Gibt Es Viele Data Science- Oder Machine Learning-Jobs (auf Allen Ebenen), Die Personen Mit Einem Bachelor-Abschluss In Informatik Und Mathematik Offen Stehen?

Gibt Es Viele Data Science- Oder Machine Learning-Jobs (auf Allen Ebenen), Die Personen Mit Einem Bachelor-Abschluss In Informatik Und Mathematik Offen Stehen?

February 3, 2023, by Frank Welker, Arbeit

Es besteht ein Missverständnis, dass Data Science etwas Einzigartiges für sich ist und dass Sie, wie in einigen anderen Disziplinen wie Chemie oder Genetik, keine herausragenden Leistungen erbringen können, wenn Sie nicht formell darin ausgebildet wurden.

Data Science ist die Erkenntnis, dass Unternehmen und Forscher durch die Digitalisierung vieler Daten, die früher entweder nicht gesammelt oder auf Papier aufgezeichnet wurden, Fragen stellen können, die in einer „kleinen Datenwelt“ nicht möglich waren. Vergessen Sie den Begriff Data Science und verstehen Sie, egal wie Sie ausgebildet wurden, das Erlernen der Arbeit mit Daten ist keine Karriereoption, sondern eine professionelle Su

Weiterlesen

Es besteht ein Missverständnis, dass Data Science etwas Einzigartiges für sich ist und dass Sie, wie in einigen anderen Disziplinen wie Chemie oder Genetik, keine herausragenden Leistungen erbringen können, wenn Sie nicht formell darin ausgebildet wurden.

Data Science ist die Erkenntnis, dass Unternehmen und Forscher durch die Digitalisierung vieler Daten, die früher entweder nicht gesammelt oder auf Papier aufgezeichnet wurden, Fragen stellen können, die in einer „kleinen Datenwelt“ nicht möglich waren. Vergessen Sie den Begriff Data Science und verstehen Sie, egal wie Sie ausgebildet wurden, das Erlernen der Arbeit mit Daten ist keine Karriereoption, sondern eine professionelle Überlebensfähigkeit.

Ob Sie Data Science alleine lernen können, wenn Sie Informatik und Mathematik verstehen, lautet die Antwort: Ja. Zunächst einmal wurden die Techniken des maschinellen Lernens in zahlreichen Plattformen sowie als Feature von R und Python automatisiert. Das Erlernen der Verwendung dieser Plattformen ist unkompliziert und löst das erste Problem, sich auf den neuesten Stand zu bringen.

Das zweite ist das Verständnis, dass Data Science die Umwandlung von Rohdaten in verwaltete oder verwaltete Daten beinhaltet, die an diejenigen geliefert werden können, die sie benötigen, und um die Datenanalyse zu unterstützen. Angesichts der Tatsache, dass sich schätzungsweise 80 % der Data-Science-Aufgaben eher darauf als auf Analysen konzentrieren, müssen Sie sich auch mit ETL-Plattformen vertraut machen, die in diesem Bereich leben.

Um Ihre Frage zu beantworten: Auch wenn Sie beispielsweise ein Projektmanager sind, müssen Sie in der Lage sein, mit Daten umzugehen, auch wenn Sie kein formeller Data Scientist sind. Einige Unternehmen fragen sich auch, ob Kandidaten mit Hochschulabschluss die zusätzlichen Kosten wert sind, anstatt jemanden zu beauftragen, der das Geschäft versteht. Sie müssen sich ein langfristiges Ziel setzen, wie z. B. einen Marathon unter 3 Stunden zu laufen, um zu lernen, wie man mit Daten arbeitet.

Die praktische Realität ist, dass Sie Datenprojekte finden müssen, die Ihnen die praktische Erfahrung vermitteln, die Sie im Umgang mit Daten qualifiziert macht. Das Ziel zu setzen, Ihre Fähigkeiten zu erweitern, um die Arbeit mit großen Mengen einzubeziehen, scheint ein Kinderspiel zu sein.

Natürlich.

Apropos maschinelles Lernen … im Moment … wird ein Bachelor-Abschluss als Basisniveau für die meisten ml-Jobs verwendet.

Sie könnten einen Bachelor in Korbflechten haben, aber wenn Sie die Pipeline für maschinelles Lernen von Anfang bis Ende durcharbeiten können, bekommen Sie einen Job.

Nun, das ist nicht so einfach, aber der Abschluss ist bei weitem nicht so wichtig wie das Wissen, das für die reale Welt benötigt wird.

Jeder, mit dem ich arbeite, hat einen Bachelor oder Master in etwas außerhalb von Mathematik und Informatik. Sie verfügen jedoch über umfangreiche Daten- und Programmiererfahrung und wissen, wie man die Pipeline End-to-End bearbeitet.

