Glauben Sie, Dass Der Arbeitsmarkt In 3 Jahren Von Datenwissenschaftlern überschwemmt Sein Wird, Weil Die Disziplin In Den Letzten Jahren überbelichtet Wurde?

Glauben Sie, Dass Der Arbeitsmarkt In 3 Jahren Von Datenwissenschaftlern überschwemmt Sein Wird, Weil Die Disziplin In Den Letzten Jahren überbelichtet Wurde?

February 4, 2023, by Friedrich Blatt, Arbeit

Danke für die A2A.

In 3 Jahren (oder noch früher):

  • Ja, der Arbeitsmarkt wird mit Datenwissenschaftlern überflutet, und
  • Der Wert von Data Scientists wird sinken.

Dies liegt jedoch nicht in erster Linie an der Überbelichtung der Disziplin. Wenn überhaupt, ist das Bewusstsein für die Notwendigkeit von Data-Science-Fähigkeiten eine gute und notwendige Zutat, um auf effektive und innovative Weise Wert aus Daten zu schaffen.

Das Problem liegt woanders.

Ein Teil des Problems besteht darin, dass es zu einfach ist, zu signalisieren, dass Sie ein Datenwissenschaftler sind.

Wenn Sie glauben, dass der Markt von Absolventen der vielen Universitäten überschwemmt wird, die jetzt o

Weiterlesen

Danke für die A2A.

In 3 Jahren (oder noch früher):

  • Ja, der Arbeitsmarkt wird mit Datenwissenschaftlern überflutet, und
  • Der Wert von Data Scientists wird sinken.

Dies liegt jedoch nicht in erster Linie an der Überbelichtung der Disziplin. Wenn überhaupt, ist das Bewusstsein für die Notwendigkeit von Data-Science-Fähigkeiten eine gute und notwendige Zutat, um auf effektive und innovative Weise Wert aus Daten zu schaffen.

Das Problem liegt woanders.

Ein Teil des Problems besteht darin, dass es zu einfach ist, zu signalisieren, dass Sie ein Datenwissenschaftler sind.

Wenn Sie glauben, dass der Markt von Absolventen der vielen Universitäten überschwemmt wird, die jetzt Data-Science-Kurse anbieten, können Sie sicher sein, dass Sie nicht so lange warten müssen. Heute haben wir bereits Programmierschulen, die behaupten, Data Scientists in 6–12 Wochen zu entwickeln. Online-Portale wie Coursera und EdX geben vor, Lernende in 4–5 Wochen mit datenwissenschaftlichen Fähigkeiten auszustatten, oft mit der Unterstützung bekannter Universitäten. Udemy und Lynda bieten beide eine Einführung in maschinelles Lernen in weniger als einem Tag an.

Der andere Teil des Problems besteht darin, dass das Lesen von Signalen schwierig ist. Und viele Data Scientists werden keinen Wert schaffen, nicht weil sie nicht kompetent sind, sondern weil das Management nicht weiß, wie man sie nutzt.

Erinnern Sie sich an den viel zitierten McKinsey-Artikel, der einen Mangel von 140.000 bis 190.000 Datenwissenschaftlern und 1,5 Millionen analytisch versierten Managern bis 2018 prognostizierte?

Stell dir vor, es ist schon 2018.

Und seitdem hat das Interesse an Data Science steil zugenommen, wie die Google-Trendgrafik unten zeigt. Vielleicht gibt es die 140.000 bis 190.000 Data Scientists also schon.

… aber leider gibt es viel weniger Interesse daran, der analytisch gebildete Manager zu sein. Und darin liegt das Problem mit den neuen Data Scientists, die auf den Markt kommen. Der Markt ist nicht dafür gerüstet, sie zu nutzen.

Ich denke, es ist an der Zeit zu erkennen, dass der Engpass auf dem Arbeitsmarkt nicht nur das Überangebot an Data Scientists ist, sondern auch das Unterangebot an den richtigen Leuten, um sie zu verwalten, und vielleicht am wichtigsten, den Leuten, die die Ergebnisse von Data Scientists nutzen werden um bessere Entscheidungen zu treffen oder Data-Science-Fähigkeiten in eine Organisation einzubetten.

