можно ли работать data science удаленно
«А если я не знаю математику, я безнадёжен?» — специалисты отвечают на частые вопросы о профессиях в Data Science
Интерес к Data Science продолжает расти, рынку нужны хорошие специалисты. Но порог входа в профессию довольно высок, новичков часто останавливают мифы и стереотипы о сфере — «долго, сложно, без физмат-образования лучше не соваться». Собрали самые частые вопросы и опасения тех, кто начинает карьеру в Data Science и попросили специалистов на них ответить.
Data Scientist
Какая нужна математика? Если нет матбазы, я безнадёжен?
Аналитик-разработчик в Яндексе и преподаватель курса «Python для анализа данных»
Вопрос про математику неоднозначный. Глубокое знание математики не является ни необходимым, ни достаточным условием. Конечно, тому, кто её знает, будет легче. Но все необходимые знания даются либо на занятиях, либо в дополнительных материалах.
Здесь как в спорте. Есть люди, которые могут без подготовки пробежать марафон. Остальным будет тяжелее, но при достаточной подготовке и они пробегут. Математическая база — это круто, но не критически необходимо.
Продуктовый аналитик Skyeng, консультант курсов аналитики Нетологии
Кажется, что сейчас глубокую математическую базу можно заменить умением гуглить. В интернете огромное количество видео и статей, где можно получить доступно изложенную информацию — и не нужно лезть в университетские учебники. Главное знать, что тебе нужно.
Сейчас важнее навык применять знания в реальной задаче, а не просто обладать ими.
Руководитель направления Data Science в Нетологии
Понятие «профильное техническое или математическое образование» уходит в прошлое. Уверенного в своих умениях и доменных знаниях специалиста из «гуманитарного» вуза не будут сравнивать с выпускником МФТИ по знанию математики — сравнивают по полезности бизнесу для решения задач.
Уже известны десятки рабочих алгоритмов и библиотек, которые способны всю математическую часть брать на себя без участия человека.
Хорошо, а с каким бэкграундом проще войти в сферу Data Science? Очевидно, это математика, а что ещё поможет?
Аналитик-разработчик в Яндексе и преподаватель курса «Python для анализа данных»
Конечно, проще всего входить в сферу Data Science тем людям, у которых есть опыт обучения или работы по технической специальности.
Хотя разделение на «технарей» и «гуманитариев» очень условно, для Data Scientist нужна математика не 8 класса, а повыше. Можно изучить всё самому, но если человек окончил технический вуз — скорее всего, у него уже есть необходимая база. Тем, у кого есть опыт программирования и понимание алгоритмов — также будет проще. Если человеку очень тяжело дается Python, ему придется сложнее — ведь дальше начнут рассказывать про теорию вероятности, потом про нейронные сети.
Опыт обучения на физтехе или работы на инженерных специальностях значительно упрощает освоение Data Science. Однако нужно помнить, что есть еще огромное количество около-Data Science специализаций, в которые можно прийти без глубоких знаний математики. Не обязательно быть именно Data Scientist’ом, с хорошим пониманием бизнеса можно стать отличным BI-аналитиком.
А кто всё же предпочтительнее для работодателя: человек со знанием Python и бэкграундом разработчика или выпускник с сильной математикой?
Руководитель разработки в ДомКлик, Data Scientist, преподаватель курсов по машинному обучению Нетологии
Всё зависит от задачи. Это действительно сложный выбор, готового рецепта нет. Я бы взял разработчика — для задач моей компании такой профиль ближе.
Аналитик-разработчик в Яндексе и преподаватель курса «Python для анализа данных»
А у нас аналитики — больше математики. Но в целом всё действительно зависит от задачи. Если у работодателя высоконагруженный банковский сервис, то ему скорее нужен разработчик, который быстро закроет большое количество технических задач и чем-то поможет с Data Science и моделями. Если у компании проект, который уже настроен и слаженно работает, то для его поддержки могут подойти младшие сотрудники.
Стоит ли Kaggle рассматривать как подспорье для входа в Data Science? Смотрят ли работодатели на Kaggle-мастеров?
Аналитик-разработчик в Яндексе и преподаватель курса «Python для анализа данных»
Конечно! Высокие места на Kaggle — это отличный проект в портфолио. Иногда платформу критикуют за «идеализированные» условия. Конечно, никакой вины платформы в этом нет. Обычно, когда дата сайентисту или аналитику ставят задачу, она начинается не с построения крутых моделей, а с менеджерской работы, подготовки данных и инструментов. Где взять нужные данные? Чем все это обработать? Какие в данных неочевидные проблемы? Этой части на Kaggle обычно нет.
Когда сделали модель, наступает еще один этап — внедрение. Помимо того, что система должна работать в проде, нужно доказать ее ценность для бизнеса, научить коллег ей пользоваться и, возможно, «продать» заказчику.
Поэтому иногда сотрудник строит крутые модели, но в реальных условиях испытывает трудности с первой и третьей частью работы. Если же человек имеет хорошие коммуникативные навыки, у него отличные способности к программированию и вдобавок строит точные модели — цены ему нет. В Kaggle вы отточите построение моделей, но вам потребуется много прикладных навыков, чтобы применить это в реальных проектах.
Продуктовый аналитик 📈
с нуля до PRO
Какие компетенции, кроме технических, нужны начинающему специалисту, чтобы работодатель его заметил среди общего потока?