Angewandtes maschinelles Lernen ist Programmieren. Wenn ja

Weiterlesen

Natürlich.

Apropos maschinelles Lernen … im Moment … wird ein Bachelor-Abschluss als Basisniveau für die meisten ml-Jobs verwendet.

Sie könnten einen Bachelor in Korbflechten haben, aber wenn Sie die Pipeline für maschinelles Lernen von Anfang bis Ende durcharbeiten können, bekommen Sie einen Job.

Nun, das ist nicht so einfach, aber der Abschluss ist bei weitem nicht so wichtig wie das Wissen, das für die reale Welt benötigt wird.

Jeder, mit dem ich arbeite, hat einen Bachelor oder Master in etwas außerhalb von Mathematik und Informatik. Sie verfügen jedoch über umfangreiche Daten- und Programmiererfahrung und wissen, wie man die Pipeline End-to-End bearbeitet.

Angewandtes maschinelles Lernen ist Programmieren. Wenn Sie sich mit SQL und Python auskennen, sind Sie in guter Verfassung.

Ja, den meisten Arbeitgebern ist es wichtig, ob Sie über die entsprechende Berufserfahrung verfügen. Ihr typischer Datenwissenschaftler hat einen Abschluss in Bezug auf STEM

Es sollte durchaus möglich sein, obwohl ich noch nie davon gehört habe, dass jemand es tut. Warum? Denn Menschen, die sich für Data Science interessieren, sind Menschen mit großem Lernhunger. Sie streben oft eine Ausbildung zum Vergnügen an, nicht nur, um einen Job zu bekommen. Ein Datenwissenschaftler ohne Ausbildung ist wie ein Oxymoron.

Allerdings wird die Industrie Sie in erster Linie nach Ihrer Erfahrung und Ihren Fähigkeiten beurteilen, nicht nach Ihrer Ausbildung. Finden Sie einen Ingenieur ohne Ausbildung mit einer beeindruckenden Erfolgsbilanz abgeschlossener Data-Science-Projekte für mich, und ich gebe Ihnen eine lange Liste von Arbeitgebern, die mehr als bereit wären, dies zu tun

Weiterlesen

Es sollte durchaus möglich sein, obwohl ich noch nie davon gehört habe, dass jemand es tut. Warum? Denn Menschen, die sich für Data Science interessieren, sind Menschen mit großem Lernhunger. Sie streben oft eine Ausbildung zum Vergnügen an, nicht nur, um einen Job zu bekommen. Ein Datenwissenschaftler ohne Ausbildung ist wie ein Oxymoron.

Allerdings wird die Industrie Sie in erster Linie nach Ihrer Erfahrung und Ihren Fähigkeiten beurteilen, nicht nach Ihrer Ausbildung. Finden Sie einen Ingenieur ohne Ausbildung mit einer beeindruckenden Erfolgsbilanz abgeschlossener Data-Science-Projekte und ich gebe Ihnen eine lange Liste von Arbeitgebern, die mehr als bereit wären, mit dieser Person zu sprechen.

Natürlich müssten Sie sich besonders anstrengen, um aufzufallen und einen Fuß in die Tür zu bekommen. Sie sollten an Open-Source-Projekten teilnehmen, einen beeindruckenden GitHub-Account unterhalten, MOOCs besuchen, Forschungsarbeiten lesen, über Ihre Projekte bloggen und allgemein mit der Data-Science-Community in Kontakt treten. Mit einem solchen Aufwand sollte es möglich sein. Schließlich gibt es eine große Nachfrage nach Data Scientists.

Wer wissenschaftlich forschen möchte, kommt an einer Promotion oder zumindest einem Master-Abschluss nicht vorbei. Natürlich können Sie ohne Abschluss industrielle Forschung betreiben, aber selbst die Industrie würde Doktoranden für F&E-Positionen bevorzugen und weniger ausgebildete Ingenieure mehr praktische Arbeit leisten lassen.

Die Ausnahme in Ihrer Liste ist die Robotik. Es gibt viele Ingenieure ohne formale Ausbildung, die ihre Karriere als Mechaniker begonnen haben und sich nun mit fortschrittlicher Robotik beschäftigen, einschließlich Steuerungssystemdesign und Forschung und Entwicklung.

Wenn wir fragen, ob es eine gute Karriere ist, müssen wir den Fahrer hinzufügen, ist es eine gute Karriere für mich?

Die Talente, die Sie für Data Science ausstatten, sind in so unterschiedlichen Bereichen wie Wissenschaft, allgemeine Programmierung, quantitative Finanzen, operative Forschung usw. nützlich. Es wird Sie nicht schockieren, dass sie zwar anständig bezahlt und relativ sicher sind, dies jedoch nicht so stark ist als Datenwissenschaft.