A2A

Ich glaube nicht. Es gibt immer noch einen Mangel in der IT-Branche… Programmierer werden immer gebraucht.

Das Gleiche gilt für Data Scientists: Daten nehmen schneller zu als die Fähigkeit, alles zu verstehen und sinnvoll zu nutzen.

Von den Daten bis zur Implementierung braucht es Zeit und Mühe sowie Trial-and-Error. Und selbst mit besseren und schnelleren Tools muss man immer noch verstehen, was man tut.

Es ist unwahrscheinlich, dass Data Science verschwindet, und die Nachfrage wird immer größer sein als das Angebot.

Ich glaube, dass es in 3 Jahren oder weniger mit Datenwissenschaftlern überflutet sein wird. Wie Jason in Ihren Kommentaren erwähnte, wird der Wert des Datenwissenschaftlers mit der Zeit abnehmen.

Das einzige, was ich denke, ist, dass dieser Job ein bisschen gehyped wird, weil die meisten Leute unterschiedliche Definitionen für Data Scientist haben. Nicht jeder wird angemessen ausgebildet, um über die Fähigkeiten eines Datenwissenschaftlers zu verfügen.

Zusammenfassend lässt sich sagen, dass der Arbeitsmarkt von Datenwissenschaftlern überflutet wird.

Sicher, in 3 Jahren (oder noch früher) wird der Arbeitsmarkt mit Data Scientists überschwemmt sein, aber mit den FALSCHEN Qualifikationen.

Bei Technologie geht es um Veränderung und die Veränderung von morgen beginnt heute. Die aktuelle Ausbildung zu diesem Thema ist bereits veraltet, es sei denn, Sie konzentrieren sich auf einige wenige vertikale „richtige“ Forschungsarbeiten. Maschinelles Lernen, wie es heute ist, wird überbewertet. Der Punkt ist: Befinden Sie sich in der zukünftigen Wissenslinie, die für Datenwissenschaftler benötigt wird, die in 3–7 Jahren gefragt sein werden? Das ist die Frage.

Einerseits ist der Markt bereits mit Datenwissenschaftlern überschwemmt, von denen viele unqualifiziert sind. Andererseits nimmt der Bedarf an qualifizierten Data Scientists weiter zu.

Wir befinden uns in den frühen Stadien von Data Science. Im Laufe der Zeit freue ich mich darauf, mehr Spezialisierung in der Disziplin zu sehen, während sie sich entwickelt. Der Bedarf nimmt nur zu … der herausfordernde Teil ist die Einstellung.

Vergiss 3 Jahre Zeit, es passiert bereits. Der Bruder eines Freundes von mir war vor ein paar Jahren an seinem Arbeitsplatz der einzige Experte für Big Data. Er bekam sogar den Auftrag, Nachwuchskräfte auszubilden. Doch jetzt wird sein Arbeitsplatz von Big-Data-„Experten“ überschwemmt. Es wird mit jeder Technologie passieren, das liegt in der Natur der Dinge. Je mehr Nischenwissen Sie haben, desto besser.

Der Arbeitsmarkt für Wissenschaftler ist seit langem überschwemmt.

Vom fehlenden Stück zur Veränderung der Universitätskultur

Von Nachwuchswissenschaftlern unter Druck: Was die Daten zeigen

Ich muss einigen anderen Antworten widersprechen. Ja, es gibt viele unterqualifizierte Leute, die versuchen, in die Datenwissenschaft einzusteigen, und am Ende erhalten sie natürlich keine Stellenangebote. Aber es gibt auch viele gut qualifizierte Personen, und auch sie kämpfen darum, einen Einstiegsjob in Data Science zu bekommen.

