Привет) Стать специалистом по Data Scientist помогают курсы по программированию. Если полностью с нуля обучаться, то отлично подойдёт курс в "Яндекс.Практикум". Скилбокс или Гикбрейнс примерно за ту же стоимость не предлагают обучения для новичков и на старте будет мега-сложно. Ещё одним преимуществом является "песочница", где можно обучаться и получать дополнительные скиллы по теме. В "Яндекс.Практикум" идёт бесплатная подготовка. Она там рассчитана примерно на 20 часов, но по факту займёт около 100 часов+конспекты и шпаргалки по вводным частям с объяснениями можно будет распечатать потом.
Но кроме курсов следует самостоятельно изучать тему DS и машинного обучения в целом. Возьми на вооружение IT-блоги в Ютубе и просматривай уроки. В рамках обучения изучишь Python и библиотеки, начиная от Pandas и Numpy и заканчивая теми что дял машинного обучения и компьютерного зрения.
За этим будущее, поэтому всё же советую попробовать, а отсталые дисциплины вроде информатики в ВУЗе или школе с Паскалем пора забыть
Есть в вышке мага ВШЭ ФКН
- поиску данных,
- извлечению данных,
- подготовке данных,
- организации правильного хранения данных,
- анализу данных,
- построению моделей прогнозирования.
- data engineer (инженер данных). Поиск, извлечение, подготовка, организация правильного хранения данных.
- data scientist, data analyst. Анализ данных
- machine learner. Построение моделей машинного и глубогоко обучения.
Есть три больших подраздела в DS - это Data-инженеры, ML-инженеры и MLDevOps.
Задача первого - организовать сбор, хранение и безопасность данных.
Задача второго - создать хорошие предсказательные модели, основываясь на данных
Задача третьего - организовать интеграцию разработок первых двух и некоторое взаимодействие с заказчиком, включая поставку продукта.
Если хотя бы две из этих задач посильны специалисту - он обычно начинается называть себя DataScientist-ом, хотя по-хорошему надо иметь все три компетенции.
-------------------------------------------------------------------------------
Датасаентист — это специалист, который строит на основе различных данных модели, помогающие принимать решения в науке, бизнесе и повседневной жизни. Сфер применения миллион: от выявления элементарных частиц в экспериментах на БАК, анализа метеорологических факторов, анализа данных о перемещениях автотранспорта до исследования финансовых операций, поисковых запросов, поведения пользователей в Интернете.
Этапы работы датасаентистов отлично отражены на картинке:
Результат труда датасаентиста — модель, код, написанный на основе анализа. В этом главное отличие между датасаентистом и аналитиком данных. Первый это инженер, который решает задачу бизнеса как техническую. Второй — бизнес-аналитик, больше погруженный в бизнес-составляющую задачи, он изучает потребности, анализирует данные, тестирует гипотезы и визуализирует результат.
Больше про специалиста в области Data Science рассказали мои коллеги из Яндекс.Практикума в своей статье для Академии Яндекса.
- Владеющий глубокими заниями теории вероятности (ТВ) и математической статистики (МС)
- Владеющий знаниями в области машинного обучения, обучения нейронных сетей
- Имеющий большой опыт программирования на Python и С++ (другие языки тоже используются на гораздо в большей
- Специалист, способный дать оценку по данным, выдвинуть и опровергнуть статистическую гипотезу
- Инженер, обладающий должной математической базой (прошедший курс высшей математики и, особенно важна, Линейная алгебра)