Sie dienen als Modelle dafür, wie DS in den nächsten Jahrzehnten aussehen wird, und vergleichen Sie mit dem, was Sie sonst tun könnten.

Versicherungsmathematische Arbeit wird von vielen als ziemlich langweilig angesehen, die Mathematik kann interessant sein, wenn das Ihre Leidenschaft ist und wir nicht

Weiterlesen

Wenn wir fragen, ob es eine gute Karriere ist, müssen wir den Fahrer hinzufügen, ist es eine gute Karriere für mich?

Die Talente, die Sie für Data Science ausstatten, sind in so unterschiedlichen Bereichen wie Wissenschaft, allgemeine Programmierung, quantitative Finanzen, operative Forschung usw. nützlich. Es wird Sie nicht schockieren, dass sie zwar anständig bezahlt und relativ sicher sind, dies jedoch nicht so stark ist als Datenwissenschaft.

Sie dienen als Modelle dafür, wie DS in den nächsten Jahrzehnten aussehen wird, und vergleichen Sie mit dem, was Sie sonst tun könnten.

Versicherungsmathematische Arbeit wird von vielen als ziemlich langweilig angesehen, Mathematik kann interessant sein, wenn das Ihre Leidenschaft ist, und wir erwarten nicht, dass es in absehbarer Zeit verschwinden wird. In der Tat überschneiden sich Versicherungsmathematik und Datenwissenschaft ziemlich stark, sowohl in Bezug auf die Fähigkeiten als auch auf die Menschen, die sie ausführen.

Dies führt uns zu einer weiteren Dynamik in Data-Science-Karrieren, das hohe Profil und die attraktive Bezahlung ziehen Leute wie Sie an, was immer passiert, wenn ein Job sexy wird. Dies wird den Markt im Laufe der Zeit belasten, und die Bezahlung wird sich an gleichwertige Fähigkeiten angleichen.

Das wird Zeit brauchen, in der Größenordnung von zehn Jahren.

Die allgemeine Programmierung hat diesen Zyklus durchlaufen und teilt ein gemeinsames Problem mit der Datenwissenschaft, da sie sehr schlagwortorientiert ist. Programmieren in Python ist nicht schwerer als Visual Basic, aber eher besser bezahlt und mit aktuell größerer Arbeitsplatzstabilität. DS ist von Schlagworten getrieben, aber das Angebot/die Nachfrage bedeutet, dass Arbeitgeber viel entspannter sein müssen, wenn Sie genügend Jahre Erfahrung in genau diesem Bereich haben. Ein Mainline-Programmierer muss sich also Gedanken darüber machen, ob sein Hauptalter aus der Mode kommt, und auf das nächste setzen.

Quantitative Finance ist eine gute Parallele zur Entwicklung der Datenwissenschaft, da das Geld in die Höhe schoss, weil Techniken wie die Bewertung von Derivaten es den Banken ermöglichten, viel mehr Geld zu verdienen. Wieder gibt es eine Überlappung in der Menge der verwendeten Mathematik und Technik. Sie sind immer noch eher überdurchschnittlich, aber man kann auch eine langfristige Konvergenz erkennen, die sich auch bei ihr abzeichnet. Nicht wenige Quants werden Data Scientists, und das ist eine wichtige Sache für Karrieren und nicht für Jobs.

Die Stabilität und Ertragskraft Ihrer Karriere ist Ihre Fähigkeit, aus etwas herauszukommen, das für Sie nicht gut läuft. Es kann sich um eine bestimmte Stelle in einem bestimmten Unternehmen handeln, es könnte sich um einen Geschäftsbereich handeln oder um den Einsatz einer bestimmten Kombination Ihrer Fähigkeiten.

Das bedeutet, dass Sie weiter lernen müssen, was sowohl eine Möglichkeit ist, voranzukommen, als auch eine gute Verteidigungsmaßnahme, um dynamische Stabilität zu erreichen, denn wenn Sie Ihren Job verlieren, ist es so, wie Woody Allen über den Tod sagte, es ist nicht das Sterben, das ihm Angst macht, sondern es ist tot bleiben. Es ist sehr unwahrscheinlich, dass Ihr Job für 20 Jahre stabil ist, Ihre Verdienstmöglichkeiten können dies aus eigener Kraft schaffen.

Ja und nein.