Руководитель разработки в ДомКлик, Data Scientist, преподаватель курсов по машинному обучению Нетологии
Всё очень сильно зависит от задач и от профиля компании. Если это стартап на 5 человек, то может пригодиться аналитик, который умеет заниматься кадрами — просто потому, что у стартапа на кадры людей нет. Если же это большая, серьезная, крупная компания с проектами, которые длятся годами, в которых одни и те же люди делают одни и те же задачи, то понадобится узкий специалист, который знает только одно конкретное направление и больше ничего.
Отдельным плюсом идут софт скиллы по коммуникабельности, стрессоустойчивости, работоспособности, умении разобраться в прикладной области.
Полезно, когда специалист имеет навыки работы с бизнесом, — тогда ему проще понять запросы и задачи компании, он может погрузиться в проблему и предложить какое-то альтернативное решение.
Кроме того, сейчас на рынке огромный дефицит специалистов с навыками, смежными с Data Science. Например, мы очень долго искали себе Product Owner с пониманием Data Science, чтобы он мог создавать продукты, которые бы базировались на искусственном интеллекте.
Как ориентироваться в вакансиях и не бояться, если указаны новые для тебя инструменты? Что нужно, чтобы пойти и начать работать в профессии?
Аналитик-разработчик в Яндексе и преподаватель курса «Python для анализа данных»
Совет банальный — ходить на собеседования. Часто написанное в вакансии отличается от реальных запросов работодателя. Собеседование дает возможность узнать над каким проектом планируется работа, какими инструментами надо будет пользоваться и с какими людьми работать. Мой совет — воспринимать текст вакансии как ориентир, а не истину в конечной инстанции.
Адекватные работодатели понимают, что если ты работал с Google Cloud, а у них используется Azure, то это не проблема — специалист быстро переучится. Есть гораздо более важные вещи: чем конкретно придется заниматься, как устроены процессы в команде — это можно выяснить только на личной встрече. В вакансиях такие подробности не указывают.
Правда ли, что на рынке Data Science нет удалённой работы?
Руководитель направления Data Science в Нетологии
Удалённая работа на подобных позициях в крупных ИТ-компаниях — это действительно скорее исключение. Тем не менее, немало зарубежных компаний с российскими представительствами готовы ради экономии на зарплатах и релокации на удаленный формат при выполнении поставленных задач.
Удаленных сотрудников также часто ищут стартапы — если принципиальна именно удаленка, стоит поискать такие вакансии.
В целом считаю, что работа в офисе для аналитиков и Data Scientist предпочтительнее — не работая в офисе, вы лишаете себя возможности учиться у коллег прямо на рабочем месте, общаться с командой, оперативно решать возникающие вопросы (ну и пользоваться преимуществами хорошего офиса: спортзалом, обедами, сменой обстановки).
А что, если я в 40 лет стану джуниор-сайентистом? Какие у меня перспективы? Куда мне и как двигаться?
Аналитик-разработчик в Яндексе и преподаватель курса «Python для анализа данных»
У нас были ребята, которые после 30 переходили с промышленных профессий в разработчики: получалось, что в отделе все на 5-8 лет младше — но это мелочи.
Конечно, если человек перейдет в Data Science в 65 лет — то да, наверно, ему будет тяжеловато. А так существует огромное количество кейсов, когда люди переходили в Data Science из совсем отдалённых областей, например, медицины, в возрасте 30-40 лет.
Ещё важный момент — при переходе в новую сферу надо быть готовым к понижению зарплаты. Если у специалиста семья и трое детей, то будет напряжно. Вообще, положительных примеров очень много, а уровень зарплаты растёт параллельно новому опыту.
Руководитель направления Data Science в Нетологии
При переходе в Data Science во взрослом возрасте крайне важен настрой и готовность поступиться какими-то своими наработанными принципами и принять правила игры, которые предусмотрены в этой среде. У нас недавно выпустился с отличием студент с тремя детьми: он на время обучения взял отпуск по уходу, а жена в этот период работала. Он очень хочет быть дата-сайентистом, очень талантливый выпускник, и его мотивация сильнее окружающих обстоятельств.
Как начинающему специалисту отвечать на вопросы о зарплате на собеседовании? Как себя оценить?
Продуктовый аналитик Skyeng, консультант курсов аналитики Нетологии
Для любого человека вопрос о зарплате на собеседовании — это стрессовый вопрос. Считаю, пытаться как-то шутить на эту тему или увиливать — рискованно. Лучше всего перед беседой провести мини-исследование, выгрузить вакансии, где указана вилка: верхний порог, нижний порог. Понять сколько вам, условно, нужно денег для жизни, затем еще раз просмотреть зарплатные вилки на уровне джуна — и назвать ту сумму, которая в них впишется, но не будет ниже вашего прожиточного уровня.
Хотите написать колонку для Нетологии? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.
Data Scientist – кто это такой, достоинства и недостатки профессии и сколько можно заработать
Приветствую вас, уважаемые посетители блога!
Более 85 % данных, которые существуют на сегодняшний день, образовались только за последние 2–3 года. И ежегодно их количество увеличивается почти в 2 раза.
Важно их собирать, анализировать и использовать для решения бизнес-задач. Что и делают интернет-магазины, банки, страховые компании, медицинские учреждения и множества других предприятий. Они нанимают специалистов, которые работают с большими массивами различных данных.
В статье поговорим о профессии Data Scientist: кто это, что он делает, что должен знать, сколько зарабатывает и как им стать.
Data Scientist: кто это и что он делает
В переводе с английского Data Scientist – это специалист по данным. Он работает с Big Data или большими массивами данных.
