Rivalry2

HTML Diff

2 added 3 removed

Original 2026-01-01

Modified 2026-02-21

1 <a>#статьи</a>

2 <ul><li>20 апр 2020</li>

3 <li>0</li>

4 </ul>Что делает data scientist, сколько он получает и как им стать, даже если вы не программист. Объясняем и делимся полезными ссылками.

5 vlada_maestro / shutterstock

6 Пишу научпоп, люблю делать сложное понятным. Рисую фантастику. Увлекаюсь спелеологией. Люблю StarCraft, шахматы, "Монополию".

7 Data science -это работа с большими данными(англ.big data).Большие данные - это огромные объёмы неструктурированной информации: например, метеоданные за какой-то период, статистика запросов в поисковых системах, результаты спортивных состязаний, базы данных геномов микроорганизмов и многое другое. Ключевые слова здесь -"огромный объём"и "неструктурированность". Чтобы работать с такими данными, используют математическую статистику и методы машинного обучения.

8 Специалист, который делает такую работу, называется дата-сайентист(data scientist). Он анализирует большие данные(big data),чтобы делать прогнозы. Какие именно прогнозы - зависит от того, какую задачу нужно решить. Итог работы дата-сайентиста -прогнозная модель.Если упростить, то это программный алгоритм, который находит оптимальное решение поставленной задачи.

9 Да. Очень многие сервисы, к которым мы уже привыкли, создали дата-сайентисты. И вы сталкиваетесь с результатами их работы каждый день. Например, это прогнозы погоды, чат-боты, голосовые помощники… А ещё - алгоритмы, рекомендующие музыку и видео под вкус конкретного пользователя. Список возможных друзей в социальных сетях - тоже результат Data Science. В основе поисковых систем и программ для распознавания лиц тоже лежат алгоритмы, написанные дата-сайентистами.

10 Нет, это не одно и то же. Основная разница заключается в результате. Data scientist ищет в массивах данныхсвязи и закономерности,которые позволят ему создать модель,предсказывающуюрезультат, - то есть можно сказать, что data scientist работает на будущее. Он использует программные алгоритмы и математическую статистику и решает поставленную задачу в первую очередь кактехническую.

11 Бизнес-аналитик сосредоточен не столько на технической, программной стороне задачи, сколькона коммерческих показателяхкомпании. Он работает со статистикой и может оценить, например, насколько эффективна была рекламная кампания, сколько было продаж в предыдущем месяце и так далее. Вся эта информация может использоваться для улучшения бизнес-показателей компании. Если данных много и нужен какой-то прогноз или оценка, то для решениятехническойстороны этой задачи бизнес-аналитик может привлечь дата-сайентистов.

12 Поясним на примере. Допустим, программа анализирует финансовые операции клиента и рекомендует выдать ему кредит или отказать. То есть задача программы - оценить платёжеспособность клиента. Создание такого програмного алгоритма - работа дата-сайентиста.

13 А бизнес-аналитик не занимается такими техническими задачами. Его не интересует работа с конкретным клиентом, но он может проанализировать всю статистику банка по кредитам, например, за последние три месяца - и рекомендовать банку сократить или увеличить объёмы кредитования. Это бизнес-задача: предлагаются действия, которые увеличат доходность банка либо снизят финансовые риски.

14 Работа бизнес-аналитика и дата-сайентиста нередко пересекается, просто каждый занимается своей частью задачи.

15 Вот несколько вариантов:

16 <ul><li>В бизнесе - в любом его направлении. Например, дата-сайентист создаёт алгоритмы, прогнозирующие спрос на услуги компании. Другие алгоритмы помогут решить, нужно ли компании открывать новое направление бизнеса. Вариантов много.</li>

17 <li>В банках. Один из примеров мы разобрали в предыдущей карточке.</li>

18 <li>В транспортных компаниях. Например, программы помогают выстроить оптимальный маршрут.</li>

19 <li>В IT-сфере. Дата-сайентист разрабатывает ботов, поисковые алгоритмы, системы искусственного интеллекта.</li>

20 <li>На производстве. Например, программы прогнозируют сбои оборудования и дефекты продукции.</li>

21 <li>В страховых компаниях. Машинные алгоритмы оценивают вероятность страхового случая.</li>

22 <li>Медицина. Появляется всё больше приборов, автоматически ставящих диагноз на основании данных. Например, программа может указать повреждённые органы на рентгеновских снимках.</li>

23 <li>В сельском хозяйстве. Алгоритмы дают прогноз по урожаю, подбирают оптимальные системы землепользования.</li>

24 <li>Биоинформатика и современные генетические исследования немыслимы без data science. Программы строят генетические карты, определяют вид организма.</li>

25 <li>Физические исследования. Например, алгоритмы выявляют элементарные частицы и их следы.</li>

26 <li>Метеослужбы. Да, современные прогнозы погоды тоже готовятся с помощью data science.</li>

27 </ul>И это далеко не полный список. Везде, где нужны прогнозы, совершаются сделки или оцениваются риски, пригодится data scientist. Вот<a>несколько примеров</a>рабочих моделей. Некоторые неожиданные: например,Corrupt Social Interactions-модель, выявляющая коррупцию в Департаменте строительства(Department of Building)США. Или сервисА Roommate Recommendation-он помогает подобрать соседа по комнате в кампусе или хостеле.