Derzeit und für die nächsten etwa zwei Jahrzehnte werden wir weiterhin einen großen Bedarf an Spezialisten für maschinelles Lernen und Data Science sehen, um die Anwendung von maschinellen Lerntechnologien in Anwendungsbereichen zu unterstützen, in denen sie heute nicht angewendet werden. Viele Unternehmen sind sich einfach nicht bewusst, wie maschinelles Lernen ihnen helfen könnte, ihre Gewinne zu steigern, und sie benötigen das Fachwissen, um Chancen zu erkennen.

Allerdings gibt es in der Softwarebranche die Tendenz, jede neue Technologie als Kontrollkästchen oder Wunderwaffe zu betrachten. Beispielsweise haben viele Unternehmen möglicherweise eine Hadoop-Infrastruktur bereitgestellt,

Weiterlesen

Ja und nein.

Derzeit und für die nächsten etwa zwei Jahrzehnte werden wir weiterhin einen großen Bedarf an Spezialisten für maschinelles Lernen und Data Science sehen, um die Anwendung von maschinellen Lerntechnologien in Anwendungsbereichen zu unterstützen, in denen sie heute nicht angewendet werden. Viele Unternehmen sind sich einfach nicht bewusst, wie maschinelles Lernen ihnen helfen könnte, ihre Gewinne zu steigern, und sie benötigen das Fachwissen, um Chancen zu erkennen.

Allerdings gibt es in der Softwarebranche die Tendenz, jede neue Technologie als Kontrollkästchen oder Wunderwaffe zu betrachten. Beispielsweise haben viele Unternehmen möglicherweise eine Hadoop-Infrastruktur bereitgestellt, weil sie in den Fachmedien gelesen haben, dass dies die Technologie der Zukunft sei. Die Bereitstellung solcher Technologien nur um der Bereitstellung der Technologie willen bringt Ihrem Unternehmen keine Vorteile, wie zahlreiche Unternehmen erfahren haben, die ihre vorhandenen Datenspeicher kopfüber durch Hadoop ersetzten oder ohne eine Geschäftsstrategie, die überbrückt, wie diese Technologien effektiv für Unternehmen genutzt werden können.

Es wird eine Nachfrage nach Fachleuten geben, die helfen können, die Lücke zwischen Geschäftsanforderungen und technologischen Fähigkeiten zu schließen.

Auf sehr lange Sicht wird maschinelles Lernen jedoch mit ziemlicher Sicherheit nur eine weitere Kerntechnologie-API werden. Einige spekulieren sogar, dass wir irgendwann die sogenannte NLP-Singularität erleben werden, bei der Computer so gut darin sind, die Absichten von Menschen zu interpretieren, dass Softwareentwickler selbst durch maschinelles Lernen mit NLP-Front ersetzt werden können. Ich halte es für unwahrscheinlich, dass das passieren wird, bevor ich in den Ruhestand gehe, und wahrscheinlich nicht für mehrere Jahrzehnte.

Basierend auf dem, was ich gesehen habe, gibt es eine Basisanforderung, eine arbeitsplatzabhängige Anforderung, eine arbeitgeberabhängige Anforderung und eine Marktanforderung. Dies ist der beste Grund, warum ich mir vorstellen kann, warum die Anforderungen an die Fähigkeiten für Data Science vage zu sein scheinen. Menschen und Arbeitgeber verschmelzen und verwechseln diese 4 Belastungen miteinander.

Base. Dies sind die mathematischen Grundkenntnisse, um Algorithmen und Datenanalysen durchzuführen. Eine typische Trifecta wäre:

  • Inferenzstatistik - hauptsächlich Hypothesen- und Signifikanztests.
  • Lineare Algebra – für Matrizenberechnungen, die häufig in vielen maschinellen Lernalgorithmen verwendet werden.
  • Stochasti
Weiterlesen

Basierend auf dem, was ich gesehen habe, gibt es eine Basisanforderung, eine arbeitsplatzabhängige Anforderung, eine arbeitgeberabhängige Anforderung und eine Marktanforderung. Dies ist der beste Grund, warum ich mir vorstellen kann, warum die Anforderungen an die Fähigkeiten für Data Science vage zu sein scheinen. Menschen und Arbeitgeber verschmelzen und verwechseln diese 4 Belastungen miteinander.

Base. Dies sind die mathematischen Grundkenntnisse, um Algorithmen und Datenanalysen durchzuführen. Eine typische Trifecta wäre:

  • Inferenzstatistik - hauptsächlich Hypothesen- und Signifikanztests.
  • Lineare Algebra – für Matrizenberechnungen, die häufig in vielen maschinellen Lernalgorithmen verwendet werden.
  • Stochastik - zum Lösen von Optimierungsfunktionen.

