поскольку, как правило, они пока находятся в начале пути – вполне вероятно, что вы получите очень большой и ответственный кусок работы. Поэтому ваш вклад может быть заметен, несмотря на размер «махин».
Минусы: в таких компаниях, как правило, очень сильна внутренняя бюрократия, и вам будет довольно тяжело согласовывать и внедрять новые технологии. По моей оценке, отделы по работе с данными в таких местах, скорее, подходят для опытных специалистов.
Условия тут, как и в крупных интернет-компаниях, хорошие: белая зарплата, страховка и различные дополнительные приятности.
Стартапы в области обработки данных. Таких стартапов сейчас довольно много, и они также ищут сотрудников. При работе в стартапе вы будете делать очень существенную и важную часть работы. Если приходите среди первых сотрудников – можно претендовать на опцион или даже долю в компании.
К минусам можно отнести нестабильность (у стартапа могут внезапно закончиться деньги), зарплата будет зачастую серая – и, как правило, прелести вроде бесплатных обедов и помощи при покупке жилья недоступны. Зато в стартапе максимально быстро можно получить глубокие знания, а в случае успеха – еще и хорошо заработать.
Где получить знания в области обработки данных
Вузы
К сожалению, пока что в вузах очень мало обучают анализу данных. Есть несколько исключений:
Конечно, и в других учебных программах также освещаются те или иные аспекты работы с данными. Но вузовские программы, которые готовят специалистов комплексно, на этом фактически исчерпываются. Неудивительно: отрасль совершенно новая, специалистов и преподавателей нет. Вузы, где все-таки вводятся программы по обработке данных, обычно делают это в сотрудничестве с крупными компаниями (например, «Яндексом»).
Некоммерческие курсы дополнительного образования
Так как на рынке наблюдается острый дефицит кадров – некоторые компании создают собственные учебные центры. Здесь может учиться любой желающий – нужно только сдать экзамены.
В этой категории можно смотреть на следующие курсы:
Коммерческие курсы
Есть несколько коммерческих программ, позволяющих расширить свой кругозор в области анализа данных. Их отличительные черты – короткий срок обучения и большая направленность на прикладное применение технологий.
Тут можно вспомнить следующие проекты:
Онлайн-образование
В последнее время отрасль онлайн-образования переживает настоящий бум, и на ресурсах вроде Coursera, Edx, Stepic и Udacity можно найти огромное число курсов по обработке данных. Большинство – англоязычные (кстати, знание английского языка очень полезно в нашей области), но есть и несколько русскоязычных:
Заключение
В этой колонке я собрал актуальную на текущий момент информацию на рынке труда в области больших данных.
Смотря в будущее – нет никаких оснований полагать, что спрос на специалистов упадет в ближайшие несколько лет. Что это значит? Если вас интересует область анализа данных, то, получив образование и опыт в данном направлении, вы будете ценным специалистом на рынке труда и точно не останетесь без работы.
Надеюсь, статья помогла вам определиться со своими интересами и понять, с чего начать обучение.
Как за два года получить высшее образование в Data Science без отрыва от работы
За три — выйти на уровень middle, минуя junior, за пять-семь — стать профессионалом высокого уровня и попасть в топ зарплат по отрасли. Никто не обещает, что это будет легко, но это возможно. Рассказываем, с чего начать, если интересен этот путь.
Совсем недавно мы выбирали одну профессию на всю жизнь. После школы или института человек шел работать по выбранной специальности. Потом сменить профессию было крайне сложно, если вообще возможно. Менеджеру захотелось стать разработчиком? Mission impossible. Сейчас это вполне реально, люди меняют специальность в любом возрасте благодаря онлайн-образованию. Учиться же можно без отрыва от работы.
Но есть другая проблема — онлайн-курсы редко дают теоретическую базу такого же качества, как хорошие вузы. В 2016 году самые крупные EdTech-стартапы, Coursera, Udemy и Udacity задумались над этой проблемой и начали сотрудничать с вузами. У них все получилось — появились серьезные программы подготовки специалистов, отвечающие стандартам высшего образования. Эти программы объединяют достоинства классического обучения, его фундаментальность, и новейшие разработки из сферы EdTech, её технологичность, удобство и возможность индивидуального подхода к каждому студенту. Сейчас интеграция вузов и EdTech началась и в России.
Пример — первая русскоязычная онлайн-магистратура «Наука о данных» по Data Science от НИТУ «МИСиС» и образовательной платформы SkillFactory. Это еще и первый в РФ случай партнерства частной EdTech-платформы с государственным вузом по модели OPM (Online Program Management).
Мы верим в модель OPM (Online Program Manager) — взаимодействие вузов и образовательных компаний в создании и реализации инновационных образовательных программ. Эта модель уже больше 10 лет успешно работает в США и Европе, и мы уверены, что в ближайшие годы она отлично покажет себя и в российских вузах. Мы рады привнести эту новую практику в Россию и помочь НИТУ «МИСиС» сделать первую русскоязычную онлайн-магистратуру по Data Science
OPM дает возможность вузам быстрее реагировать на запросы рынка, предоставляя студентам современные знания. EdTech-проекты, в свою очередь, делают образование более доступным в финансовом и географическом плане.
Благодаря сотрудничеству МИСиС и SkillFactory выпускник магистратуры получает практический опыт и знания по Data Science, соответствующие уровню миддла, так что выпускник представляет серьезный интерес для бизнеса
Эта цифровая специальность становится все более востребованной. Нужны промышленности, научным организациям, бизнесу, государству. Человечество генерирует все больше данных, в год около пары сотен эксабайт. Большая часть информации — неструктурированная, это сырые данные, которые необходимо обрабатывать и анализировать. Как раз этим и занимаются эксперты по Data Science.
По данным HeadHunter и Mail.ru Group спрос на таких специалистов быстро растет. С 2015 по 2019 гг количество вакансий в области анализа данных выросло в 9,6 раз, вакансий в сфере машинного обучения стало больше в 7,2 раза. И несмотря на это, сфера все еще находится в начальной стадии своего развития. Порог входа достаточно высокий, но вполне преодолимый. С течением времени требования работодателей к экспертам в сфере Data Science будут ужесточаться, поскольку отрасль эволюционирует. Так что если начать обучение сейчас, через 2-3 года студент станет востребованным профессионалом.
Активнее всего специалистов в сфере Data Science ищут IT-компании, финансовые организации и представители сферы услуг для бизнеса. они востребованы и в других сферах. Так, в медицине data scientists требуются для диагностики сложных заболеваний по результатам анализа, в маркетинге они помогают выявлять потребительские инсайты, в образовании — определить эффективность обучения класса, группы или всего вуза в целом. Harvard Business Review называет data scientist «самой желанной профессией XXI века». Часто приходится слышать, что рынок Data Science перегрет, но на самом деле хороших специалистов пока еще очень мало, а вот мест, где они требуются — очень много.
Data science — отрасль, которая ощутимо и понятно меняет мир вокруг нас, делая его эффективнее, быстрее и интереснее