Ich sehe das aus der Perspektive der Einstellungsseite. Bei den letzten Gelegenheiten, bei denen mein Team eine Einstiegsposition offen hatte, haben wir leicht großartige Kandidaten gefunden. Es war wirklich schade, weil es jedes Mal nur eine freie Stelle gab, aber mindestens fünf solide Kandidaten um diese eine Position kämpften. Ebenso wie

Weiterlesen

Ich muss einigen anderen Antworten widersprechen. Ja, es gibt viele unterqualifizierte Leute, die versuchen, in die Datenwissenschaft einzusteigen, und am Ende erhalten sie natürlich keine Stellenangebote. Aber es gibt auch viele gut qualifizierte Personen, und auch sie kämpfen darum, einen Einstiegsjob in Data Science zu bekommen.

Ich sehe das aus der Perspektive der Einstellungsseite. Bei den letzten Gelegenheiten, bei denen mein Team eine Einstiegsposition offen hatte, haben wir leicht großartige Kandidaten gefunden. Es war wirklich schade, weil es jedes Mal nur eine freie Stelle gab, aber mindestens fünf solide Kandidaten um diese eine Position kämpften. Infolgedessen lehnten wir viele kluge und fähige Leute ab, darunter mehrere mit einem Doktortitel in technischen Bereichen. Tatsächlich hatten mindestens 80 % dieser abgelehnten Kandidaten bessere Fähigkeiten als ich, als ich vor fast sieben Jahren meinen Abschluss machte. Wenn ich also auf dem heutigen Arbeitsmarkt meinen Abschluss gemacht hätte, würde ich wahrscheinlich von meiner jetzigen Firma abgelehnt werden!

Wenn der Arbeitsmarkt so schwierig ist, warum hören wir dann immer wieder von einem hohen ungedeckten Bedarf an Data Scientists? Wahrscheinlich gibt es mehrere Faktoren. Erstens hat das Angebot an aufstrebenden Datenwissenschaftlern in den letzten Jahren dramatisch zugenommen. Ich habe gesehen, wie Studenten aus allen technischen Bereichen und sogar einigen nicht-technischen Bereichen verzweifelt versuchten, in die Datenwissenschaft einzudringen. Ich habe auch viele erfahrene Fachleute erlebt, die begierig darauf waren, von ihrem derzeitigen Karrierepfad in die Datenwissenschaft zu wechseln, und dachten, dass das Gras auf der anderen Seite grüner ist. An warmen Körpern mangelt es also im Einstiegsbereich definitiv nicht. Gleichzeitig gibt es nur eine begrenzte Anzahl von Einstiegspositionen, da Unternehmen, die neu in die Data Science einsteigen, lieber erfahrene Fachkräfte einstellen.

Zweitens scheint es einen berechtigten Mangel an erfahrenen Datenwissenschaftlern zu geben. Als mein Team zum Beispiel das letzte Mal versuchte, eine Führungsposition zu besetzen, dauerte es fast fünf Monate intensiver Suche, bis wir endlich die richtige Person gefunden hatten. Junior-Positionen hingegen können wir ohne großen Aufwand in der Regel innerhalb weniger Wochen besetzen. Und als wir versuchten, einen neuen Data-Science-Manager zu finden, dauerte es fast ein Jahr und die Hilfe einer Personalagentur, bis wir schließlich eine Einstellung fanden. Ich vermute, dass sich die Klagen von Arbeitgebern über Engpässe eher auf erfahrene Positionen als auf Einstiegspositionen beziehen.

Drittens denken Anfänger in der Datenwissenschaft normalerweise, dass sie sich auf interessante Modellierungsarbeiten wie tiefe neuronale Netze und zufällige Wälder konzentrieren werden, was der Schwerpunkt ihrer Ausbildung ist. Aber die Realität ist, dass die meiste Arbeit auf der Programmier- und Engineering-Seite liegt. Infolgedessen werden Data-Science-Stellen mit Bewerbern überschwemmt, während Data-Engineering-Stellen Schwierigkeiten haben, Talente anzuziehen.