Rollenabhängig. Zusätzlich zu diesen 3 könnte es andere geben, die eher nischen- oder rollenabhängig sind - sagen Sie Geometrie, wenn die Rolle, die Sie suchen, GIS-Systeme beinhaltet, oder diskrete Mathematik und Graphentheorie, wenn die Rolle Netzwerke beinhaltet, oder Markov Chains, wenn es um Sequenzen geht von Ereignissen oder Entitäten. Und Rollen in KI und NLP erfordern die meisten der oben genannten Aufgaben, da sie sich auf Audio-, Text-, Bild- und Sensordaten beziehen.

Arbeitgeber abhängig. Abgesehen von den Grundkenntnissen ist es die Präferenz des Arbeitgebers, die in erster Linie die akademischen Anforderungen bestimmt. Für die meisten herkömmlichen Data-Science-Rollen in Unternehmen würden wahrscheinlich Kenntnisse auf Bachelor-Niveau ausreichen – die meisten der in der Wirtschaft verwendeten gängigen Algorithmen für maschinelles Lernen sind bereits in Programmierbibliotheken gespeichert, um ohne Schreiben einer einzigen Formel eingesetzt werden zu können. Einige forschungsorientierte Arbeitgeber oder solche, die in geeigneten wissenschaftlichen Bereichen arbeiten, benötigen einen MSc oder PhD, da die Algorithmen möglicherweise angepasst, optimiert oder sogar von Grund auf neu erstellt werden müssen, um eine wissenschaftliche Untersuchung oder Hypothese darzustellen.

Marktabhängig. Der künstlichste Druck kann von der Jobkonkurrenz ausgehen – sagen wir, wenn es viele Bewerber für die gleiche Stelle gibt und vermutlich alle die gleichen trifecta mathematischer Fähigkeiten kennen – aber einer zufällig ein MSc oder PhD in einem Meer von Junggesellen ist – dann Die MScs und PhDs würden vorrangig geprüft. Einige Arbeitgeber schreiben ein Mindestabschlussniveau oder eine jahrelange Erfahrung vor, um die Bewerber auf eine praktikable Anzahl auszusondern. Die Realität ist, dass das vom Marktdruck getriebene akademische Niveau selten mit der Komplexität im Job korreliert (es gibt viele gelangweilte Doktoranden da draußen).

Ich habe vielleicht ein oder zwei Dinge verpasst, aber ich denke, diese 4 Belastungen fassen die heutige Situation zusammen.

Und das deckt natürlich immer noch nicht das Problem ab, dass Unternehmen Data Scientists einstellen, wenn sie wirklich Data Engineers brauchen.

Um einen Job in der Datenwissenschaft zu bekommen, sind spezifische Fähigkeiten und nicht nur ein Abschluss erforderlich. Unter der Annahme, dass Sie über genügend dieser Fähigkeiten verfügen, um beschäftigungsfähig zu sein, unterscheiden sich Ihre Möglichkeiten je nach Abschluss geringfügig.

  • Kein Abschluss: Sehr geringe Chance, direkt in die Datenwissenschaft eingestellt zu werden, aber Sie können nach einer langen Karriere, in der Sie schrittweise fortgeschrittenere Arbeit geleistet haben, darauf verzichten.
  • Bachelor-Abschluss: Es gibt einige Möglichkeiten, aber den ersten Job zu bekommen, könnte ein Kampf sein, da Sie gegen eine Masse mit hauptsächlich Master-Abschlüssen und Doktortiteln antreten. Sie können davon ausgehen, dass Sie an den untergeordneten Aspekten von Data Sc arbeiten
Weiterlesen

Um einen Job in der Datenwissenschaft zu bekommen, sind spezifische Fähigkeiten und nicht nur ein Abschluss erforderlich. Unter der Annahme, dass Sie über genügend dieser Fähigkeiten verfügen, um beschäftigungsfähig zu sein, unterscheiden sich Ihre Möglichkeiten je nach Abschluss geringfügig.

