Idag är "stora data", "analytics" och liknande trenderord. Och med god anledning.
Tillbaka i 2012 heter HBR "datavetenskapare" som "sexigaste århundradet." Men vad innebär datavetenskap verkligen? Och ännu viktigare, hur kan du få de färdigheter som behövs för att kalla dig en datavetenskapare?
Vad är datavetenskap?
En gång i tiden var datavetenskapare mestadels i det akademiska rummet. Nu, med uppsvinget av stor datainsamling och behovet av analys, har datavetenskapare blivit efterfrågade inom en rad små och stora företag och industrier.
Datavetenskap som yrke innehåller en rad färdigheter inom matematik, statistik och datorprogrammering. Det är en bransch som domineras av män, uppskattningar av kvinnor i datavetenskap är cirka 10%.
Enligt Glassdoor är den genomsnittliga nationella lön för datavetenskapare 113 4336 dollar. Tittar på ersättning ensam är datavetenskap mycket attraktivare än andra liknande karriärer.
Färdigheter som behövs för att vara datavetenskapare
Precis som alla jobb är de specifika färdigheter som krävs för att fylla datavetenskapspositioner beroende av det enskilda företaget.
Men det finns vissa färdigheter / programvaruverktyg som förblir konsekventa.
- Statistiska programmeringsspråk, som R och SAS
- Databas frågande språk som SQL
- Grundstatistik som statistiska tester, utdelningar, maximala sannolikhetsbedömare och så vidare
- Maskininlärningsmetoder som k-Närmaste grannar, slumpmässiga skogar, ensemblemetoder etc.
- Multivariabel kalkyl och linjär algebra
- Datalogging och utveckling av nya produkter som är datastyrda
- Känner till Hadops plattform
- Visualiseringsverktyg som Flare, HighCharts eller AmCharts
Hur man blir en datavetenskapare
Numera finns det tre användbara alternativ för att bli datavetenskapare:
- Självstudie via program som Udacity
- Delta i ett datalagringsläger
- Går till skolan för en magisterexamen
Naturligtvis finns det fördelar och nackdelar med varje metod.
Självstudie
Fördelar:
- Bekväm: kan göras på egen tid i vilken miljö som helst och i vilken takt som helst
- Prisvärd: kan kosta var som helst från $ 0-600.
- Sparar tid: online kurser kan slutföras inom 8-18 månader.
Nackdelar:
- Få endast ett certifikat efter avslutat
- Ingen peer-to-peer eller deltagare från lärare till student
- Inget hjälp med jobbjakt
Data Science Boot Camp
Fördelar:
- Lite engagemang: kan slutföras på 6 veckor till 3 månader
- Relativt överkomligt, åtminstone jämfört med att få en magisterexamen (startläger varierar från gratis - $ 16 000)
- Perfekt för dem som vill byta karriär snabbt
- Många startläger erbjuder hjälp i jobbsökningen efter avslutad behandling
Nackdelar:
- Få bara en portfölj av projekt - ingen "riktig" arbetslivserfarenhet
- Mycket att lära på kort tid
- Kunde vara upp till 40 timmar i veckan av arbetet (till skillnad från självstudie där du kan gå i din egen takt och fortfarande jobba deltid / heltid)
Magisterexamen
Fördelar:
- Diplom vid fullbordandet
- Strukturerat lärande med professionellt utbildade instruktörer
- Verkliga erfarenheter: många program inkluderar praktikplatser som kommer att öka till erfarenhet och kunskap
- Gott om att lära och absorbera all information
Nackdelar:
- Dyrt: kan kosta mellan $ 20.000- $ 70.000 - inklusive levnadsutgifter
- Tidskrävande: kan också ta den längsta (9-20 månader)