Data Science (с англ. «наука о данных») — одно из больших направлений в IT. Это наука о методах анализа данных и извлечения из них ценной информации, знаний. Для того чтобы стать специалистом по анализу данных, желательно иметь степень бакалавра, владеть языками программирования, методами машинного обучения и анализа данных.
За время массового распространения технологий человек нагенерировал огромное количество данных: поведении в интернете, предпочтения в магазинах, изменения в ландшафте, климатические процессы и т.д. Все это большие данные, Big Data.
Используя анализ Big Data, производители заранее узнают, какие продукты будут хорошо продаваться. Телекоммуникационные компании предсказывают, захочет ли клиент сменить оператора и когда это произойдёт. Страховые компании оценивают, насколько безопасно их клиенты управляют автомобилем. Анализ Big Data позволяет лучше понимать и прогнозировать эпидемии болезней и находить самые эффективные способы лечения.
Аналитики нужны и в крупных компаниях для анализа поведения пользователей, и в малом бизнесе для исследования рынка и составления краткосрочных прогнозов.
Data Analyst
Проводит описательный (дескриптивный) анализ данных, интерпретирует их и представляет отчет заинтересованным лицам. При этом аналитик должен отлично знать сферу бизнеса, которую он анализирует: нефтяную или газовую отрасль, торговля детским питанием и т. д. И понимать особенности ведения бизнеса той компании, где работает.
Data Scientist
Универсальный игрок, который может делать то, что делает аналитик данных. Плюс он владеет навыком интеллектуальной обработки данных. А также Data Scientist имеет какое-то особенное умение или особо узкую специализацию.
В статье рассмотрены общие представления о профессиях. В реальной жизни у аналитика может быть больше навыков. Или, к примеру, Data Scientist иногда не обладает узкой специализацией.
Machine learning engineer
Специалист по Machine Learning, или ML-инженер анализирует большие объёмы информации, создаёт модели для прогнозирования в бизнесе, медицине, промышленности. Задача ML-инженера — обучать нейросети, проектировать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения.
Если Data Scientist работает над моделированием и сосредотачивается на тонкостях алгоритмов, то Machine Learning Engineer чаще развертывает те же модели в производственной среде. Или же ML-инженер работает над автоматизацией процесса обучения, мониторинга, сбора признаков.
Примеры использования машинного обучения в повседневной жизни:
- Промышленность: для оптимизации производственных процессов, предсказания отказов оборудования и улучшения качества продукции.
- Автономные транспортные средства: для анализа окружающей среды и принятия решения на основе данных с датчиков.
- Анализ финансовых данных: для прогнозирования рыночных трендов, определения мошеннических транзакций, оценки платежеспособности клиентов и т.д.
- Здравоохранение: диагностика заболеваний на основе медицинских изображений или даже данных о голосе.
Ситуация на рынке труда играет на руку ML-инженерам. Из-за бума интереса к искусственному интеллекту спрос на специалистов стабильно растет. Экспертов с многолетним опытом в машинном обучении попросту нет. Даже профильные программы начали появляться в вузах совсем недавно. Это открывает большие возможности для junior-разработчиков и обещает рост зарплат в отрасли.
Зарплата аналитиков:
Junior свыше 70 тыс. руб.,
Middle от 100 тыс. руб.,
Senior от 150 – 200 тыс. руб.
Зарплата ML-инженера: от 250 тыс. руб.
Обучение специальности после технического ВУЗа займет 1-2 года.
Подписывайтесь и поддержите лайком, если тема близка. Пожалуйста делитесь своим опытом и мнениями в комментариях. Продолжение следует...
Основные направления Digital специальностей (4 часть): программирование