  • Kein Abschluss: Sehr geringe Chance, direkt in die Datenwissenschaft eingestellt zu werden, aber Sie können nach einer langen Karriere, in der Sie schrittweise fortgeschrittenere Arbeit geleistet haben, darauf verzichten.
  • Bachelor-Abschluss: Es gibt einige Möglichkeiten, aber den ersten Job zu bekommen, könnte ein Kampf sein, da Sie gegen eine Masse mit hauptsächlich Master-Abschlüssen und Doktortiteln antreten. Sie können damit rechnen, an den niederen Aspekten der Datenwissenschaft zu arbeiten, wie Datenvisualisierung (Qlik/Tableau/Power BI), Datenbereinigung und -transformationen (SQL/ETL). Wenn Sie fortgeschrittenere Arbeit leisten möchten, müssen Sie selbst lernen, Ihren Wert beweisen und aggressiv nach Gelegenheiten suchen, wenn sie sich bieten. Arbeitgeber werden eher denken, dass Sie nur für einfachere Aufgaben geeignet sind, auch wenn das nicht der Fall ist.
  • Master-Abschluss: Hier findet man heute die meisten Leute in Data Science (siehe Abbildung 1). Nachdem der Mythos vom genialen Data Scientist Einhorn allmählich abgeklungen ist, hat die Industrie ihre Bildungsanforderungen etwas gelockert. Ein Master-Abschluss ist in dieser Hinsicht ein guter Kompromiss. Sie können leicht Jobs in der Datenwissenschaft finden, und es besteht eine gute Chance, dass Sie fortgeschrittene Arbeiten ausführen, wenn Sie dies wünschen. Sie können damit rechnen, hauptsächlich in den Bereichen praktische Datenwissenschaft, maschinelles Lernen und Big Data Engineering zu arbeiten.
  • PhD: Mit einem PhD können Sie erwarten, dass Sie eine bessere Chance auf die interessanteren/fortgeschritteneren Rollen in der Datenwissenschaft haben. Sie qualifizieren sich für Positionen in industriellen Forschungslabors und akademischen Einrichtungen, in denen Sie zu maschinellem Lernen und künstlicher Intelligenz forschen können. Selbst mit einem Doktortitel sind diese Jobs jedoch schwer zu bekommen. Andernfalls erwarten Sie vielleicht, dass Sie an vielen der gleichen Dinge arbeiten wie diejenigen mit Master-Abschluss. Es ist wahrscheinlich etwas unwahrscheinlicher, dass Sie für Positionen eingestellt werden, die nicht recherchiert sind, da Sie möglicherweise als überqualifiziert wahrgenommen werden.

Abbildung 1: Höchste Ausbildung von Datenwissenschaftlern, die Vollzeitbeschäftigungen nachgehen, laut der Kaggle-Umfrage zum Stand der Datenwissenschaft aus dem Jahr 2017.[1]

Es überrascht nicht, dass die Gehälter mit steigendem Bildungsniveau steigen (Abbildung 2).

Abbildung 2: Mediangehalt in USD nach Ausbildung.

Lohnt sich eine Weiterbildung über den Bachelor hinaus, wenn man in Data Science arbeiten möchte? Zum größten Teil würde ich ja sagen. Sie erhöhen Ihre Chance, interessantere und besser vergütete Jobs zu finden.

In Anbetracht des Stresses und der Opportunitätskosten, die mit einer Promotion verbunden sind, kombiniert mit einer leicht verringerten Chance, nicht-theoretische Jobs zu bekommen, würde ich dringend in Betracht ziehen, stattdessen nur einen Master-Abschluss zu machen, wenn Sie in Standardfunktionen der Datenwissenschaft arbeiten möchten. Meiner Meinung nach sollte man nur promovieren, weil man 3+ Jahre an der eigentlichen Forschung arbeiten möchte, nicht weil man glaubt, dass es seine Karrierechancen verbessert.

Fußnoten

[1] http://The State of ML and Data Science 2017 (https://www.kaggle.com/surveys/2017)

Data Science ist heute zweifellos der heißeste Job auf dem Markt. Angesichts der wachsenden Bedeutung und Abhängigkeit von Daten stellen Unternehmen Datenexperten in einem beispiellosen Tempo ein. Aber nur weil es in Zukunft einen prognostizierten Mangel an Data Scientists oder Data Professionals gibt, heißt das nicht, dass Sie abspringen sollten, um einer zu werden, denn Data Science ist nicht jedermanns Sache.

Wer wäre dann der Richtige, um Data Science zu lernen?

Ein leidenschaftlicher Anfänger

Wenn Sie Anfänger sind und vom Bereich Data Science fasziniert sind, können Sie sich für einen der Online-Kurse für Anfänger entscheiden

Weiterlesen

Data Science ist heute zweifellos der heißeste Job auf dem Markt. Angesichts der wachsenden Bedeutung und Abhängigkeit von Daten stellen Unternehmen Datenexperten in einem beispiellosen Tempo ein. Aber nur weil es in Zukunft einen prognostizierten Mangel an Data Scientists oder Data Professionals gibt, heißt das nicht, dass Sie abspringen sollten, um einer zu werden, denn Data Science ist nicht jedermanns Sache.

Wer wäre dann der Richtige, um Data Science zu lernen?

Ein leidenschaftlicher Anfänger

Wenn Sie ein Anfänger sind und vom Bereich Data Science fasziniert sind, können Sie sich für einen der Online-Kurse für Anfänger entscheiden und Ihre Reise sofort beginnen. Natürlich müssen zunächst einige Voraussetzungen erfüllt werden, wie z. B. mathematische Konzepte, Statistik und Programmierung - aber da Sie entschlossen sind, mehr über Data Science zu lernen, würden Sie sicherlich gut zu Ihnen passen!