Schließlich waren die Nachrichtenmedien nicht die besten in ihrer Berichterstattung. Sie scheinen jede Art von Analyse, von der einfachen Datenerfassung bis hin zu modernster KI-Forschung, in einer einzigen generischen Kategorie der „Datenanalyse“ zusammenzufassen. Wenn es also in bestimmten Aspekten der Analytik einen Mangel gibt, klingt es so, als ob alle Bereiche einen Mangel haben. Erschwerend kommt hinzu, dass zahlreiche Interessengruppen mit einem Anreiz, den Hype am Laufen zu halten, zB Beratungsunternehmen und Daten-Bootcamps, die ahnungslosen Nachrichtenmedien zu ihrem Vorteil nutzen. Dadurch entsteht eine Diskrepanz zwischen Wahrnehmung und Realität.

Bearbeiten: Da meine Antwort zuletzt gepostet wurde, ging ich Ende 2020 auf Jobsuche und war völlig fassungslos von der Wettbewerbsfähigkeit des Arbeitsmarktes für Data Science. Bei einer früheren Jobsuche im Jahr 2017 war die Rücklaufquote etwa 3x-4x höher als bei der neueren Suche. Zugegeben, die Covid-Situation hat wohl übertriebene Zustände. Trotzdem war ich überrascht, wie schwer es für erfahrene Profis wie mich sein konnte.

Es ist nicht wirklich klar, was Sie mit "Data Scientists werden nicht wirklich gebraucht" meinen.

Wenn Sie ein Metzger in einer Kleinstadt oder ein Barbier in der Nachbarschaft sind, dann ist es wahr, dass Sie keine Datenwissenschaftler brauchen. Wenn Sie eine Organisation sind, die viele Daten produziert, dann werden Sie wahrscheinlich von jemandem profitieren, der diese Daten in Informationen/Werte umwandeln kann.

Wenn Sie sich mit „nicht benötigte Datenwissenschaftler“ auf die ständig wachsende Zahl „automatisierter“ Datenwissenschaftsplattformen beziehen, die als etwas beworben werden, das Datenwissenschaftler ersetzen wird, dann liegen Sie falsch. Alle Lösungen, bei denen Sie Ihre Datensätze einfach per Drag & Drop verschieben, a

Weiterlesen

Es ist nicht wirklich klar, was Sie mit "Data Scientists werden nicht wirklich gebraucht" meinen.

Wenn Sie ein Metzger in einer Kleinstadt oder ein Barbier in der Nachbarschaft sind, dann ist es wahr, dass Sie keine Datenwissenschaftler brauchen. Wenn Sie eine Organisation sind, die viele Daten produziert, dann werden Sie wahrscheinlich von jemandem profitieren, der diese Daten in Informationen/Werte umwandeln kann.

Wenn Sie sich mit „nicht benötigte Datenwissenschaftler“ auf die ständig wachsende Zahl „automatisierter“ Datenwissenschaftsplattformen beziehen, die als etwas beworben werden, das Datenwissenschaftler ersetzen wird, dann liegen Sie falsch. Alle Lösungen, bei denen Sie Ihre Datensätze einfach per Drag-and-Drop verschieben und auf magische Weise ein bereits optimierter Algorithmus ein Vorhersagemodell ausspuckt, automatisieren nur einen Bruchteil des Data-Science-Projekts. Ich begrüße dies, auch wenn ich noch keine Plattform gesehen habe, die in einer Vielzahl von Anwendungsfällen gut funktioniert. Die Automatisierung von technischen, sich wiederholenden Aufgaben ist immer eine gute Sache. Dadurch habe ich mehr Zeit, an interessanten Aspekten des Projekts zu arbeiten, und weniger Zeit für alltägliche, zeitraubende Dinge!

Die Rolle eines Datenwissenschaftlers ist viel größer als das, was automatisierte Plattformen bieten können! Die Optimierung der Hyperparameter neuronaler Netzwerke ist nicht der Grund, warum Sie einen Datenwissenschaftler haben.

Ein Data Scientist ist jemand, der in der Lage ist, die aktuellen Herausforderungen der Organisation zu betrachten, diejenigen zu identifizieren, die mit Daten gelöst werden können, die relevanten Daten zu sammeln, eine Lösung zu entwickeln, die den Bedürfnissen und Anforderungen der Organisation entspricht, sie umzusetzen und zu analysieren Ergebnisse, machen Sinn daraus, kommunizieren sie an die „höheren Stellen“ und identifizieren schließlich, wie die Lösung Wert generiert.