28 Легко ли найти работу - зависит и от кандидата тоже. Но сама профессия весьма востребована. В 2016 году американская компания Glassdoor опубликовала<a>рейтинг 25 лучших вакансий в США</a>и профессия data scientistвозглавила этот список.С тех пор востребованность стала даже выше.

29 Алгоритмы машинного обучения сейчас стремительно развиваются, прогнозы на их основе становятся точнее, а сфер их применения всё больше. Это значит, что у профессии data scientist большое будущее.

30 У нас спрос на этих специалистов тоже постоянно растёт. Например, в 2018 году вакансий с названием data scientist было<a>в 7 раз больше по сравнению с 2015 годом</a>, а в 2019 году рост продолжился.

31 На середину апреля 2020 годана <a>hh.ru</a> - 323 вакансии с заголовком data scientist, из них 204 вакансии - в Москве, 39 - в Санкт-Петербурге и остальные - в других городах.

32 Как и везде, это зависит от опыта работы и навыков дата-сайентиста, особенностей компании и сложности конкретного проекта. Но общий расклад примерно такой(данные приведены по состоянию на февраль 2020 года):

33 <ul><li>Зарплаты по вакансии data scientist на <a>hh.ru</a>начинаютсяот 70 тысяч рублейпо России и от 100 тысяч рублейв Москве. Это деньги, на которые могут претендовать новички в отрасли. Чтобы было проще сориентироваться, средняя зарплата в Москве в начале 2020 года составляет около86 тысяч рублей.</li>

34 <li>Основной диапазон зарплат по вакансиям дата-сайентиста - примерноот 100 до 160 тысяч рублейпо России и от 150 до 200 тысяч рублейв Москве. На такие зарплаты могут претендовать специалисты с опытом.</li>

35 </ul>Высококвалифицированные специалисты по data science могут получать в месяц250 тысяч рублей и более.

36 В разных компаниях деятельность дата-сайентиста будет различаться. Однако основные этапы похожи:

37 <ul><li>сначала он выясняет, что нужно заказчику(внутреннему или внешнему);</li>

38 <li>теперь надо оценить, можно ли решить эту задачу методами машинного обучения;</li>

39 <li>если да, то дата-сайентист готовит данные для анализа и ищет критерии оценки - чтобы понять, насколько эффективна модель, которую он создаёт;</li>

40 <li>затем программирует и тренирует модель машинного обучения;</li>

41 <li>после ему нужно оценить, насколько применение этой модели целесообразно экономически. Здесь ему могут помочь другие специалисты;</li>

42 <li>теперь полученная модель внедряется в производственный цикл или продукт;</li>

43 <li>когда модель уже введена в эксплуатацию, обязанность дата-сайентиста - вести её, то есть дорабатывать и изменять под текущие нужды.</li>

44 </ul>Если в общих чертах, то нужно знать математику, математическую статистику, программирование, принципы машинного обучения и ту отрасль, где всё это будет использоваться.

45 И умение работать в команде тоже никто не отменял: дата-сайентисту приходится общаться с разными специалистами.

46 Будем откровенны - гуманитариям осваивать эту профессию может быть непросто: для работы в data science нужно хорошее знание математики и программирования. А у гуманитария этих знаний чаще всего нет. И наоборот: чем увереннее вы чувствуете себя в этом уже на старте, тем проще будет учиться.

47 Однако не стоит опускать руки: очень многое зависит от мотивации, от того, насколько вы готовы восполнять пробелы в своем образовании. Сейчас люди приходят в data science с разным бэкграундом и в разном возрасте. Вот пример одной такой<a>истории</a> - возможно, она вас поддержит.

48 Начать лучше с математики. Очень сложная математика не понадобится, но вы должны свободно ориентироваться в таких понятиях, как производная, дифференциал, определитель матрицы, и в том, что с ними связано. Освоить это вам помогут книги и лекционные курсы. Например, книга"Математический анализ" Липмана Берса, написанная довольно простым языком.

49 Да, потому что математическая статистика используется в любой аналитике. И data science не исключение. Вот несколько бесплатных курсов, которые помогут вам изучить статистику.

50 <ul><li>Курс "<a>Основы статистики</a>" подойдёт тем, кто знакомится с ней с нуля.</li>

51 <li>"<a>Математическая статистика</a>" - курс для более продвинутых, там много практических заданий.</li>

52 - <li>"<a>Статистические методы в гуманитарных исследованиях</a>" - здесь, помимо самой статистики, вы научитесь работать с программами и пакетами, нужными для анализа данных.</li>

52 + <li>"<a>Статистика для гуманитариев</a>" - здесь, помимо самой статистики, вы научитесь работать с программами и пакетами, нужными для анализа данных.</li>

53 </ul>Следующим шагом будет изучение Python. Сейчас этот язык программирования, пожалуй, основной инструмент в data science. Среди его достоинств - относительная простота и гибкость. Освоить Python вполне по силам новичку, который до того не программировал. Неслучайно этот язык нередко рекомендуют для начинающих.

54 По Python есть много курсов, как платных, так и бесплатных. Вот один из <a>бесплатных курсов</a>. И ещё один: "<a>Питонтьютор</a>".

55 У Skillbox тоже есть курс, он называется "<a>Профессия Python-разработчик</a>". Курс платный, длится год, и за это время студенты фактически осваивают с нуля новую профессию(как теорию, так и практику)и собирают личное портфолио - с помощью наставника. Поэтому по окончании курса им уже есть что показать потенциальному работодателю.

56 Теперь можно изучатьалгоритмы машинного обучения.Когда освоитесь с ними, уже сможете работать в data science.

57 Вот несколько бесплатных онлайн курсов по машинному обучению(много курсов на английском, но кое-что есть и на русском).

58 - <ul><li>Курс МФТИ "<a>Машинное обучение и анализ данных</a>". Там можно освоить современные инструменты для анализа больших данных и научиться проводить сам анализ - от сбора данных до представления результатов. Курс на русском языке.</li>

58 + <ul><li><a>Курс машинного обучения от Google</a>помимо объяснений содержит около 40 практических упражнений. Также на английском языке.</li>

59 - <li><a>Курс машинного обучения от Google</a>помимо объяснений содержит около 40 практических упражнений. Также на английском языке.</li>

60 <li>Запись<a>цикла лекций</a>профессора факультета машинного обучения из университета Карнеги - Меллона. Бесплатный курс, рассчитан на людей с хорошей базой в программировании и математике. На английском языке, но можно поставить русские субтитры.</li>

59 <li>Запись<a>цикла лекций</a>профессора факультета машинного обучения из университета Карнеги - Меллона. Бесплатный курс, рассчитан на людей с хорошей базой в программировании и математике. На английском языке, но можно поставить русские субтитры.</li>

61 <li><a>Продвинутый курс об использовании алгоритмов машинного обучения в творчестве</a>. Создан при поддержке проекта Google Magenta. На курсе изучаются основные компоненты глубокого обучения: свёрточные сети, генеративные состязательные сети, вариационные автокодеры и рекурсивные нейросети. Если эти слова вас пока пугают - начните с курсов выше, рассчитанных на новичков.</li>

60 <li><a>Продвинутый курс об использовании алгоритмов машинного обучения в творчестве</a>. Создан при поддержке проекта Google Magenta. На курсе изучаются основные компоненты глубокого обучения: свёрточные сети, генеративные состязательные сети, вариационные автокодеры и рекурсивные нейросети. Если эти слова вас пока пугают - начните с курсов выше, рассчитанных на новичков.</li>

62 <li>Курс Skillbox "<a>Профессия Data Scientist</a>". На этот курс можно прийти и с нуля: в его программу входит и Python, и изучение математики.</li>

61 <li>Курс Skillbox "<a>Профессия Data Scientist</a>". На этот курс можно прийти и с нуля: в его программу входит и Python, и изучение математики.</li>

63 </ul>Мало знать методы машинного обучения, нужно уметь применять их для решения практических задач. Научиться этому можно на платформе<a>Kaggle</a>, где собрано огромное количество реальных задач.

62 </ul>Мало знать методы машинного обучения, нужно уметь применять их для решения практических задач. Научиться этому можно на платформе<a>Kaggle</a>, где собрано огромное количество реальных задач.

64 Если вы хорошо знаете английский, он поможет вам быстрее развиваться в data science. Если нет - самое время его выучить.

63 Если вы хорошо знаете английский, он поможет вам быстрее развиваться в data science. Если нет - самое время его выучить.

65 <a>Курс с трудоустройством: "Профессия Data scientist + ИИ" Узнать о курсе</a>

64 <a>Курс с трудоустройством: "Профессия Data scientist + ИИ" Узнать о курсе</a>