Ingenieur der Informatik

Wenn Sie ein Informatikingenieur sind, können Sie sicherlich zur Datenwissenschaft wechseln. Vielleicht möchten Sie sich nicht mehr um die Netzwerksysteme, Entwicklungsprojekte oder Softwarezyklen kümmern – und Data Science hilft Ihnen dabei.

Junior Data Executive/Data Analyst/Geschäftsführer

Möglicherweise arbeiten Sie bereits auf dem Feld, haben es aber irgendwie nicht geschafft, die Leiter hinaufzusteigen. Wenn das der Fall ist, ist es an der Zeit, Ihre Fähigkeiten zu verbessern, damit Sie endlich bessere Projekte und Rollen bekommen, an denen Sie arbeiten können.

Wie fange ich an, Data Science zu lernen?

Anders als allgemein angenommen, ist Data Science keine leicht zu beherrschende Fähigkeit. Ja, angesichts seiner Popularität haben mehrere Plattformen und Institute Online-Kurse entwickelt, die Ihnen beim Erlernen von Data Science helfen. Wenn Sie jedoch planen, Data Science für einen Karriereweg zu verfolgen, empfehle ich Ihnen, einen Kurs zu belegen, der von einer akkreditierten Universität angeboten wird, und nicht von irgendeiner anderen Plattform da draußen.

Ich empfehle dringend, den akkreditierten Studiengang Data Science von LEARNXT aufzunehmen. LEARNXT ist die globale digitale Lernmarke der SRM Group und bietet ihre Kurse in Zusammenarbeit mit SRM University AP und SRM IST an. Wenn Sie also das gewählte Data Science-Programm abschließen, erhalten Sie Ihren Abschluss / Ihre Zertifizierung von der SRM University AP oder SRM IST - einer weltweit anerkannten und einer der bestplatzierten Universitäten des Landes.

Warum LEARNXT und nicht andere? Weil LEARNXT-Programme ziemlich einzigartig sind – von ihrer Methode der Programmbereitstellung über den Lehrplan bis hin zum Fokus auf praktisches Lernen. LEARNXT bietet derzeit MBA-, MSc- sowie PG-Diplome in Data Science für Anfänger und Berufstätige an. Hier sind einige Vorteile der Wahl von LEARNXT gegenüber anderen -

- Mehr als 60 % der Studienzeit entfallen auf Praktika - Hausarbeiten/Projekte/Prüfungen

- Sie werden von einigen der besten Fakultäten mit IIT und globalem Universitätsabschluss unterrichtet.

- Sie erhalten lebenslangen Zugriff auf die Kursunterlagen auf der KI-gestützten Lernplattform StudyNxt

- Zugang zu maßgeschneiderten Karrierediensten über die Karrieremanagementplattform CareerNxt von LEARNXT, um Ihnen den Einstieg in eine erfolgreiche Karriere im richtigen Bereich zu erleichtern.

- Sie können das Programm nach Belieben im Vollzeit-Klassenzimmermodus oder im Wochenend-Hybridmodus absolvieren.

- Schließlich werden sie ihrem Slogan gerecht – Learn More to Be More.

Wenn Sie der Meinung sind, dass Sie das Richtige für sich sind und eine Karriere in der Datenwissenschaft anstreben, wäre jetzt der beste Zeitpunkt, um loszulegen!

Jobanforderungen sind Wunschlisten.

Unternehmen senden ihre Anforderungen an einen Personalvermittler und sagen … das ist der Typ/das Mädchen, den wir wollen.

Das Komische daran ist, dass die meisten Unternehmen nicht einmal wissen, was sie brauchen.

Wenn ich kein Datenwissenschaftler (der PhD-Typ) werden wollte, würde ich auf keinen Fall jemals wieder aufs College gehen. Es gibt immer noch eine große Diskrepanz zwischen Theorie und Anwendung.

Lernen Sie Python und vor allem, wie man Daten massiert und verarbeitet, sowohl strukturierte (Datenbank) als auch unstrukturierte (Dateien in einem Dateisystem).

Sie werden die meiste Zeit damit verbringen, mit Daten zu arbeiten. Wenn Sie ein Datentyp sind, sollten Sie sich G

Weiterlesen

Jobanforderungen sind Wunschlisten.

Unternehmen senden ihre Anforderungen an einen Personalvermittler und sagen … das ist der Typ/das Mädchen, den wir wollen.

Das Komische daran ist, dass die meisten Unternehmen nicht einmal wissen, was sie brauchen.