Dieser Prozess wird nur automatisiert, wenn/wenn wir echte KI entwickeln, was bedeutet, dass bis dahin immer ein Datenwissenschaftler ein notwendiger Teil des Prozesses sein wird!

In Bezug auf die Behauptung, dass Datenwissenschaftler ihre Jobs aufgeben, ist es möglich, dass dies wahr ist (ich sehe keine starken Beweise dafür), aber ich wette mit Ihnen, dass sie ihre Jobs für andere Jobs in der Datenwissenschaft aufgeben. Die Nachfrage nach Data Science ist weiter im Aufschwung: Die Nachfrage nach Data Scientists boomt und wird weiter zunehmen, ein Job, der so schnell nicht verschwinden wird.

Ein Data Scientist zu sein war vor etwa 5 Jahren wirklich cool, heute ist das Feld gesättigt und jeder ist ein Data Scientist.

Heute wird der Dateningenieur mit dem Datenwissenschaftler verwechselt, und wenn Sie einen Job als Datenwissenschaftler bekommen, schreiben Sie den ganzen Tag nur SQL. Diese Art von Job ist nicht neu. Business Intelligence Architects und ETL-Leute aus der IT tun dies seit über 30 Jahren. Es ist langweilig, denn wenn Sie nur Prozesse schreiben, um Daten zusammenzuführen und die Daten abzufragen, Dashboards zu erstellen und einige grenzwertige Analysen durchzuführen, dann tun Sie einfach das, was IT-Leute tun

Weiterlesen

Ein Data Scientist zu sein war vor etwa 5 Jahren wirklich cool, heute ist das Feld gesättigt und jeder ist ein Data Scientist.

Heute wird der Dateningenieur mit dem Datenwissenschaftler verwechselt, und wenn Sie einen Job als Datenwissenschaftler bekommen, schreiben Sie den ganzen Tag nur SQL. Diese Art von Job ist nicht neu. Business Intelligence Architects und ETL-Leute aus der IT tun dies seit über 30 Jahren. Es ist langweilig, denn wenn Sie nur Prozesse schreiben, um Daten zusammenzuführen und die Daten abzufragen, Dashboards zu erstellen und einige Grenzanalysen durchzuführen, dann tun Sie einfach das, was IT-Leute seit Jahrzehnten tun. Dafür braucht man nicht einmal ein Studium. Sie müssen nur ein neugieriger IT-Typ sein, der bereit ist, neue Technologien und Protokolle zu lernen und mit den aktuellen Trends in der SW-Entwicklung Schritt zu halten. Wenn du in dieser Welt feststeckst und das nicht tun willst, dann ja, es ist langweilig.

Die andere Sache ist, dass Manager ML mit den unlösbarsten Problemen bewerfen, und wenn Sie es nicht lösen können, liegt es an Ihnen. Sie gelten als inkompetent oder dumm. Sie verstehen nicht, dass ML, so nützlich es auch ist, in vielen realen Szenarien, in denen Unternehmen es nutzen wollen, um einen Vorteil gegenüber einem Konkurrenten zu erlangen, auch sehr nutzlos ist. Mein erstes ML-Projekt bestand beispielsweise darin, den Algorithmus eines Top-Tier-Unternehmens zurückzuentwickeln, damit wir ihm nicht so viel zahlen müssen. Ich bin der einzige DS in meinem Team und dieses erstklassige Unternehmen hat Tausende von Datenwissenschaftlern. Ich habe ihnen gesagt, dass dies nicht möglich ist und dass dies ein dummes Projekt ist, aber sie werden nicht zuhören. Was kannst du tun? Wenn die Ergebnisse nicht zufriedenstellend sind, werden Sie beschuldigt. Ich hatte noch ein paar unsinnige Projekte wie dieses, dann wurde ich gefeuert, weil sie der Meinung waren, dass ML ihnen nicht wirklich helfen kann, weil sie mich mit Problemen bewerfen wollen, in der Art (kein wirkliches Problem, aber ein Beispiel), die gegebenen Gaspreise vorherzusagen bestimmte Eigenschaften. Diese Art von Problemen ist tief in der Sozioökonomie des Landes und der Stadt verwurzelt. Wenn Trump zum Beispiel einen schlechten Tag bei der UNO hat und sich mit dem Irak streitet, schwanken die Ölpreise und das wirkt sich auf die Gaspreise aus. Also Dinge wie diese können nicht wirklich vorhergesagt werden. Wirkliche Probleme sind wirklich so komplex! Stochastische nichtlineare Probleme können also nicht einfach mit ML modelliert werden, da das Modell diese Eingaben noch nie gesehen hat, aber das sind die Arten von Problemen in der realen Welt, die Sie normalerweise bekommen werden. Diese Art von Problemen ist tief in der Sozioökonomie des Landes und der Stadt verwurzelt. Wenn Trump zum Beispiel einen schlechten Tag bei der UNO hat und sich mit dem Irak streitet, schwanken die Ölpreise und das wirkt sich auf die Gaspreise aus. Also Dinge wie diese können nicht wirklich vorhergesagt werden. Wirkliche Probleme sind wirklich so komplex! Stochastische nichtlineare Probleme können also nicht einfach mit ML modelliert werden, da das Modell diese Eingaben noch nie gesehen hat, aber das sind die Arten von Problemen in der realen Welt, die Sie normalerweise bekommen werden. Diese Art von Problemen ist tief in der Sozioökonomie des Landes und der Stadt verwurzelt. Wenn Trump zum Beispiel einen schlechten Tag bei der UNO hat und sich mit dem Irak streitet, schwanken die Ölpreise und das wirkt sich auf die Gaspreise aus. Also Dinge wie diese können nicht wirklich vorhergesagt werden. Wirkliche Probleme sind wirklich so komplex! Stochastische nichtlineare Probleme können also nicht einfach mit ML modelliert werden, da das Modell diese Eingaben noch nie gesehen hat, aber das sind die Arten von Problemen in der realen Welt, die Sie normalerweise bekommen werden.

Was also passiert ist, ist, dass Sie entweder mit dem Titel Data Scientist für SQL und Dashboards eingestellt werden oder Sie für ML eingestellt werden und Probleme bekommen, die im Allgemeinen mit den gegebenen Ressourcen nicht gelöst werden können. Heutzutage sind echte Modellbaujobs für maschinelles Lernen schwer zu finden und sehr begehrt und wettbewerbsfähig. Normalerweise gehen diese Arten von Jobs nur an Doktoranden, erstklassige Universitätskandidaten und diejenigen, die über spezifische Erfahrung in der Jobrolle verfügen. Sie können zum Beispiel keinen Job in NLP bekommen, wenn Sie noch nie ein NLP-Projekt gemacht haben, aber alles andere wissen. Sie werden immer noch einen Typen nehmen, der nur NLP und sonst nichts gemacht hat, weil er hochspezialisiert ist. Auf diese Weise gibt es also zu viele Kandidaten und nicht genügend Jobs, und Unternehmen wollen eine nahezu exakte Übereinstimmung.

Ich bin seit über 6 Monaten arbeitslos und jetzt ruft niemand wegen des CoronaVirus zurück, zusammen mit all den neuen Absolventen, die einen Job suchen. Typischerweise erhält eine Stelle etwa 300–800 Bewerbungen. Es lohnt sich also wirklich nicht mehr, Data Science zu machen, weil es alle tun und die Chancen, einen Job zu bekommen, nicht gut sind, weil es immer jemanden geben wird, der besser ist als Sie, selbst wenn sich 100 Kandidaten bewerben, geschweige denn 800. Erinnern Sie sich College, dass nur etwa 5% der Klasse Bestnoten bekamen, während die Mehrheit B- und C-Studenten waren. Nun, B- und C-Studenten werden nicht eingestellt, nur die A-Studenten. Und in jedem Pool von 100 Kandidaten sind immer ein paar A-Schüler und die bekommen den Job.