Data Scientist – это человек, который собирает, обрабатывает, анализирует и изучает данные.
Источники этих сведений зависят от сферы деятельности. Например, в промышленности ими могут быть датчики или измерительные приборы, которые показывают температуру, давление и т. д. В интернет-среде – запросы пользователей, время, проведенное на определенном сайте, количество кликов на иконку с товаром и т. п.
Данные могут быть любыми: как текстовыми документами и таблицами, так и аудио и видеороликами.
От области деятельности зависят и результаты работы Data Scientist. После извлечения нужной информации специалист устанавливает закономерности, подвергает их анализу, делает прогнозы и принимает бизнес-решения.
Человек этой профессии выполняет следующие задачи: оценивает эффективность и работоспособность предприятия, предлагает стратегию и инструменты для улучшения, показывает пути для развития, автоматизирует нудные задачи, помогает сэкономить на расходах и увеличить доход.
Его труд заканчивается созданием модели кода программы, сформировавшейся на основе работы с данными, которая предсказывает самый вероятный результат.
Профессия появилась относительно недавно. Лишь десятилетие назад она была официально зафиксирована. Но уже за такой короткий промежуток времени стала актуальной и очень перспективной.
Каждый год количество информации и данных увеличивается с геометрической прогрессией. В связи с этим информационные массивы уже не получается обрабатывать старыми стандартными средствами статистики. К тому же сведения быстро обновляются и собираются в неоднородном виде, что затрудняет их обработку и анализ.
Вот тут на сцене и появляется Data Scientist. Он является междисциплинарным специалистом, у которого есть знания статистики, системного и бизнес-анализа, математики, экономики и компьютерных систем.
Знать все на уровне профессора не обязательно, а достаточно лишь немного понимать суть этих дисциплин. К тому же в крупных компаниях работают группы таких специалистов, каждый из которых лучше других разбирается в своей области.
Эти знания помогают ему выполнять свои должностные обязанности:
Четких границ требований к Data Scientist нет, поэтому работодатели часто ищут сказочное создание, которое может все и на превосходном уровне. Да, есть люди, которые отлично понимают статистику, математику, аналитику, машинное обучение, экономику, программирование. Но таких специалистов крайне мало.
Еще часто Data Scientist путают с аналитиком. Но их задачи несколько разные. Поясню, что такое аналитика и как она отличается от деятельности Data Scientist, на примере и простыми словами.
В банк пришел клиент, чтобы оформить кредит. Программа начинает обрабатывать данные этого человека, выясняет его кредитную историю и анализирует платежеспособность заемщика. А алгоритм, который решает выдавать кредит или нет, – продукт работы Data Scientist.
Аналитик же, который работает в этом банке, не интересуется отдельными клиентами и не создает технические коды и программы. Вместо этого он собирает и изучает сведения обо всех кредитах, что выдал банк за определенный период, например, квартал. И на основе этой статистики решает, увеличить ли объемы выдачи кредитов или, наоборот, сократить.
Аналитик предлагает действия для решения задачи, а Data Scientist создает инструменты.
Программы для прогноза повышения и понижения курса валют, выгодности покупки и продажи акций, предугадывания спроса потребителей, сервисы распознавания лиц и голоса, даже алгоритмы подбора рекомендаций друзей и музыки в социальных сетях – это продукт работы специалиста по данным.
Требования к специалисту
Специалист по данным неразрывно связан с Data Science – наукой о данных. Она находится на пересечении нескольких направлений: математики, статистики, информатики и экономики. Следовательно, специалисты должны понимать и интересоваться каждой из этих наук.
Кроме этого, Data Scientist должен знать:
Помимо того, что специалист по данным должен обладать аналитическим и математическим складом ума, он также должен быть:
Хочу отметить, что гуманитариям достичь высот в этой профессии будет крайне тяжело. Только при большом желании можно пробовать осваивать данную стезю.
Достоинства и недостатки профессии
Сколько получает Data Scientist
Эта должность высоко оплачивается. Даже для новичков в этой сфере заработная плата может доходить до 70 000 руб. Data Scientist, который работает на своем месте более 3 лет, вполне реально может зарабатывать от 200 000 руб. и больше.
Уровень дохода зависит от навыков, опыта работы, объема задач и функций, выполняемых специалистом. Если же говорить о средних цифрах по России, то они колеблются в районе 50 000–200 000 руб.
В Москве зарплаты Data Scientist начинаются от 60 000 руб. Можно найти вакансии с заработной платой 500 000 руб.
В Санкт-Петербурге цифры скромнее: от 50 до 300 тыс. руб.
В регионах заработная плата находится на уровне 50 000–200 000 руб., но иногда попадаются предложения с оплатой в 300 000–400 000 руб.
Как им стать
Учеба обязательна для этой профессии. Причем учиться надо много, долго и основательно. Для начала надо освоить азы математики, статистики и информатики, а дальше изучить языки программирования, лучше начать с Python.
На блоге iklife.ru собраны лучшие курсы по Python для начинающих и опытных программистов, которые будут полезны при освоении должности Data Scientist.
Также рекомендую вам прочитать следующие книги:
Куда пойти учиться
Лучшее обучение – это онлайн-обучение. Платформы Skillbox, Нетология, GeekBrains, SkillFactory, ProductStar и Stepik предлагают свои обучающие программы:
Уточню, что на этом учеба не должна заканчиваться. Data Scientist – это такая профессия, которая предполагает непрерывное обучение. Даже если вы уже работаете, периодически повышать свой уровень надо обязательно. К тому же выбор достаточно широк – это и онлайн-курсы, и тренинги, и конференции.