Wenn ich kein Datenwissenschaftler (der PhD-Typ) werden wollte, würde ich auf keinen Fall jemals wieder aufs College gehen. Es gibt immer noch eine große Diskrepanz zwischen Theorie und Anwendung.

Lernen Sie Python und vor allem, wie man Daten massiert und verarbeitet, sowohl strukturierte (Datenbank) als auch unstrukturierte (Dateien in einem Dateisystem).

Sie werden die meiste Zeit damit verbringen, mit Daten zu arbeiten. Wenn Sie ein Datentyp sind, sollten Sie sich GCP ansehen. (Cloud-Plattform von Google) Amazon und Azure sind großartig, aber wenn es um reale Daten oder maschinelles Lernen geht, ist es GCP.

Eine weitere gute Idee ist, zu Ihrer Lieblings-Jobbörse zu gehen (gefällt mir wirklich) und Ingenieur für maschinelles Lernen einzugeben. Lesen Sie mindestens 10 Stellenanforderungen durch. Was haben Sie gemeinsam?

  1. SQL
  2. Python
  3. Große Daten
  4. Tiefes Lernen

Während Sie sich umsehen, sehen Sie sich meinen kostenlosen Kurs zu Python und einige Bibliotheken für maschinelles Lernen an, die Sie häufig verwenden werden.

Die Top 5 Bibliotheken für maschinelles Lernen in Python – Udemy

Die Top-Jobs im KI-Bereich gehören Programmierern, die Machine Learning Engineers genannt werden.

Alles, was Sie brauchen, ist ein Bachelor-Abschluss, um loszulegen, dann brauchen Sie einen Weg und eine ernsthafte Hingabe, um zu lernen, was erforderlich ist, um sich in diesem Bereich hervorzuheben.

Wenn Sie eine Jobsuche auf einer beliebigen Jobbörse durchführen und … Ingenieur für maschinelles Lernen … eingeben, sehen Sie, was erforderlich ist.

Sie müssen lernen, mit Daten und Programmen in einer Sprache namens Python zu arbeiten.

Wenn Sie bei Null anfangen, dauert es 5–8 Jahre, bis Sie einen echten Job im Bereich maschinelles Lernen bekommen.

Die Investition lohnt sich jedoch.

Ich empfehle Ihnen, diese Faktoren zu untersuchen. Du brauchst

  1. mindestens drei Unternehmen
  2. eine Lektüre für mehrere Jobs in jedem Unternehmen
  3. bei Interesse ein kurzes Gespräch mit dem Personalchef

Sie müssen diese Schritte nicht ausführen. Aber sie helfen Ihnen, sich auf ein Vorstellungsgespräch vorzubereiten, sei es persönlich, am Telefon oder per E-Mail. Sie erhalten einfach einen akzeptablen Einblick in die Arbeit, bevor Sie um eine Anstellung bitten.

Jetzt haben wir das Ziel skizziert. Sie sollten die Bildungsvoraussetzungen im Allgemeinen für die meisten Positionen haben. Sie müssen sich dann für das richtige Studienprogramm bewerben. Sie sollten die volle Erfahrung des Studiums sammeln

Weiterlesen

Ich empfehle Ihnen, diese Faktoren zu untersuchen. Du brauchst

  1. mindestens drei Unternehmen
  2. eine Lektüre für mehrere Jobs in jedem Unternehmen
  3. bei Interesse ein kurzes Gespräch mit dem Personalchef

Sie müssen diese Schritte nicht ausführen. Aber sie helfen Ihnen, sich auf ein Vorstellungsgespräch vorzubereiten, sei es persönlich, am Telefon oder per E-Mail. Sie erhalten einfach einen akzeptablen Einblick in die Arbeit, bevor Sie um eine Anstellung bitten.

Jetzt haben wir das Ziel skizziert. Sie sollten die Bildungsvoraussetzungen im Allgemeinen für die meisten Positionen haben. Sie müssen sich dann für das richtige Studienprogramm bewerben. Sie sollten die volle Erfahrung des Studiums für Data Science sammeln. Dies kann zum Beispiel bedeuten, dass ich Lehrergesprächen zuhöre, bei Bedarf Bücher lese, verwandte Bereiche studiere, gemeinsame Klassenkameraden suche und in der Klasse gut arbeite. Sie entscheiden, wie viel Bildung Sie benötigen.

Einige mögliche Motivatoren sind: persönlicher Wunsch, Sympathie, pädagogische Strenge, Treffen oder Networking mit Menschen, der Standort ist erstklassig oder Unternehmen in der geografischen Branche in der Nähe.

Aber letztendlich müssen Sie Ihren Mehrjahresplan organisieren.

Related Post: