Karriär Spotlight: Vad är datavetenskap?

Idag är "stora data", "analytics" och liknande trenderord. Och med god anledning.

Tillbaka i 2012 heter HBR "datavetenskapare" som "sexigaste århundradets jobb. "Men vad innebär datavetenskap verkligen med? Och ännu viktigare, hur kan du få de färdigheter som behövs för att kalla dig en datavetenskapare?

Vad är datavetenskap?

Tidigare var datavetenskapare mestadels inom 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 lönen för datavetenskapare 113 $, 436 (början av februari 2017). Tittar på ersättning ensam är datavetenskap mycket attraktivare än andra liknande karriärer.

Färdigheter som behövs för datavetenskapare

Liksom 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.

• Statistiskt programmeringsspråk, som R och SAS
• Databasfrågor som SQL
• Grundstatistik som statistiska tester, fördelningar, maximala sannolikhetsvärderingar och så vidare
• Maskininlärningsmetoder som k-Närmaste grannar, slumpmässiga skogar, ensemblemetoder, etc.

• Multivariabel kalkyl och linjär algebra
• Dataloggning och utveckling av nya datatekniska produkter
• Kännedom om Hadoop-plattformen
• Visualiseringsverktyg som Flare, HighCharts eller AmCharts > Läs mer om hur man blir en datavetenskapare och färdigheter som behövs här.

Hur man blir en datavetenskapare

Idag finns det tre användbara alternativ för att bli datavetenskapare:

Självstudie via program som Utacity

• Att delta i ett datavetenskapslägerläger
• Kommer att examinera skolan för en magisterexamen
• Det finns givetvis för och nackdelar med varje metod.

Självstudie

Fördelar:

Bekvämt: kan göras på egen tid i alla miljöer och i alla takt

• 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 resultat

• Ingen inblandning mellan lärare och lärare
• Ingen hjälp med jobbjakt
• Data Science Boot Camp

Fördelar:

Lite engagemang: kan slutföras under 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 förändras karriär snabbt
• Många startläger erbjuder hjälp i jobbsökningen efter avslutad
• Nackdelar:

Få bara en portfölj av projekt - ingen "riktig" arbetslivserfarenhet

• Mycket att lära dig i en kort mängd tid
• Kunde vara upp till 40 timmar i veckans arbete (till skillnad från självstudie där du kan gå i din egen takt och fortfarande arbeta på deltid / heltid)
• Mastergrad

Fördelar:

Diplom efter avslutad

• Strukturerat lärande med professionellt utbildade instruktörer
• Erfarenheter: många program inkluderar praktikplatser som kommer att öka till erfarenhet och kunskap
• Gott om tid för att lära sig och absorbera all information
• Nackdelar:

Dyra: kan kosta mellan $ 20 000- $ 70 000 - inklusive levnadskostnader

• Tidskrävande: kan också ta längst (9-20 månader)
• För mer information om att väga för och nackdelar med att lära sig datavetenskap, kolla in den här artikeln.