Где найти работу
Сложно сказать, где именно искать работу по этой профессии. Не из-за того, что мало мест, а, наоборот, потому что нет такой сферы бизнеса, где нельзя было бы применить талант этого специалиста. Ему доступна как работа в офисе, так и удаленно на дому.
Он востребован в таких областях деятельности как:
Как я уже говорила, Data Scientist нужен во многих сферах, где необходимы прогнозы, анализ рисков и поведения клиентов. Поэтому список можно дополнить.
Перед откликом на вакансию надо подготовить резюме. В нем сосредоточиться в первую очередь нужно на математических и IT-навыках, опыте работе, успешных проектах и достижениях. Описание должно получиться кратким, лаконичным и простым. Специалисту надо прикрепить портфолио к резюме.
Учтите, что вакансии на эту должность не всегда называются именно “Data Scientist”. Работодатели могут написать, что требуется IT-аналитик, специалист по анализу систем, аналитик Big Data.
Заключение
Сейчас вы уже знаете о должности Data Scientist: что это за профессия, какие обязанности у специалиста, плюсы и минусы деятельности, где можно выучиться и найти работу.
Это сложная профессия кем работать» rel=»dofollow»>профессия и подойдет она далеко не всем. Но те, кто все же заинтересуется, должны знать, как отзываются об этой работе действующие специалисты:
Как я сменил профессию с помощью онлайн-курсов
За полтора года и 163 000 ₽
Я был менеджером по продажам, а стал аналитиком данных в банке.
Я из Беларуси. В 2011 году я окончил там университет по специальности «внешнеторговая деятельность», а потом работал в сфере продаж. В 2013 году переехал в Москву и устроился в компанию, которая занималась полимерами и полимерной упаковкой. Зарабатывал в среднем 160 000 Р в месяц.
Но в 2018 году я понял, что устал от бесконечных переговоров с клиентами, встреч и командировок. Я тратил на них много энергии, сил и времени. К тому же я достиг потолка в своей компании: все руководители были молодыми и не собирались освобождать места. А оставаться менеджером по продажам, пусть и очень ценным, я не хотел. Я решил кардинально сменить профессию, захотел работать с отчетами, цифрами и разными данными: мне это больше нравилось.
Как я выбирал направление
Почему я отмел разработку. Если коротко, то веб- и гейм-разработка — это создание сайтов, приложений и игр. Для них нужны разные языки программирования, а я их не изучал. Плюс я прочитал, что требования работодателей постоянно меняются. Например, для веб-разработки можно долго изучать одну библиотеку JavaScript, а через полгода в вакансиях потребуется другая. Или вообще какой-нибудь другой язык, например Go вместо JavaScript.
Еще в гейм-разработке меня смутило то, что в вакансиях много требований даже для новичков. И без профильного высшего образования эти знания получить трудно.
Что такое аналитика. Аналитики исследуют разные данные, фильтруют их и прогнозируют. А компании смотрят на этот анализ и решают, как им дальше развиваться и какие новые продукты создавать.
Меня интересовали два направления аналитики — дата-сайенс и бизнес-аналитика, то есть BI. Дата-аналитики работают с данными, которые помогают развивать бизнес компании. Например, анализируют транзакции клиентов в банке. Потом банк формирует для этих клиентов заманчивые предложения.
Бизнес-аналитики анализируют структуру организации и ее внутреннюю деятельность. Советуют, что улучшить, чтобы компания развивалась, и разрабатывают программы, которые ускоряют бизнес-процессы.
Я узнал подробности из статей на «Хабре». Еще внимательно изучил вакансии в телеграм-каналах «Работа ищет аналитиков // Вакансии» и «Python для анализа данных».
Чтобы заняться аналитикой с нуля, нужно хорошо разбираться в математике и статистике. А я забыл их со времен университета. Зато из языков программирования нужны были только Python и SQL. Я стал читать о них, нашел примеры кода — языки показались мне простыми и доступными. К тому же в интернете по ним было много курсов и обучающих сайтов. В общем, я выбрал дата-аналитику и решил подтянуть математику и статистику.
Почему я выбрал онлайн-обучение
Чтобы устроиться на работу, мне нужны были сертификаты, которые подтвердят мои знания. Я мог читать статьи о программировании и смотреть ролики на «Ютубе», но за это не дают сертификатов. Можно получить их в вузах — там бывает очная магистратура по компьютерным наукам и анализу данных. А можно пройти онлайн-курсы. Я выбрал второй вариант, и вот почему.
стоил самый дорогой онлайн-курс по дата-аналитике
Проще бросить. Я допускал, что учеба может мне не понравиться, а курсы и магистратуру в вузах нужно оплачивать вперед. Я боялся, что будет сложно вернуть деньги, и рассуждал, что за курс потеряю меньше, чем за магистратуру. Забегая вперед, скажу, что я дважды возвращал деньги в процессе обучения, проблем с этим не было.
Легко совмещать с работой. Я хотел и дальше трудиться в продажах, а параллельно учиться. Планировал заниматься по вечерам, в выходные и праздники. Еще на работе у меня бывали «окна» в течение дня: в это время я собирался учиться, а если что, переключаться на срочные задачи. С офлайн-обучением такой график был бы невозможен.
Как проходит онлайн-обучение дата-аналитике
На всех платформах я выбирал отдельные курсы. Только на « Дата-кэмпе » оплатил сразу годовую подписку и мог проходить по ней любые курсы.