Wenn ein Feld gesättigt ist, ist es wirklich an der Zeit, sich woanders umzusehen!

In gewisser Weise ist der Markt bereits mit zu vielen Datenwissenschaftlern überschwemmt. Es gibt Dutzende bis Hunderte von Bewerbungen für Stellen, und in diesem Sinne ist die Konkurrenz sehr hoch.

Aber in einem anderen Sinne gibt es viele Stellenangebote. Diese Trennung liegt daran, dass sich zwar viele Menschen Data Scientists nennen, aber nicht sehr viele Menschen in der Lage sind, die Anforderungen der meisten Jobs in diesem Beruf zu erfüllen. Es erfordert eine Menge schwer zu beschaffender Schulungen und ist nicht etwas, das Sie mit ein paar Monaten Coursera-Kursen oder einem einjährigen Master-Programm lernen können.

Also, zu viele der Gummistempel-Datenwissenschaftler,

Weiterlesen

In gewisser Weise ist der Markt bereits mit zu vielen Datenwissenschaftlern überschwemmt. Es gibt Dutzende bis Hunderte von Bewerbungen für Stellen, und in diesem Sinne ist die Konkurrenz sehr hoch.

Aber in einem anderen Sinne gibt es viele Stellenangebote. Diese Trennung liegt daran, dass sich zwar viele Menschen Data Scientists nennen, aber nicht sehr viele Menschen in der Lage sind, die Anforderungen der meisten Jobs in diesem Beruf zu erfüllen. Es erfordert eine Menge schwer zu beschaffender Schulungen und ist nicht etwas, das Sie mit ein paar Monaten Coursera-Kursen oder einem einjährigen Master-Programm lernen können.

Also, sicher zu viele der abgestempelten Datenwissenschaftler. Aber zu wenig von den Guten.

Bearbeiten:

Von der Eingabeaufforderung in den Kommentaren an teile ich einige Möglichkeiten, wie sich Menschen von der Masse abheben, wenn sie nach ihrer ersten Data-Science-Möglichkeit suchen:

  1. Ein starker Github/Bitbucket mit mehreren Projekten mit Qualitätscode (mit guten Softwareentwicklungspraktiken) und mindestens einer vollständigen Implementierung eines Data-Science-Produkts. Es kann dumm sein, aber es muss echt sein – wählen Sie ein Hobby und erstellen Sie einen Empfehlungsalgorithmus dafür oder finden Sie heraus, woran Sie schon immer interessiert waren. Oder erstellen Sie einen Twitter-Bot, der effektive und aktuelle Antworten auf Tweets gibt mit einem bestimmten Hashtag oder von einem bestimmten Promi-Account.
  2. Praktikum(e) bei guten Unternehmen, mit durchweg positiven Empfehlungen.
  3. Ein höherer und angesehener MINT-Abschluss (Master oder besser PhD) mit Abschlussarbeit. Der Schlüssel liegt darin, zu lernen, wie man recherchiert, da ein Data Scientist eine (angewandte) Forschungsposition ist.
  4. Starten Sie Ihr eigenes Unternehmen. Es gibt viele Bereiche, die von Data Science unterversorgt sind. Zeigen Sie, dass Sie eine Frage auswählen und versuchen können, sie zu beantworten.
  5. Wechseln Sie von etwas anderem innerhalb eines Unternehmens zu Data Science. Analysten, Software-Ingenieure und Geschäftsleute geben alle gute Datenwissenschaftler ab, wenn jemand in die Schulung der Teile investiert, die ihnen in der Branche fehlen.
  6. Kaggle-Wettbewerbe gewinnen oder hoch platzieren. In der Regel gekoppelt mit einem Whitepaper zu den Neuheiten Ihrer Lösung.

Um einen Job an den begehrtesten Orten zu bekommen, müssen Sie mehrere dieser Kästchen ankreuzen. Es gibt eine hohe Stange.

Related Post: