Karriere Spotlight: Hva er datalogi?

I dag er "store data", "analytics" og lignende trendingord. Og med god grunn.

Tilbake i 2012, heter HBR "datavitenskapsmann" som "sexiest jobb i århundret. "Men hva innebærer datavitenskap virkelig? Og enda viktigere, hvordan kan du skaffe seg de ferdighetene som trengs for å kalle deg en datavitenskapsmann?

Hva er datalogi?

Dataforskere var en gang i det meste i det akademiske rommet. Nå, med vekst av stor datainnsamling og behovet for analyse, har dataforskere blitt høy etterspørsel i en rekke bedrifter og næringer, små og store.

Datavitenskap som yrke inkluderer en rekke ferdigheter innen matematikk, statistikk og dataprogrammering. Det er en bransje dominert av menn, estimater av kvinner i datavitenskap er rundt 10%.

Ifølge Glassdoor er gjennomsnittlig nasjonal lønn for datavitenskapere $ 113, 436 (tidlig februar 2017). Ser på kompensasjon alene, datavitenskap er mye mer attraktiv enn andre lignende karrierer.

Ferdigheter som trengs for å være dataforsker

Som alle jobber, er de spesifikke ferdighetene som kreves for å fylle datavitenskapsposisjonene, avhengig av det enkelte selskap.

Men det er visse ferdigheter / programvareverktøy som forblir konsistente.

• Statistisk programmeringsspråk, som R og SAS
• Databasespørsmålsspråk som SQL
• Grunnleggende statistikk som statistiske tester, distribusjoner, maksimal sannsynlighet estimatorer og så videre
• Maskininnlæringsmetoder som k-Nærmeste naboer, tilfeldige skoger, ensemble metoder, etc.

• Multivariabel kalkulator og lineær algebra
• Datalogging og utvikling av nye produkter som er data-drevne
• Kjennskap til Hadoop-plattformen
• Visualiseringsverktøy som Flare, HighCharts eller AmCharts > Lær mer om hvordan du blir dataforsker og ferdigheter som trengs her.

Hvordan bli en datavitenskaper

I dag er det tre levedyktige muligheter for å bli datavitenskapsmann:

Selvstudium via programmer som Utacity

• Deltar i en datalogisk opplæringsleir
• Kommer til å oppgradere skole for en mastergrad
• Det er selvfølgelig fordeler og ulemper ved hver metode.

Selvstudium

Fordeler:

Praktisk: kan gjøres på egen tid i ethvert miljø og i ethvert tempo.

• Rimelig: kan koste alt fra $ 0-600.
• Sparer tid: Nettkurs kan fullføres innen 8-18 måneder.
• Ulemper:

Få kun et sertifikat etter ferdigstillelse

• Ingen deltakelse fra lærer til student
• Ingen assistanse med jobbjakt
• Data Science Boot Camp

Fordeler:

Lite tidsforpliktelse: kan fullføres i 6 uker til 3 måneder

• Relativt overkommelig, i hvert fall i forhold til å få en mastergrad (oppstartsleirer spenner fra gratis - $ 16 000)
• Ideell for de som ønsker å bytte karrierer raskt
• Mange oppstartsleirer tilbyr hjelp i jobbsøkingsprosessen etter ferdigstillelse
• Ulemper:

Få bare en portefølje av prosjekter - ingen "ekte" arbeidserfaring

• Mye å lære om en kort mengde tid
• Kan være opptil 40 timer i uken av arbeidet (i motsetning til selvstudium hvor du kan gå i eget tempo og fortsatt jobbe deltid / heltid)
• Mastergrad

Fordeler:

Diplom Etter ferdigstillelse

• Strukturert læring med profesjonelt utdannede instruktører
• Virkelig erfaring: Mange programmer inkluderer praktikplasser som vil legge til erfaring og kunnskap
• Rikelig tid for å lære og absorbere all informasjonen.
• Cons:

Dyrt: kan koste mellom $ 20 000- $ 70 000 - ikke inkludert levekostnader

• Tidkrevende: kan også ta lengst (9-20 måneder)
• For mer informasjon om veiing av fordeler og ulemper med å lære datavitenskap, sjekk ut denne artikkelen.