Karriär Spotlight: Vad är datavetenskap?

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

Tillbaka i 2012 heter HBR "datavetenskapare" som "sexigaste århundradet." Men vad innebär datavetenskap verkligen? Och ännu viktigare, hur kan du skaffa dig 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 i hög efterfrågan inom ett stort antal företag och industrier, små och stora.

Datavetenskap som ett 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 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 datavetenskapliga positioner 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
• Dataloggning och utveckling av nya produkter som är datastyrda
• Känner till Hadops plattform
• Visualiseringsverktyg som Flare, HighCharts eller AmCharts

Hur man blir en datavetenskapare

Idag finns det tre användbara alternativ för att bli datavetenskapare:

• Självstudie via program som Udacity
• Delta i ett datalagringsstugläger
• Går till skolan för en magisterexamen

Naturligtvis finns det 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
• Ingen peer-to-peer eller lärar-till-student engagemang
• 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 genomförande

Nackdelar:

• Få bara en portfölj av projekt - ingen "riktig" arbetslivserfarenhet
• Mycket att lära på kort tid
• Kan vara upp till 40 timmar i veckan av arbete (till skillnad från självstudie där du kan gå i din egen takt och fortfarande jobba deltid / heltid)

Magisterexamen

Fördelar:

• Diplom vid slutförandet
• Strukturerat lärande med professionellt utbildade instruktörer
• Verkliga erfarenheter: många program inkluderar praktikplatser som lägger 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 det längsta (9-20 månader)