Zmiana kariery na Big Data Analytics

Jestem 35-letnim specjalistą IT, który jest czysto techniczny. Jestem dobry w programowaniu, uczeniu się nowych technologii, ich zrozumieniu i wdrażaniu. Nie lubiłem matematyki w szkole, więc nie osiągałem dobrych wyników w matematyce. Jestem bardzo zainteresowany karierą w analityce Big Data. Bardziej interesuje mnie analityka niż technologie Big Data (Hadoop itp.), Ale nie lubię tego. Jednak kiedy rozglądam się po Internecie, widzę, że ludzie, którzy są dobrzy w analityce (Data Scientists), to głównie absolwenci matematyki, którzy zrobili swoje doktoraty i brzmią jak inteligentne stworzenia, które są daleko przede mną. Czasami boję się myśleć, czy moja decyzja jest słuszna, ponieważ samodzielne uczenie się zaawansowanych statystyk jest bardzo trudne i wymaga ciężkiej pracy i czasu.

Chciałbym wiedzieć, czy moja decyzja jest słuszna, czy też powinienem pozostawić tę pracę tylko intelektualistom, którzy spędzili życie na studiach w prestiżowych szkołach wyższych i zdobyli stopnie naukowe i doktoraty.

Ze względu na duże zapotrzebowanie możliwe jest rozpoczęcie kariery w dziedzinie informatyki bez formalnego dyplomu. Z mojego doświadczenia wynika, że ​​posiadanie dyplomu jest często „wymogiem” w opisie stanowiska pracy, ale jeśli pracodawca jest wystarczająco zdesperowany, to nie będzie miało znaczenia. Zasadniczo trudniej jest dostać się do dużych korporacji ze sformalizowanymi procesami ubiegania się o pracę niż mniejsze firmy bez nich. W obu przypadkach „poznanie ludzi” może dać ci długą drogę.

Bez względu na wykształcenie, bez względu na to, jak duże jest zapotrzebowanie, musisz mieć umiejętności, aby wykonać tę pracę.

Masz rację, zauważając, że zaawansowanej statystyki i innej matematyki bardzo trudno jest nauczyć się samodzielnie. To zależy od tego, jak bardzo chcesz zmienić karierę. Chociaż niektórzy ludzie mają „naturalny talent” w matematyce, każdy musi się uczyć. Niektórzy mogą uczyć się szybciej, ale wszyscy muszą poświęcić czas na naukę.

Sprowadza się to do tego, że potrafisz pokazać potencjalnym pracodawcom, że naprawdę interesujesz się daną dziedziną i że możesz szybko uczyć się w pracy. Im więcej posiadasz wiedzy, tym więcej projektów możesz udostępnić w portfolio, a im więcej doświadczenia w pracy za pasem, tym wyższe stanowiska, które będą dostępne. Być może najpierw musisz zacząć od pozycji początkowej.

Mógłbym zaproponować sposoby samodzielnego studiowania matematyki, ale to nie jest twoje pytanie. Na razie wiedz, że to trudne, ale możliwe, jeśli jesteś zdeterminowany, aby zmienić karierę. Uderz, gdy żelazo jest gorące (gdy popyt jest wysoki).

Jeśli nie lubisz matematyki, powinieneś bardziej przyjrzeć się stronie infrastruktury. Im niżej znajdujesz się w stosie oprogramowania, tym bardziej oddalasz się od matematyki (w rodzaju nauki danych). Innymi słowy, możesz zbudować fundament, którego inni użyją do stworzenia narzędzi, które będą służyć analitykom. Pomyśl o firmach takich jak Cloudera, MapR, Databricks itp. Umiejętności, które przydadzą się, to systemy rozproszone i projektowanie baz danych. Bez matematyki nie zostaniesz naukowcem danych; to niedorzeczne pojęcie!

Z mojego doświadczenia posiadanie doktoratu niekoniecznie musi być dobre w środowisku firmy zajmującej się badaniami danych, pracuję jako specjalista ds. Danych i jestem tylko inżynierem, ale znam kilku nauczycieli akademickich, którzy współpracują z moją firmą i czasami mówiłem im, że ich punkt widzenia był niewłaściwy, ponieważ pomimo ich pomysłów i uzasadnień, nie mają one zastosowania do działalności firmy, więc musieliśmy zmodyfikować niektóre modele danych, aby były przydatne dla firmy i wyników stracili swoją wartość, dlatego musieliśmy szukać nowych modeli. Chodzi mi o to, że Data Science to dziedzina multidyscyplinarna, dlatego potrzebnych jest wiele różnych osób pracujących razem, więc myślę, że twoje umiejętności mogą być bardzo przydatne w zespole naukowców danych, musisz tylko znaleźć, gdzie pasujesz;)

Być może będzie to trochę nie na temat, ale chciałbym gorąco polecić przejrzenie tego MOOC https://www.coursera.org/course/statistics . To bardzo dobre i jasne wprowadzenie do statystyki. Daje ci podstawowe zasady dotyczące podstawowej dziedziny nauki o danych. Mam nadzieję, że będzie to dobry punkt wyjścia do rozpoczęcia przyjaźni między tobą a statystykami.

Nie widziałem tego, ale ważne jest, aby pamiętać, że możesz zauważyć spadek wynagrodzenia. Mówię to, nie wiedząc, ile zarabiasz, ale przejście od (zakładam) doświadczonego specjalisty IT do poziomu naukowca zajmującego się danymi na poziomie początkowym może nie być tak wysokie.

Oto link do części badania Burtch Works z 2015 r. Dotyczącego wynagrodzeń Data Science:

http://www.burtchworks.com/files/2015/05/DS-2015_Changes-in-Base-Salaries.pdf

Jak widać, mediana pensji dla indywidualnych współpracowników poziomu 1 wynosi 90 tys. (W całym kraju). Pełny raport zawiera podział na regiony, ale ponownie, zakładając, że jesteś doświadczonym specjalistą IT, prawdopodobnie robisz więcej.

Anegdotyczna historia z = 1: Jeden z moich kolegów z klasy w programie DS master był doświadczonym programistą Java z domem, rodziną itp. Chociaż był bardzo zainteresowany analizą danych (zapłaconą za program z własnej kieszeni), jego potencjalne wynagrodzenie analiza danych nie byłaby w stanie wesprzeć stylu życia, który obecnie prowadził jako programista Java. W rezultacie „zmarnował” swój stopień naukowy i wrócił do rozwoju. Naprawdę nie chciałbym widzieć, że przytrafia się to większej liczbie ludzi.

Należy pamiętać, że „duże zbiory danych” są coraz bardziej modną rzeczą dla firmy, która mówi, że jest w to zaangażowana. Wyżsi badacze mogą przeczytać artykuł na ten temat w HBR i powiedzieć sobie: „Muszę zdobyć trochę że ”(nie dlatego, że niekoniecznie są w błędzie).

Oznacza to dla Ciebie, że zaawansowana analityka nie jest tak niezbędna dla tej firmy, jak tylko uruchomienie czegoś.

Na szczęście dla ciebie większość komponentów, które według firm mogą być potrzebne, jest darmowa. Co więcej, uważam, że zarówno Hortonworks, jak i Cloudera mają darmowe maszyny wirtualne typu „piaskownica”, które można uruchomić na komputerze, aby bawić się i orientować.

Zaawansowana analityka na platformach dużych zbiorów danych jest, oczywiście, cenna, ale wiele firm musi nauczyć się czołgać, zanim będą mogły działać.

To jest naprawdę dziwne pytanie. Dlaczego zmierzasz w nowym kierunku, jeśli nie jesteś pewien, czy podoba ci się ten nowy kierunek, a przynajmniej uważasz go za bardzo interesujący? Jeśli kochasz Big Data, dlaczego przejmujesz się doktoratami inteligentnymi stworzeniami, które już są w terenie? Ta sama ilość doktoratów znajduje się w każdym obszarze IT. Przeczytaj szybko ten bardzo miły artykuł http://www.forbes.com/sites/louisefron/2013/09/13/why-you-cant-find-a-job-you-love/, a następnie zadaj sobie pytanie jeśli wystarczająco kochasz Big Data i jesteś gotowy, aby dodać swoje ziarno piasku do góry wiedzy