Кто преподавал. Курс в Высшей школе бизнеса вели преподаватели самой школы, а в «Яндекс-практикуме» — аналитики «Яндекса». На других платформах курсы создали преподаватели университетов, колледжей и бизнес-школ и сотрудники крупных успешных компаний. Например, я проходил на «Курсере» курсы Высшей школы экономики, «Гугла» и IBM. Все учебные заведения и компании, которые хотят выложить свой курс на «Курсеру», проходят специальную аккредитацию платформы.
А вот на русскоязычной платформе «Стэпик» курсы выкладывают и частные преподаватели. Думаю, их тоже как-то проверяют. Например, «Основы SQL» вел Никита Шультайс — программист и создатель собственной компании.
«Скиллбокс» сам набирает команду преподавателей. На курсе «Профессия Data Scientist: анализ данных» лекции читали сотрудники «Рамблера», « Профи-ру », Сбера и самого «Скиллбокса».
Формат занятий. Курсы включали в себя теорию в виде лекций — текстовых или в формате видео. И практику — тесты и домашние задания. Смотреть лекции и сдавать тесты я мог в любое время, хоть ночью. Главное — успевать все делать в пределах модуля. На «Яндекс-практикуме» модуль длился 2 недели, на остальных платформах — неделю.
За тесты мне начисляли баллы. Потом из них складывалась итоговая оценка. В основном тесты проверяли преподаватели, только на Data Science Professional Certificate на «Курсере» это делали такие же студенты, как и я. Мне это не понравилось. На курсе «Яндекс-практикума» был удобный тренажер: слева находилось задание, а справа — поле для моего кода. Я видел результат, когда нажимал кнопку «Проверить».
Качество. Некоторые курсы были очень качественно сделанными, с хорошим планом занятий и интересными практическими заданиями. Например, на «Курсере» мне понравился курс «Основы программирования на Python». Другие курсы были непродуманными: они не казались цельными, потому что из раза в раз менялся формат лекций. Таким был курс «Профессия Data Scientist: анализ данных» на «Скиллбоксе».
Невозможно было заранее узнать, пригодится ли курс именно мне. Я подбирал свою программу обучения методом проб и ошибок. Дважды возвращал деньги: в первый раз — за курс по бизнес-аналитике в Высшей школе бизнес-информатики, во второй — за тот самый курс «Профессия Data Scientist: анализ данных» на «Скиллбоксе». Чтобы вернуть деньги, я просто писал или звонил в поддержку и объяснял, что мне не понравилось.
Сертификаты. Если я проходил обучение до конца, то получал электронный сертификат. В нем было мое имя, название курса и итоговая оценка. Потом я прикрепил все сертификаты к резюме.
Дальше расскажу, какие курсы я проходил и что мне в них понравилось или разочаровало. Я выбирал их хаотично — просто изучал программы и смотрел, что может оказаться самым полезным. А как двигаться дальше, думал уже в процессе. Так что буду рассказывать просто по хронологии.
я потратил на онлайн-курсы
Я оценю полезность каждого курса по шкале от 1 до 10 баллов, где 1 — совсем бесполезно, а 10 — очень полезно, интересно и применимо в новой работе.
Организатор: IBM — американский производитель программного обеспечения.
cтоит курс по дата-сайенс от IBM
Что я получил: на курсе интересно рассказали про азы языков Python и SQL.
Минусы: многие модули были поверхностными. Например, на модуле по машинному обучению нас просто знакомили с темой, но не раскрывали ее до конца. Быстро переходили от теории к примерам программного кода, но не описывали его полностью, а предлагали скопировать готовые части в окошко ответа и посмотреть результат. Я не всегда понимал, как все работает и почему код именно такой.
Проверяли задания такие же студенты, как и я. Например, я каждый раз проверял минимум два задания двух других учеников. Было бы лучше, если бы это делали преподаватели и давали обратную связь.
Полезность: 5 из 10. Для новичка курс хороший, но для работы знаний бы не хватило. Я глубже изучил Python и SQL на других курсах. Так что считаю, что мог бы без него обойтись.
Длительность: 9 занятий, я проходил их 1,5 недели в марте 2019 года.
Что я получил: повторил все, что изучал в вузе по статистике, и вспомнил базовые термины. Потом мне было легче на других курсах.
Минусы: ответы на некоторые тесты можно было просто угадать. Я бы усложнил варианты вопросов и ответов.
Полезность: 9 из 10. Курс подойдет и новичкам, и тем, кто уже изучал статистику, но забыл. Я сравнивал темы из курса с главами учебника по статистике — во многом они совпали. Но смотреть лекции и решать практические задачи по курсу интереснее, чем читать учебник.
Организатор и лектор: Анна Зубаха — преподаватель Московского физико-технического института.
Длительность: 25 часов, я прошел их за 2 недели в марте — апреле 2019 года.
Что я получил: освежил школьные знания по математике, потренировал мозг и развил аналитическое мышление. Вот зачем это было нужно: задачи на курсах по программированию сначала решают математически, то есть без математики невозможно программировать. Все, что дал мне этот курс, пригодилось и в следующем — по математическому анализу.
Организатор и лектор: Александр Храбров — кандидат физико-математических наук, преподаватель ВШЭ и СПбГУ.
Длительность: 26 часов, я прошел за 3 недели в марте — апреле 2020 года.
