Как стать Data Scientist без диплома: альтернативные пути и стратегии
Автор статьи — IT-эксперт Питер Мерфи.
Data Science — перспективная область, в которой есть множество вариантов для профессионального развития. Специалисты по Data Science востребованы в IT, медицине, сфере банковских услуг и т. д. Они работают с большими объемами данных — анализируют их, а затем строят и тестируют прогнозные модели.
Но обязательно ли профильное образование, чтобы стать специалистом по Data Science? Безусловно, диплом по данной специальности или смежному направлению никогда не будет лишним, но всегда есть альтернативные варианты. Рассмотрим поэтапно, что нужно сделать, чтобы начать карьеру в Data Science.
Определите цели
Если у вас нет соответствующего образования, но хочется попробовать себя в Data Science, стоит начать с планирования и определения карьерных целей. Эта область гораздо шире, чем многие могут себе представить: она связана с big data, искусственным интеллектом, машинным обучением и другими технологиями. В общем направлении Data Science можно выбрать более узкую специализацию, тогда составить индивидуальный план обучения будет проще.
Для начала соберите информацию о том, какие роли бывают: например, изучите описания релевантных вакансий, в которых указываются требования к кандидатам, конкретные обязанности, необходимые знания и навыки. Другой эффективный способ — интервью с профессионалами, работающими в интересующем вас направлении. Если есть возможность, общайтесь как с теми, кто выбрал традиционный путь с получением образования, так и с теми, кто предпочел самообучение. Так вы получите наиболее полную картину и поймете, нужно ли вам образование для выбранной специализации.
Выберите подходящую программу
Если вы не хотите получать классическое образование, нужно разработать индивидуальную программу обучения, которая даст необходимые фундаментальные знания и поможет наработать важные технические навыки. Два основных пути здесь — самообучение и буткемпы или онлайн-курсы.
Самообучение предполагает, что вы учитесь самостоятельно с помощью разнообразных ресурсов. Это могут быть книги, видео, тематические форумы, вебинары, всевозможные гайды и практические задания. Главное преимущество такого подхода заключается в том, что вы можете изучать тему любым удобным способом и в своем темпе, главное составить хороший пошаговый план.
Если вы предпочитаете более структурированный подход, есть смысл обратить внимание на буткемпы или онлайн-курсы. Буткемп — это короткое интенсивное обучение какой-то определенной специализации. Например, в рамках буткемпа по Data Science вы можете приобрести навыки, связанные с анализом и визуализацией данных, прогнозными моделями, языками программирования и пр. Обучение на онлайн-курсах занимает больше времени, при этом много внимания уделяется теории, в то время как буткемпы скорее ориентированы на практику и менторство.
Учите языки программирования
Здесь может быть потенциально полезным знание любого языка программирования, но сконцентрироваться лучше на тех, которые широко используются в данной области — Python, R, SQL, Java, JavaScript, C/C++, MATLAB, Scala, Julia, SAS. Многие из них пригодятся любому специалисту по Data Science, вне зависимости от специализации.
Например, Python хорошо подходит для автоматизации, работы с искусственным интеллектом и машинного обучения, поэтому широко используется в Data Science.
R — язык программирования, разработанный именно для анализа данных. Он предоставляет аналитикам множество полезных инструментов, а также поддерживает машинное обучение и статистические вычисления.
Отдельно стоит отметить SQL: так как специалисты по Data Science часто работают с базами данных, знание SQL здесь как нельзя кстати.
Накапливайте практический опыт
Практический опыт позволяет продемонстрировать, что у вас есть необходимая компетентность для работы в той или иной роли. Получить реальный опыт до того, как вы официально устроитесь на работу, может быть достаточно сложно, но есть несколько хороших стратегий.
Во-первых, если вы уже работаете на технической должности, поищите проекты, на которых можно попробовать себя в области Data Science. Это отличный способ расширить свои знания и навыки при поддержке опытных коллег.
Во-вторых, следите за стажировками или волонтерскими позициями. Стажировки обычно ориентированы на обучение, поэтому работодатели предпочитают специалистов с небольшим опытом или его отсутствием. Волонтерство — отличная возможность для нетворкинга с коллегами и участия в какой-нибудь важной инициативе.
И, наконец, вы можете создать собственный проект. Этот способ, пожалуй, самый сложный, поскольку все придется делать самостоятельно, но его тоже стоит рассмотреть.
Создайте профиль на GitHub
Профиль на GitHub — не самый очевидный этап на пути к карьере мечты, но не стоит его недооценивать. На GitHub есть множество проектов с открытым исходным кодом, в том числе по Data Science. Кроме того, на платформе можно размещать свои проекты и получать обратную связь от других участников. А еще профиль на GitHub — это своего рода портфолио, которое можно показать потенциальным работодателям, чтобы наглядно показать ваш опыт и предыдущие проекты.
Не стесняйтесь показывать свои способности
По мере совершенствования навыков важно проявлять активность и демонстрировать свою ценность как специалиста потенциальным работодателям.
Для начала обновите профиль на LinkedIn: заполните разделы о навыках, опыте, образовании, волонтерстве. Убедитесь, что CV составлено с учетом той роли, на которую вы претендуете.
Если вы используете в профессиональной деятельности другие социальные сети, их также стоит актуализировать. Иногда хорошей идеей будет создание собственного экспертного блога или сайта, которые могут служить портфолио для ваших проектов в области Data Science.
Ищите работу мечты
Для некоторых работодателей важно наличие у кандидата профильного образования, даже когда речь идет о должности начального уровня. Однако многие менеджеры по найму смотрят на ситуацию по-другому: если у вас достаточно технических навыков для выполнения соответствующих обязанностей, отсутствие диплома не влияет на принятие решения.
Когда вы готовитесь к поиску работы, убедитесь, что ваше резюме актуально и адаптировано под желаемую роль. Дополнительно можно изучить популярные вопросы по Data Science, которые часто задают на собеседованиях, и потренироваться на них отвечать. На данном этапе также пригодятся ваши деловые контакты: это поможет получить поддержку и рекомендации людей, которые знают вас в профессиональной сфере.
Поиск работы может занять некоторое время, но результат того стоит. Настойчивость однозначно повышает шансы на получение оффера.
Для каких специальностей не требуется профильное образование
Помимо Data Science есть и другие направления, в большей или меньшей степени связанные со сбором и анализом данных. При этом требования к специалистам ниже и наличие диплома не так важно.
К таким специальностям можно отнести следующие:
сборщик данных,
инженер данных,
продуктовый аналитик,
маркетолог-аналитик и др.
Если у вас нет никакого опыта в выбранном направлении, стоит рассматривать вакансии начального уровня. Чтобы претендовать на более высокие позиции, нужно продемонстрировать релевантные знания и навыки, а также подтвердить опыт работы, включая стажировки или волонтерство. Это позволит начать карьеру в области анализа данных на лучших условиях.