Что я получил: вспомнил азы матанализа и прорешал много интересных и сложных задач. Часть из них потом встретил в курсе по основам программирования на Python — мне было легче их решать.
Минусы: курс состоял из коротких видеолекций. На каждой разбирали тему и пару примеров, а потом предлагали самим решить несколько задач. Но они были сложнее, поэтому мне часто казалось, что я тупой или невнимательно слушал лекции. К тому же сами задачи потом не разбирали. Слушатели оставляли комментарии под окном с задачей, но преподаватель подолгу не отвечал, а иногда просто игнорировал вопросы.
Полезность: 5 из 10. В работе матанализ оказался вообще не нужен.
Длительность: 9 недель. Я занимался в мае — июне 2019 года, но застопорился на седьмой неделе и не стал проходить дальше.
стоил курс по Python от ВШЭ
Что я получил: курс был очень сложным, но интересным. Я потренировался решать задачи математически, а потом писать алгоритм решения кодом на Python. Так я понял, что мне нужно еще больше знаний по математике и алгоритмам.
Минусы: многие задачи были такими сложными, что пригодилась бы помощь преподавателя, а ее не было. Пришлось самому копаться в интернете и искать решения. Еще у нас был форум студентов. Там мы обсуждали задачи, а иногда нам отвечали администраторы курса. Но это все равно не то.
На курсе было слишком много высшей математики и теории вероятностей. И сложность заключалась не в написании кода, как я хотел, а в том, что я не умел решать олимпиадные задачи по математике.
Полезность: 8 из 10.
Организатор и лектор: Никита Шультайс — программист, основатель собственной компании по разработке Shultais Education.
Длительность: 32 часа, я прошел их за три недели в августе — сентябре 2019 года.
Что я получил: познакомился с реляционными базами данных — они состоят не из одной таблицы, а из многих, но данные в них связаны между собой. Плюс я узнал, как формировать запросы на языке SQL. Все это сейчас нужно мне для работы аналитиком.
Полезность: 9 из 10.
Организатор и лектор: программисты Александр Мяснов и Иван Савин.
Длительность: 13 часов, я прошел их за неделю в сентябре 2019 года.
Что я получил: основные моменты я уже знал из учебника Грабера и из курса по SQL. А здесь глубже вник в реляционные базы данных и понял, по какой логике делать запросы на языке SQL.
Минусы: темы были освещены поверхностно. Курс мог быть и шире, ведь больше всего мне были нужны знания по базам данных и SQL, но это невозможно преподать за 13 часов.
Полезность: 7 из 10. Мне понравилось, что многие задачи по SQL были прикладными. Например, нужно было рассчитать запасы товаров на складе интернет-магазина или проанализировать транзакции клиентов в банке.
Организатор: ВШБИ — это отдельный институт ВШЭ.
Длительность: 8 месяцев. Я занимался 2,5 месяца, в ноябре — декабре 2019 года, а потом бросил. Это единственный курс, где занятия проходили не онлайн, а в аудиториях по вечерам. Их сделали дистанционными, когда в 2020 году объявили пандемию коронавируса.
я заплатил за часть курса от ВШБИ
Что я получил: ничего.
Минусы: в курсе было много теории, но в этой сфере она быстро устаревает и почти не нужна, потому что практика важнее.
В курс впихнули все подряд: и бизнес-анализ производств, и анализ информационных систем и финансовой структуры предприятия, и вопросы менеджмента. Получилось обо всем и ни о чем конкретно.
Было много кейсов из сфер, которые не связаны с аналитикой. Например, нам рассказывали про работу какой-то фотостудии в Москве и про логистику цветочного магазина. Эти знания были мне не нужны: я хотел заниматься только аналитикой. Я так и не понял, каких специалистов планировали выпустить после окончания курса.
Полезность: 3 из 10 — исключительно за громкое название, красивую историю на дне открытых дверей и удобное расписание занятий. Я учился 2 будних дня по вечерам и почти весь день в субботу.
Длительность: 9 месяцев, но я бросил через 2 недели в январе 2020 года.
Что я получил: ничего.
Минусы: курс состоял из записей скучных вебинаров. Преподаватель монотонно что-то рассказывал и одновременно писал примеры кода в командной строке, которая отображалась на экране.
Когда я сделал первое домашнее задание, в оценке неизвестный проверяющий написал: «Все ок». Хотя я сам знал, что задачу можно было решить лучше. Такая обратная связь меня не устраивала.
Когда я позвонил по поводу возврата денег, менеджер признала, что курс действительно сырой.
Полезность: 2 из 10.
Преподаватели: аналитики «Яндекса».
Длительность обучения: 6 месяцев, январь — июль 2020 года.
cтоит курс по дата-аналитике в «Яндекс-практикуме»
Минусы: все модули стартовали ровно раз в 2 недели, утром в понедельник. И если я заканчивал модуль раньше, не мог сразу начать другой.
Еще в работе мне пока не пригодились две дисциплины — автоматизация рутинных задач и машинное обучение.
Полезность: 10 из 10. Материал был логично структурирован, его отлично подавали. Вместо невнятных видеолекций предлагали занимательный, юморной, интерактивный текст. А все примеры были живые и понятные — из работы сервисов и продуктов «Яндекса».
На курсе было много обратной связи от преподавателей — мы общались с ними в «Слаке» в неформальной дружеской атмосфере. В конце каждого модуля делали проекты и получали развернутые комментарии. А однажды я захотел напрямую связаться с преподавателем и задать ему дополнительные вопросы. Он ответил быстро, четко и развернуто.
Мне тяжело давались только модули по машинному обучению. Они оказались объемными, отнимали много времени, на них нужно было хорошо концентрироваться. Но я всегда мог попросить помощи у преподавателя и в итоге ни разу не захотел бросить курс.
Длительность: подписка была на год, но я занимался только в феврале — апреле 2020 года.
Что я получил: научился понимать и решать задачи на английском. Прошел около 10 курсов по Python, SQL и Excel начального и среднего уровня. И по специфическим библиотекам для анализа данных: например, в Pandas много удобных функций для аналитики, а в Matplotlib и Seaborn — для визуализации данных. Я познакомился с ними на курсе «Яндекс-практикума», а здесь повторил и закрепил знания.
Минусы: курсы короткие, есть даже всего по 10 часов. Поэтому сначала мне казалось, что они недостаточно информативные. Чтобы глубоко понять какую-то тему в комплексе, нужно пройти десяток курсов.
Полезность: 10 из 10.
За 1,5 года я потратил на онлайн-курсы 163 108 Р
Как я нашел работу
В конце зимы — начале весны 2020 года я составил резюме на «Хедхантере», описал свои навыки и приложил сертификаты. Откликался на вакансии, где полностью подходил по требованиям или где чувствовал, что потом освою навыки.
Об опыте нигде не расспрашивали, но уточняли, знаю ли я тот или иной инструмент. Иногда присылали на почту тестовые задания по SQL или Python. А вот сертификаты даже не смотрели. Только иногда интересовались, каково было учиться в «Яндекс-практикуме» и « Дата-кэмпе ».
Как освоить новую профессию онлайн
Сказки. Джун с нулевым опытом устроился в банк на 160. Реклама Яндекса?
Шевалье, плюс в банках часто бывают скучные проекты с устаревшим стеком. Приходится заманивать ЗП выше рынка.
По крайней мере в двух крупнейших госбанках ситуация примерно такая
Александра, да-да. Отвратительное легаси, причем с технологиями на уровне года так 2011. А ещё куча вендорных решений и сборник всех бэд практикс. И обмазывание предметными знаниями. Как бы туда приходишь с посылом, что будешь только деградировать технически. Поэтому разумно, что денег там платят больше.
Ещё и цирк абсурда с служебками.
Шевалье, распишусь под каждым словом. Пробовал работать в банке (я джава бэкендер) и почти сразу ушёл несмотря на очень хорошие условия по ЗП.
Шевалье, что за служебки, вы их пару раз упоминаете аж)
Ренат, ну вот приходите, например, на новую работу погромистом. В норм компании вам за день накинут доступы, и через пару дней вы уже клонируете проекты, копаетесь, готовитесь к первым задачам онбординга.
В банке же вам потребуется запустить всякие служебки на доступ в жиру, гитлаб и.т.д. сетевые доступы также нужно будет запросить отдельно. Каждая служебка будет согласовываться с каждой десятком людей. Авось через полмесяца начнете работать.
Потом в процессе работы захотите новую либу взять или еще чего, запускай служебку, на все служебку, больше служебок! Ну так не только в банках, еще во всяких компаниях сотовой связи большой тройки. И в других гигантах корпоративных. Ужас короче, требуйте денег за вредность при работе в большой компании.
Шевалье, работал в сбере, в бэк офисе, все именно так: чтобы получить доступ кидаешь заявку, и ждешь, ждать можно долго а по итогу узнать что составилн неправильно и заново ее создавать, падает твоя заявка на кучу согласовывающих, это прям дико бесит бюрократия одним словом
Ренат, устраиваетесь в контору, а работать фактически начинаете через месяц)) если интересно, на Хабре есть статья «Как я год не работал в Сбере».
Александра, читал ее)))
Александра, я скажу так не только в банках, но и в окологос учреждениях)
Александра, от направления зависит) работаю в одном из указанных Вами банков, касательно DS все очень даже современно )
Антон, тогда это более похоже на правду + вы действительно хороший продажник)))
хлопушко, а 160 сейчас деньги? особенно учитывая специфику работы, и клиентов, ему там за вредность платят 140 из 160
Если все так, то автор очень целеустремленный, такой человек не пропадет, даже если 10 раз сменит профессию. Молодец.
Скилбокс деньги не вернул, сколько мы ни пытались разговаривать с их поддержкой. Оформили быстренько рассрочку через Тинькофф (тут они были оч оперативны), потом муж через через неделю решил отказаться. Узнали, что возвращают 30% от стоимости при условии, что пройдено 0-30 % курса. То есть даже если вы не начали курс, вернут только 30%. Когда мы офигели от такой политики, нам предложили перепродать личный кабинет другому пользователю по договорной цене как на базаре. До сих пор отходим от шока. Им главное продать, не связывайтесь с этой цыганщиной.
Iuliia, мне вернули, но у меня был не тот случай что «передумал», после оплаты оказалось что курс тупо не закончен. Немного наглости и шантажа — все до копейки пришло на счёт.
Апдейт: с тех пор я получила два оффера. Причем я оставляла не так много откликов. Сожмем кулачки и в путь!
Одно уточнение по статье. Бизнес аналитика и BI вообще разные вещи.
S., бывает удобно заплатить деньги за структурированную и чёткую программу обучения, в которой преподаватели делятся практическим опытом решения рабочих задач, а не плавать годами в просторах интернета, выуживая крупицы полезной и бессистемной информации. Так ведь можно долго плавать, пусть и бесплатно)
Red, предупреждение за токсичность
Респект автору. Работаю с тем же инструментарием + питон, но за 60-70к, а не 160к. Для региона может и нормально, но мне мало. Ваш пример заставляете меня походить по собесам, спасибо.
Тоже сменил профессию в 30 лет, правда ещё в 2013-м году. Мне правда было немного легче, т.к. по образованию я как раз программист, но учить все пришлось практически заново.
Учился тоже по онлайн-материалам, бесплатно, месяца 3-4. Потом нашёл удалённую работу фронтенд-разработчиком в мск на 30 тыщ(по тем временам почти 1к$, эх. )
С тех пор чередую офис и удаленку. На данный момент опять удаленка и опять в Москве. Зп 140, можно конечно получать больше, но здесь во первых коллектив хороший, во вторых ненапряжно, остаётся время на свой стартап.
Так что могу подтвердить, что после 30-ти все только начинается.
Сменили) прошёл почти тот же путь, что и автор, все курсы были бесплатными, степик топ
Руслан, а какие курсы можете посоветовать? Тоже задумался о смене деятельности.
Святослав, основы статистики, программирование на python, python.основы и применение, введение в data science и машинное обучение, машинное обучение (ОмГТУ), интерактивный тренажер sql, нейронные сети и компьютерное зрение (Samsung Research center)
Irina, рынок труда большой, он и выпускников Бауманки проглотит, и для остальных людей место найдётся. А если имеете год-два опыта работы, всем работодателям становится всё равно, какой вуз и по какой специальности вы оканчивали)
S., зачем ходить в школу, если достаточно открыть библиотеки?
Улавливаете аналогию?)
да знаю людей кто и программирование по курсам успешно освоил и щас работает в топовых компаний.
как герой статьи получится не у всех но он конечно молодец
Alex, таких большинство, в моем окружении))
Wegeograph, ну потому это окружение ваше 🙂
>В работе матанализ оказался вообще не нужен.
Интересно, по моему опыту в работе с данными еще как нужен.
>Мне много отказывали, ведь у меня не было опыта работы.
Всегда вопрос: что мешает сделать хотя бы небольшой пет проджект, чтобы получить преимущество на рынке найма? За время обучения/практики наверняка в голову приходят какие-то идеи — логично попробовать реализовать хотя бы одну из них. Такие проекты помогают дать фору даже кандидатам с опытом.
Оленька, если 1с, то пара онлайн курсов по 1С, потом во франч на годик, считай что продолжение обучения + практика на реальных клиентах, и потом туда где платят) Но во фране именно работать, а не коробки развозить. Ну и если мозг не заточен под алгоритмы, то программирование пустая трата времени. Знаю людей которые несколько лет потратили чтобы стать программистами, но у них не вышло
zea, я не автор, но аналитик) мне за 30, на возраст никто внимания не обращает (по крайней мере, не озвучивают). На опыт внимание обращают всегда. Если вы джун без опыта (а после курсов вы без опыта) и согласны на зп джуна, то это 40-60, на вскидку, в зависимости от бизнеса. Если сильно повезет или вы убедительно врёте, могут предложить побольше, но врядли выше 80, и вам придется экстренно доучивать то, что не умеете, иначе вылетите.
Red, все процессы и термины в айти достались нам от западных компаний и переводить их смысла нет — основная масса статей в айти индустрии на английском. зачем переименовывать на русский термины, которые всё равной прийдется держать в голове на английском? к тому же в айти часто работают люди из разных стран и обычно у них общий английский. по всем вышеперечисленным причинам, английский — стандарт в индустрии и англицизмы в этом случае норм.
Andrey, согласен с вами. Вот мне интересен был бы пример как радикально сменить профессию лет в 50. 55, и легко ли потом устроиться без опыта работы в новой сфере. А 30 лет это ещё не возраст.
Но респект автору в том, что у него есть определённая воля и целеустремлённость для собственного самосовершенствования, чего сейчас не у всякого молодого человека встретишь.
ИМХО с таким активно развивающимся и меняющимся в техническом и технологическом плане миром менять профессии придётся всё чаще и чаще, а полученные знания устаревают всё быстрее и быстрее. Чтобы стать высококлассным профессионалом в любом деле нужно время и наработанный опыт, а вот времени то как раз остаётся у нас всё меньше и меньше. И жизнь у человека не резиновая, а ещё хочется активно пожить для себя и для семьи. И эту постоянную зависимость от работы, вернее от зарплаты, т.к. без денег сегодня никуда («спасибо» капиталистам), понимаешь только с возрастом. Грустно всё это.
Ну что-то к вечеру в философию попёрло!
Спасибо автору за довольно интересную статью и успехов в самосовершенствовании.
Спрашивайте свои вопросы 🙂
Сменил еще в 2018 в конце, но абсолютно без каких-либо курсов, просто пошел в техподдержку на первую линию в телеком, а дальше по нарастанию практики и прочтению литературы + практики дома на виртуалках плавно ушел в сисадмины, а потом и в DevOps/SRE.
А вот девушка да, Степик+Курсера по пайтону учила, но от в разрабы пробиться пока не удалось из-за очной учебы, так что так же пошла в техподдержку.
А так да, степик топ)
S., не согласна. Во-первых, при курсах дается структура. Во-вторых, в онлайн-школах можно делать дз с проверкой. Мне, например, очень это пригодилось на собеседованиях, поскольку домашки были построены по лекалам тестовых заданий от работодателей. В-третьих, есть некие фишки, до которых сам не докопаешься или докопаешься нескоро.